本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

Apr, 2018

通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

Jun, 2018

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016

本文提出了一种基于 Unet-GAN 的通用框架，通过无需注释的跨供应商训练和适应性学习来解决困扰医疗场景下声图图像分割问题的难题。

Oct, 2019

本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

Aug, 2018

本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

本文介绍的第一种领域自适应语义分割方法，提出了一种针对像素预测问题的无监督对抗方法，该方法包括全局和类别特定的适应技术，它使用具有全卷积领域对抗学习的新型语义分割网络进行全局领域对齐，然后通过弱学习的推广进行类别特定适应，这使得从源域传递到目标域的空间布局的显式转移成为可能，本方法在多个大规模数据集上优于基线方法，包括适应各种真实城市环境、不同合成子域，从模拟到真实环境，并且在一个新的大规模仪表盘相机数据集上也具有很好的表现。

Dec, 2016

本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

Apr, 2019

本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

Sep, 2018

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