基于标签驱动的重建用于语义分割中的域适应

无监督域自适应能够有效缓解语义分割任务中对像素级标注数据的依赖。目前最常用的方法之一是将源域图像翻译至目标域，并通过对抗学习在特征空间中对齐二者边缘分布。然而，由于源域数据量通常远大于目标域，源域到目标域的图像翻译会放大翻译图像中的偏差，并引入额外的计算开销。此外，仅通过全局特征对齐难以保证源域与目标域联合分布的一致性。为此，本文提出一种创新性框架，旨在减轻图像翻译带来的偏差，并实现跨域同类特征的对齐。该框架通过两个关键步骤实现：1）执行目标域到源域的反向图像翻译；2）基于预测标签重建源域与目标域图像。在从合成数据向真实城市场景理解进行域适应的大量实验中，所提方法在性能上显著优于现有最先进方法，展现出良好的竞争力。