本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

Jul, 2020

通过训练深度学习模型将 CT 图像的肝脏分割模型迁移到 MRI 图像分割任务中，通过领域自适应方法中的分解表示方法，我们将一个域中的图像映射到共享内容空间和特定样式空间中，这使得我们在多模式医学图像领域实现了高精度的肝脏分割。

Jul, 2019

本研究提出了一种新型的深度学习框架，能够从多个领域的数据中学习到不变的表示，通过对抗性训练和利用特定领域信息的能力，实现持续的跨领域图像转换和操纵，并相应地产生期望的输出图像。此外，所得到的特征表示在无监督域自适应方面表现出卓越的性能，也证明了该模型学习描绘跨领域数据的分离特征的有效性。

Sep, 2018

本文提出了一种基于生成对抗网络和自动编码器的双向图像转换方法，通过交叉域解缠表示技术，将内部表示分离成共享部分和专有部分，并可在不需要标注数据的情况下实现多模数据分布下的区分和检索。在多模图像翻译任务中，该模型优于现有的最新模型，并在具有挑战性的数据集上表现出更好的结果。

May, 2018

本文提出了一种利用解脱分析提高保持领域适应性能的方法，通过分别提取共同特征和特定领域特征，可以合成更多带有监督的目标域数据，从而提高领域适应性能。

May, 2018

本文提出了一种基于离散语义表示的领域自适应方法，利用变分自编码器从数据中重建得到语义和域的变量，并通过双重对抗网络将其分离，实现在不同领域间的领域不变语义表示，达到了最先进的性能表现。

Dec, 2020

该研究提出了 DRANet, 一种网络结构，用于无监督跨域适应，通过在潜在空间中区分图像表示并转移视觉属性。实验显示，该方法成功地分离内容 - 风格因素并合成视觉上令人愉悦的领域转移图像，并在标准数字分类任务和语义分割任务上展示了先进的性能。

Mar, 2021

提出了一种用于跨域人脸展示攻击检测的高效解耦表征学习方法：DR-Net 和 MD-Net。实验表明，该方法有效解决了传统方法中因训练集主体特征过拟合而导致无法很好地泛化到未知情景的问题。

Apr, 2020

该研究提出了一种基于解缠表示的方法，用于在无成对的训练图像的情况下产生多样化的输出，在领域适应方面具有竞争性表现，并且在多种任务上可以生成多样化与逼真的图像。

Aug, 2018

我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

Oct, 2023