arXiv cs.AI· Jiawen Yang, Shuhao Chen, Shengtao Zhang, Ke Tang, Yu Zhang·· 9 天前AI 评分22
异构模态无监督域适应：Latent Space Bridging（LSB）框架
Heterogeneous-Modal Unsupervised Domain Adaptation via Latent Space Bridging
AI 导读
研究者提出异构模态无监督域适应（HMUDA）新设定，通过含两种模态配对观测的无标注桥接域实现跨模态知识迁移，并提出双分支框架 Latent Space Bridging（LSB）。LSB 用配对桥接样本上的特征一致性损失弥合模态差距，用类质心对齐损失缩小源域与目标域差异。在覆盖 2D-to-3D 与 3D-to-2D 迁移的八个基准设定上，LSB 取得 SOTA 性能。
正文 · AI 翻译
摘要：无监督域适应（UDA）有效弥合了有标签源域与无标签目标域之间的域差距，但假设两个域共享相同的模态。异构域适应（HDA）则处理跨域的不同特征空间，但需要目标域有标签样本或连接源域与目标域的配对数据。当有标签源域和完全无标签目标域各自持有完全不同的模态（例如，2D 图像和 3D 点云）时，两者均不适用。为解决这一局限，我们引入了一种新设定，称为异构模态无监督域适应（HMUDA），它通过一个无标签桥接域在模态之间迁移知识，该桥接域包含来自两种模态的配对观测，其分布可能偏离源域和目标域的分布。为在 HMUDA 设定下学习，我们提出了潜在空间桥接（LSB），这是一个双分支框架，其中配对桥接样本上的特征一致性损失弥合了模态差距，类质心对齐损失减少了源-目标差异。在涵盖 2D 到 3D 和 3D 到 2D 迁移的八个基准设定上进行的大量实验表明，LSB 达到了最先进的性能。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2506.15971 [cs.CV] |
| （或 arXiv:2506.15971v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2506.15971 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Jiawen Yang [查看电子邮件]
[v1]
2025年6月19日星期四 02:31:51 UTC（3,652 KB）
[v2]
2026年10月8日星期四 08:37:39 UTC（5,262 KB）
来源：arXiv cs.AI · arxiv.org