标题：基于去噪扩散模型的无监督域适应方法研究
作者：丁若怡 李云栋
作者单位：北方工业大学人工智能与计算机学院，北京 100144
关键字：扩散模型；无监督域适应；特征去噪；视觉Transformer
摘要：提出一种基于扩散模型的无监督域适应特征去噪框架，旨在从生成式建模的角度解决跨域特征分布不一致带来的迁移偏移问题。不同于传统的判别式域对齐方法，该框架将无监督域适应过程视为特征空间中的分布重建任务，通过扩散模型的逐步去噪机制学习从高噪声特征到干净特征的映射规律，实现对潜在语义结构的生成式恢复。方法在训练阶段模拟特征退化的正向扩散过程，并利用反向去噪网络逐步重构目标域的语义一致特征，从而在无标签条件下提升模型的跨域鲁棒性与泛化能力。与此同时，框架在扩散建模的基础上融合多尺度特征表征与全局自注意力机制，以兼顾细粒度纹理信息与高层语义一致性，使模型能够在复杂域偏移条件下自适应地捕获域不变特征。通过端到端的优化策略，该方法实现了特征对齐、噪声抑制与分布平衡的协同优化。实验结果表明，所提出的扩散模型框架在多个主流无监督域适应基准数据集上均取得显著性能提升，充分验证了扩散模型在跨域表示学习中的有效性与理论潜力。