摘要
领域自适应旨在缓解源域与目标域之间的领域偏移问题。这些偏移可能涉及多个维度，例如雾度、降雨等。然而，现有方法通常未显式引入关于某一特定维度领域偏移的先验知识，因而导致自适应性能受限。本文研究了一种实际应用场景——特定维度自适应（Specific Domain Adaptation, SDA），该场景旨在针对某一特定维度对齐源域与目标域。在该设定下，我们观察到：由于不同领域程度（即该维度上领域偏移的数值大小）引起的域内差异（intra-domain gap）在特定领域适应中起着关键作用。为解决该问题，我们提出一种新颖的自对抗解耦（Self-Adversarial Disentangling, SAD）框架。具体而言，针对某一特定维度，我们首先通过引入一个“领域程度生成器”来增强源域，并提供额外的监督信号。在所生成的领域程度引导下，我们设计了一种自对抗正则项及两个损失函数，联合实现潜在表示在特征空间中的解耦，将特征分离为与领域程度相关和与领域程度无关的两部分，从而有效缓解域内差异。所提方法可作为即插即用的通用框架，且在推理阶段不引入额外计算开销。在目标检测与语义分割任务上，我们的方法均实现了对当前最先进方法的一致性性能提升。