从CVPR 2025看域适应、域泛化最新研究进展

最近翻了翻今年CVPR的录用论文，发现域泛化、域适应出现得很频繁，果然这俩还是核心研究方向。尤其是域泛化的改进，接下来依旧是要攻克的关键难题。

毕竟现实里数据分布变化太复杂，需要让模型能适应这种变化才行，而在这一块，域泛化/域适应一直都是有新的创新点的。现在的常用的思路基本就是生成式与数据扩充、表示学习与特征解耦，还有混合范式和新兴场景这些方向。

为方便论文er快速摸清方向，我整理了CVPR 2025里22篇域泛化/域适应相关文章，还附了开源代码。参考这些高质量成果找思路，能省不少事儿。

扫码添加小享，回复“域泛化顶会”  

免费获取全部论文+代码合集

域泛化

Domain Generalization in CLIP via Learning with Diverse Text Prompts

方法：论文为提升 CLIP 的域泛化能力，提出用多样文本提示模拟不同域的方法：先通过熵过滤筛选可靠提示，再以域敏感通道抑制剔除域特定特征、多域一致性约束保证特征对域变化鲁棒、正交均匀性正则化实现特征多样化，最终让模型学到域不变特征，在多个数据集上实现最优域泛化性能。

创新点：

• 用CLIP的文本模板生成多样提示模拟不同域，先按熵筛选可靠提示，再通过梯度归因识别并抑制域敏感特征通道。
• 对不同提示下的预测分布加KL损失约束，保证模型面对域变化时预测稳定，聚焦域不变信息。
• 分解图像特征为平行和正交分量，仅对正交分量做均匀性正则化，在不影响分类的同时实现特征多样化，减轻源域偏倚。

Unlocking the Potential of Unlabeled Data in Semi-Supervised Domain Generalization

方法：论文为提升半监督域泛化能力，提出 UPCSC 方法：针对现有方法忽略低置信度无标签样本的问题，用 UPC 模块将这类样本作额外负样本，SC 模块基于其混淆类别生成代理类作正样本，结合基线损失训练，缩小域差距，提升模型对 unseen 域的泛化效果。

创新点：

• 首次在半监督域泛化中用低置信度无标签样本，发现其多在少量类别间混淆且真值常在内，突破仅用高置信度样本的局限。
• 设计UPC模块，把低置信度无标签样本当额外负样本，辅助高置信度样本对比学习，增强模型对域差异的区分。
• 提出SC模块，基于低置信度样本的混淆类别生成代理类作正样本，且模块是插件式，易集成到现有模型提升域泛化性能。

域适应

Link-based Contrastive Learning for One-Shot Unsupervised Domain Adaptation

方法：论文针对单样本无监督域适应的难题，提出 LCL 方法提升域适应效果：利用目标域丰富无标签数据，通过域内链接挖掘判别特征；再以跨域双向匹配筛选语义一致簇对，通过跨域链接对比约束实现精准域对齐，最终联合多损失训练，在多个基准及真实数据集上表现出色。

创新点：

• 针对单样本无监督域适应（OSUDA，源域每类仅1个标注样本）的难题，提出适配该场景的解决方案，填补研究空白。
• 设计域内链接模块，对目标域无标签数据聚类，用“必须/禁止链接”对比学习，从目标域挖掘判别特征。
• 提出跨域双向匹配与跨域链接模块，筛选语义一致簇对后施加对比约束，实现精准跨域对齐。

Distinguish Then Exploit: Source-free Open Set Domain Adaptation via Weight Barcode Estimation and Sparse Label Assignment

方法：论文针对无源开放集域适应难题，提出 DTE 模型提升域适应效果：先通过权重条形码估计（用部分非平衡最优传输算边际概率、量化结果）区分目标域未知样本，再用稀疏标签分配给已知样本赋可靠伪标签，最后微调目标特征提取器，在多数据集上减少负迁移，提升域适应性能。

创新点：

• 针对无源开放集域适应（目标域有未知类别、无源数据），提出“先区分再利用”的DTE模型，适配该场景需求。
• 设计权重条形码估计模块，用部分非平衡最优传输算边际概率、量化结果，自动区分目标域未知样本，无需先验知识。
• 提出稀疏标签分配模块，通过含近端项的样本-标签匹配，为已知目标样本分配可靠伪标签，减少负迁移。