[2025ICCV-密集预测方向]FreeDNA：基于扩散的密集预测模型

1. 研究背景与问题​

• ​核心问题​：基于扩散的密集预测模型（如深度估计、光流、语义分割等）在跨域测试时性能显著下降。
• ​现有局限​：传统域适应（DA）方法依赖对抗训练或自监督学习，需额外训练成本；扩散模型虽在生成任务中表现优异，但针对密集预测的域适应研究不足。
• ​关键观察​：
  • 扩散模型的曝光偏差（Exposure Bias）​​ 与域偏移（Domain Shift）​​ 在噪声预测统计量上表现相似（图2）。
  • 域信息主要与图像的幅度分量相关，而曝光偏差导致的噪声统计差异与域偏移高度关联（图2b-c）。
  • 扩散模型的噪声预测统计量能有效捕捉不同域的条件图像差异（图5）。

​2. 核心方法：Domain Noise Alignment (DNA)​​

提出训练免费的域噪声对齐（DNA）机制，通过调整扩散采样过程中的噪声统计量实现域适应，无需微调模型。