• 목록

[일시]
2024.07.22

[세미나 주제]
Unsupervised Domain Adaptation via Domain-Adaptive Diffusion

[발표자]
장효영

[요약]
본 연구는 도메인 간 격차가 큰 두 도메인에 대해 Domain adaptation을 수행하는 과정에서 나타나는 성능 저하 현상을 해결하고자 Denoising Diffusion Probabilistic Models (DDPM) 컨셉의 Unsupervised Domain Adaptation을 제안하였다. DDPM의 점진적 분포 변화를 기반한 방법론에 영감을 받아 순차적인 방식으로 점진적인 프로세스를 도입하여 Target domain 분포에 대한 Adaptation을 수행하는 Domain-Adaptive Diffusion(DAD)모듈을 제안하였으며, 분포 변환 과정에서 Source domain의 의미적 정보를 유지하기 위해 DAD모듈과 classification 모듈 간의 Mutual Learning Strategy(MLS)알고리즘을 제안하였다.
다만, 연속적인 Chain process를 기반한 DDPM을 활용하였을 때 나타나는 학습 과정에서의 많은 시간이 소요된다는 점과 source와 target domain간 분포 차이가 커질 경우 DAD 모듈의 크기가 커지고 MLS 알고리즘의 반복횟수 동안 증가할 수 있으며, 학습 과정이 상당히 복잡하다는 점 또한 한계점으로 생각된다. 그치만 도메인 간 큰 격차에도 해당 방법론을 통해 State-of-The-Arts 를 달성하였으며, 다양한 ablation study를 통해 제안 방법론의 강건성을 입증했다는 점에서 기여도가 큰 논문이라고 생각된다.
DDPM이 아닌 Denoising Diffusion Implicit Model을 활용하고, 소스 도메인에 대한 정보 유지를 위해 Residual의 컨셉의 활용을 고려해보았으며, 추후 이러한 Domain adaptation을 통해 저조명 이미지에 대한 향상을 목표로 연구에 활용하고자 한다.
   

[관련 논문]
- Denoising Diffusion Probabilistic Models
- Unsupervised Domain Adaptation via Domain-Adaptive Diffusion

[발표 링크]
https://us02web.zoom.us/rec/share/Dnj9Vawq37R54xH1OItiLQ36wTIk3xzHMzj2rEVdRDA2MVfm2Lnm-8mS9Ly0URkG.oiF4HLxbnbZdD784