利用内在邻域结构进行无源域自适应

领域自适应（Domain Adaptation, DA）旨在缓解源域与目标域之间的分布偏移问题。大多数DA方法需要访问源域数据，但在实际应用中，由于数据隐私或知识产权等原因，源数据往往无法获取。本文针对这一挑战，研究了无需源数据的领域自适应（Source-Free Domain Adaptation, SFDA）问题，即在不依赖源数据的前提下，将预训练于源域的模型适配至目标域。我们提出的方法基于一个关键观察：尽管目标域数据可能已不再与源域分类器对齐，但其内在特征仍呈现出清晰的聚类结构。为此，我们通过定义目标数据的局部相似性（local affinity）来捕捉这一内在结构，并鼓励具有高局部相似性的样本之间保持标签一致性。进一步地，我们发现相互邻近的样本（reciprocal neighbors）应被赋予更高的相似性权重，因此提出一种自正则化损失函数，以降低噪声邻近样本带来的负面影响。此外，为引入更丰富的上下文信息，我们还考虑了包含较小相似性值的扩展邻域（expanded neighborhood）。实验结果表明，目标域特征的内在结构是领域自适应中极为重要的信息来源。我们验证了通过综合考虑局部邻域、相互邻近关系以及扩展邻域，能够高效地捕捉目标数据的局部结构。最终，我们在多个二维图像与三维点云识别数据集上取得了当前最优的性能表现。相关代码已开源，地址为：https://github.com/Albert0147/SFDA_neighbors。