CoDA：基于严重性感知视觉提示调优的指令式领域自适应链

无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在将标注源域上的模型迁移至未标注的目标域。然而，在面对恶劣场景时，现有UDA方法由于缺乏有效指导，难以充分应对各类恶劣场景间的差异，导致模型忽略不同恶劣场景之间的细微差别，从而性能下降。为解决这一问题，本文提出CoDA（Chain-of-Domain Adaptation），通过在场景级和图像级两个层面引导模型识别、聚焦并学习这些差异，实现更精准的域自适应。具体而言，CoDA由两个核心组件构成：场景级的链式域（Chain-of-Domain, CoD）策略与面向严重程度感知的视觉提示调优（Severity-Aware Visual Prompt Tuning, SAVPT）机制。CoD策略首先在场景层面进行指导，将所有恶劣场景划分为“易处理”与“难处理”两类，引导模型先在易场景图像上从源域进行适应，再逐步迁移到难场景图像上，从而为整体域适应奠定坚实基础。在此基础上，SAVPT机制进一步深入至图像级细粒度指导，以提升模型性能。SAVPT引入了一种新颖的度量指标——“严重程度”（Severity），将所有恶劣场景图像划分为低严重程度与高严重程度两类。该严重程度信息被用于引导视觉提示（visual prompts）与适配器（adapters），促使模型聚焦于统一的严重程度特征，而非依赖于特定场景的表观特征，从而增强泛化能力，且无需增加模型架构的复杂度。在多个广泛使用的基准测试中，CoDA均取得了当前最优（SOTA）性能。特别地，在Foggy Driving与Foggy Zurich两个基准上，CoDA分别相比现有方法提升了4.6%和10.3%的mIoU指标。相关代码已开源，地址为：https://github.com/Cuzyoung/CoDA。