摘要
领域自适应（Domain Adaptation, DA）旨在将源域中学习到的知识迁移至未标注的目标域。近年来，一些研究工作聚焦于无源域自适应（Source-Free Domain Adaptation, SFDA），即仅利用预训练的源域模型来适应目标域。然而，这些方法通常忽视了保持源域性能这一关键问题，而这一特性在现实应用场景中具有重要实际价值。为此，本文提出一种新型领域自适应范式——广义无源域自适应（Generalized Source-free Domain Adaptation, G-SFDA），该范式要求模型在仅访问目标域当前未标注数据的前提下，同时在源域和目标域上均具备良好表现。本文提出两个核心方法：首先，提出局部结构聚类（Local Structure Clustering, LSC），通过将目标域特征与其语义相似的邻居进行聚类，实现无需源域数据支持的情况下有效适应目标域；其次，提出稀疏域注意力机制（Sparse Domain Attention, SDA），该机制生成二值化的域特定注意力权重，以激活不同域对应的不同特征通道，同时利用该注意力机制在自适应过程中对梯度进行正则化，从而有效保留源域信息。实验结果表明，所提方法在目标域性能上达到或优于现有的传统领域自适应（DA）与无源域自适应（SFDA）方法，尤其在VisDA数据集上取得了85.4%的先进水平性能。此外，该方法在单目标域或多目标域适应后，均能在所有域上保持良好表现。代码已开源，地址为：https://github.com/Albert0147/G-SFDA。