本文提出了一种使用风格迁移算法来多样化合成图像纹理，然后通过自训练来微调模型以适应目标域纹理的领域自适应方法，以实现更好的语义分割性能。

Mar, 2020

本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020

本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。

Jul, 2020

本文提出了基于结构语义分割输出中成对像素协同模式的特征不变性，利用源域和目标域之间的亲和力空间进行领域自适应，提出了两种亲和力空间自适应策略，在多个具有挑战性的语义分割问题上，所提出的方法优于现有方法。

Sep, 2020

本研究提出了一种基于内容和风格分离的零风格损失的无监督域自适应方法，通过将合成数据的标注用于真实数据的分割，有效地解决了语义分割中的领域间差异和类别不平衡问题。

Dec, 2020

本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

Apr, 2021

本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

Dec, 2021

本研究提出了一种新的域自适应语义分割方法T2S-DA，通过将目标特征拉近到源特征中来提高模型的跨域特征表示性能；同时，该方法还采用动态加权策略，使模型可以更好地集中在那些表现较差的像素类别上。实验结果证明，T2S-DA方法学习的表示性能更加明显和具有一般性，且比现有的方法表现更优秀，同时还验证了其领域不变性属性。

May, 2023

本文提出了一个双层互动的域自适应(DIDA)方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。

Jul, 2023

提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型(BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS在具有挑战性的OSDA-SS场景中有效地检测未知类别。

May, 2024