用于无监督域适应的提示分布对齐

文章预览

论文探讨了视觉语言模型（ VLMs ）及其在无监督域适应（ UDA ）中的应用，并引入了一种名为 提示分布对齐（ Prompt-based Distribution Alignment，PDA ） 的方法，该方法采用双分支训练策略，包括基础分支和对齐分支。基础分支专注于将类别相关的表示整合到提示中，确保不同类别的区分性；而为了进一步缩小领域差异，对齐分支则构建了源域和目标域的特征库，并提出了图像引导的特征调优（ IFT ），使输入关注特征库，从而有效地将自我增强和跨域特征整合进模型中。这种方法不仅提高了模型的区分能力，还缓解了源域和目标域之间的分布偏移。实验结果证明了 PDA 方法的有效性，并且在无监督域适应任务上达到了新的最优性能。 1 提示分布对齐方法 尽管大规模预训练的视觉-语言模型（VLMs）在各种下游任务中取得了前所未有的成功，但在真实世界中 ………………………………