모델 대신 자료를 변환
목표 영역마다 모델을 재학습하면 자료의 양과 순서 및 최적화 설정에 민감할 수 있다. DDA는 모델을 갱신하는 대신 입력을 원천 영역으로 투영하는 접근을 제안했다.
공유하는 두 모델
원천 영역에서 학습한 분류 모델과 생성 모델을 모든 영역에 공유한다. 두 모델은 시험 단계에서 고정되며 입력별 변환으로 적응을 수행한다.
변환 정도의 조절
확산 과정에 이미지 지도와 자기 앙상블을 추가해 적응 정도를 자동으로 정한다. 입력을 바꾸는 과정과 최종 예측을 연결한 구성이다.
서로 다른 시험 자료 조건
ImageNet-C에서 여러 오염과 기반 구조 및 자료 조건을 평가했다. 작은 배치와 비균일 순서의 의존 자료 및 여러 오염이 섞인 자료도 비교했다.
관련 문서
SDA 합성 영역 정렬 / MEMO 시험 시점 적응 / LAME 시험 시점 적응 / CyCADA / 픽셀 수준 도메인 적응 / FDA 도메인 적응