本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

Feb, 2020

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

本研究提出了一种使用生成对抗网络，在学习的联合特征空间中利用无监督数据来使源分布和目标分布更接近的方法，并在不同难度的实验环境中表现出卓越的性能，展示了我们方法的强大和广泛性。

Apr, 2017

本文针对 GAN 模型在非对称翻译任务中的不足，提出了一种 AsymmetricGAN 模型，采用不对称大小和不同参数共享策略的翻译和重建生成器，以适应不对称需求，在无监督和有监督的图像翻译任务中，提出了不同的优化损失来提高 AsymmetricGAN 的训练效果和稳定性，并通过多个公开数据集的实验，证明了该模型比现有的 GAN 模型具有更强的模型能力和更好的生成效果。

Dec, 2019

本研究提出了一种新型生成对抗网络（MiddleGAN），通过输入源域和目标域相似的样本生成领域无关样本，以训练处理目标领域分类任务的分类器，通过在 24 个基准测试中的实验证明，在特定的基准中，MiddleGAN 在现有算法中的表现出了高达 20.1％的优异性能。

Nov, 2022

研究如何转移使用 GAN 训练的一个图像领域到一个新的领域，只需一个目标图像；通过使用属性适配器和属性分类器的轻量级模块，对生成器和鉴别器进行改进，从而提高合成质量和多样性，并在训练过程中约束生成领域的多样性，不仅在各种设置下带来了具有吸引力的结果，而且能够在几分钟内提供稳健的收敛。

Nov, 2021

本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。

Sep, 2022

本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

Nov, 2017

介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

Jan, 2017

提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

Jul, 2022