任务背景与现存问题
领域泛化任务的目标，是在多个已知分布的源域数据上训练模型，使模型在分布不同的未见目标域上保持稳定的分类性能。CLIP（Contrastive Language-Image Pre-training）这类大规模视觉语言预训练模型，具备较强的零样本迁移能力，是当前领域泛化任务的主流基础模型。
当前该方向存在两个核心待解决问题，也是限制模型落地性能的关键瓶颈。第一，真实场景的视觉数据普遍存在标签歧义现象，即单张图像包含多个类别的语义信息，而常规标注使用的one-hot硬标签仅能覆盖部分语义，会导致模型学习到错误的决策边界，降低分布外数据的处理性能。第二，不同源域的数据存在明显的分布偏移，比如图像风格、拍摄环境、采集设备的差异，常规训练方式用统一规则适配所有场景，会导致模型在特定场景下的适配能力不足，同时对预训练模型的全量微调，会破坏模型预训练阶段学习到的通用特征，削弱模型的零样本迁移能力。现有方法大多只针对分布偏移做优化，普遍忽视了标签歧义带来的基础影响。
LADA方法的核心设计
LADA（Label Disambiguation and Domain-Aware Learning）是针对上述两个核心问题提出的两阶段框架，全程冻结CLIP主干网络，通过两个前后耦合的核心模块，先完成标签的补充校准，再实现分场景的分层适配，前序模块的输出为后序模块提供校准后的高质量输入。
第一阶段：标签补充与校准模块
该模块的核心目标，是解决原始硬标签的歧义问题，为模型训练提供更完整、更准确的监督信号。
模块使用参数量更大、零样本分类能力更强的ViT-H-14 CLIP模型作为辅助标注工具，为源域图像生成包含多类别语义的软标签，补充原始硬标签未覆盖的图像语义信息。模块通过双标注者投票机制，融合数据集原始硬标签与模型生成的软标签：当两者预测的最高概率类别一致时，保留原始硬标签并做加权处理；当两者预测结果不一致时，按固定权重平衡两类标签，生成融合后的校准标签。同时，模块会降低置信度过低的样本权重，减少模糊样本对模型训练的干扰。
第二阶段：场景分层适配模块
该模块的核心目标，是基于校准后的高质量标签，针对不同源域的分布特征做分层适配，解决跨场景的分布偏移问题，全程不修改CLIP主干网络的参数。模块通过两个轻量化的分层组件，为不同场景设置独立的适配规则，避免用统一逻辑处理所有场景带来的适配不足问题。
第一个组件为场景专属提示词分层。为每个源域设置独立的可学习领域token，与固定的类别词嵌入拼接，生成对应源域的专属提示词，通过CLIP冻结的文本编码器生成适配对应场景的文本嵌入。训练过程仅优化领域token与少量可学习文本token，单组token参数量在千级别，每个场景的提示词相互独立，可单独调整。
第二个组件为场景专属原型分层。基于校准后的软标签，计算每个源域对应每个类别的特征原型，用该原型初始化对应场景的投影头权重。训练过程中，每个场景的投影头与对应场景的提示词联合优化，基于图文融合的计算结果调整参数，适配不同源域的特征分布，实现不同场景的分层适配。
实验验证与工程价值
该方法在5个主流领域泛化基准数据集上验证，基于ResNet-50 CLIP主干平均精度73.2%（相对基线提升5.7%），ViT-B-16 CLIP主干平均精度78.9%；消融实验验证标签补充与场景分层模块的正向叠加效应，超参数鲁棒性强，可训练参数量约0.35M，训练效率与标准线性探针持平。
两大核心模块独立设计，可接入现有模型管线，无需重训主干，支持并行开发与单独调整，降低迭代和试错成本，适配工业落地需求。
总结
LADA框架通过标签补充校准与场景分层适配的两阶段设计，解决领域泛化中的标签歧义与分布偏移问题，冻结主干网络且轻量化，实现分类性能提升，为预训练模型跨域适配提供数据优化与分场景适配的思路。
参考文献
Xiao, Z., Wang, H., Ye, Y., Ye, W., Chen, H., Chen, G., Zhao, J., & Ying, R. (2026). LADA: Label Disambiguation and Domain-Aware Learning for Domain Generalization. Machine Learning, 115, 53. https://doi.org/10.1007/s10994-025-06977-w