본 논문은 Unsupervised Domain Adaptation (UDA)에서 고신뢰도 의사 라벨링된 타겟 도메인 샘플(hcpl-tds)의 부족으로 인한 도메인 적응 실패 문제를 해결하기 위해, 조건부 확산 모델의 생성 능력과 도메인 적응의 의사결정 요구사항을 통합한 NOCDDA (Noise Optimized Conditional Diffusion for Domain Adaptation) 방법을 제안합니다. NOCDDA는 노이즈 변화에 따른 교차 도메인 샘플에 대한 순방향 학습을 가능하게 하는 통합 최적화 프레임워크 내에서 조건부 확산 분류기와 DA 분류기를 정렬하여 강력한 교차 도메인 일관성을 확보합니다. 또한, 기존 확산 모델의 \mathcal{N}(\mathbf{0}, \mathbf{I}) 초기화가 클래스 혼동을 야기하는 hcpl-tds를 생성하여 판별적 DA를 저해하는 문제를 해결하기 위해, 클래스 인식 노이즈 최적화 전략을 도입하여 역 클래스별 hcpl-tds 생성을 위한 샘플링 영역을 개선합니다. 5개의 벤치마크 데이터셋과 29개의 DA 작업에 대한 광범위한 실험을 통해, NOCDDA가 31개의 최첨단 방법보다 상당한 성능 향상을 보임을 보여줍니다.
