这就是人工智能领域里让人头疼的 “域偏移” 问题 ——源域（训练时的场景）和目标域（实际应用的场景）因为设备、环境、场景不同，存在差异，导致模型性能暴跌。而 “无监督域自适应物体检测”，就是要解决这类 “场景一变，AI 就失灵” 的难题：让 AI 在 “源域有标注、目标域没标注” 的情况下，也能把在源域练出的 “本事”，顺利迁移到目标域，精准检测物体。简单来说，无监督域自适应物体检测的研究，就是在

过去的方法通过压缩SAM的image encoder来实现轻量化，因为SAM的mask decoder参数量很小。转而使用基于学习的压缩器，比如Perceiver，用一组小固定 learned queries来总结密集feature map，然而简单使用Perceiver性能也会降低。两个阶段均将student model与SAM2的image encoder特征对齐，在第二阶段，还对齐memor

3）使用从source domain images中学习的prototype-based memory bank来作为domain adaptive prompt generator。3）使用Gradient-guided Pseudo-label Updating来更新pseudo-label。1）使用Adapter对SAM的image encoder进行微调，如下图所示。1）同样使用Adapt