基于扩散引导的标签增强技术，实现无源域自适应语义分割的遥感图像处理方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Source-Free Domain Adaptive Semantic Segmentation of Remote Sensing Images With Diffusion-Guided Label Enrichment

　　

摘要：

由于源数据无法获取以及适应过程中缺乏目标注释，无源数据领域的遥感语义分割任务极具挑战性。在语义分割的源-free数据适应（SFDA）中，基于伪标签的自训练方法被广泛采用，但大多数现有方法仅对包含大量噪声的完整伪标签集进行优化，这严重限制了它们的效果。为了解决这个问题，我们提出了一种新的伪标签优化框架——扩散引导的标签增强（Diffusion-Guided Label Enrichment，简称DGLE）。该框架从一小部分可靠的种子伪标签开始，将其转化为完整且高质量的伪标签。具体而言，DGLE首先对原始目标图像和超分辨率目标图像的预测结果进行置信度过滤，保留下来的预测结果经过交叉验证后融合，形成种子伪标签。基于这些稀疏的种子伪标签，DGLE训练一个图像条件下的扩散模型，逐步生成具有更好区域一致性和边界完整性的完整高质量伪标签。通过这种方式，DGLE避免了直接优化整个噪声较大的伪标签集，为目标领域适应提供了更可靠的监督数据。实验表明，DGLE在三个SFDA语义分割基准测试中取得了领先性能：Vaihingen → Potsdam和Rural → Urban（用于遥感场景），以及GTA5 → Cityscapes（用于城市街道场景），其mIoU得分分别比之前的最佳方法提高了2.45%、2.18%和2.5%。