摘要
无监督域自适应（Unsupervised Domain Adaptation, UDA）已被证明在将标签丰富的源域知识迁移至标签稀缺的目标域方面具有显著效果。然而，目标域中存在额外的新型类别，促使了开放集域自适应（Open-Set Domain Adaptation, ODA）与通用域自适应（Universal Domain Adaptation, UNDA）的研究发展。现有ODA与UNDA方法通常将所有新型类别视为单一统一的未知类，并在训练过程中尝试对其进行检测。然而，我们发现域间差异会导致无监督数据增强中产生更为显著的视图噪声（view-noise），这一问题在域迁移任务中被进一步放大，从而影响对比学习（Contrastive Learning, CL）的有效性，并导致模型在新型类别发现过程中产生过度自信的问题。为解决上述问题，本文提出一种名为软对比全一网络（Soft-contrast All-in-one Network, SAN）的框架，适用于ODA与UNDA任务。SAN引入了一种基于数据增强的软对比学习（Soft Contrastive Learning, SCL）损失函数，用于精细化调整主干网络以实现更优的特征迁移；同时设计了一种更具人类直觉的全一分类器（All-in-One, AIO），以提升模型对新类别的识别能力。SCL损失有效缓解了数据增强带来的视图噪声问题，尤其在域迁移场景下表现更为稳健。AIO分类器则克服了当前主流闭集与开集分类器存在的过度自信缺陷。可视化分析与消融实验验证了所提方法各项创新的有效性。此外，在ODA与UNDA任务上的大量实验结果表明，SAN显著优于现有最先进方法，展现出更强的泛化能力与鲁棒性。