本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。
Nov, 2018
本文提出一种名为“存储器规则化”的正交方法，该方法旨在利用场景内部知识和规范化模型培训，以解决无监督的场景适应问题。通过使用模型本身作为存储模块并减少两个分类器之间的不一致性来提高模型性能，并在GTA5->市景和SYNTHIA->市景两个场景以及市景->牛津机器人汽车三个基准测试中验证了其有效性。
Dec, 2019
本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。
May, 2020
本文提出一种基于神经网络的自适应框架，借助神经架构搜索技术优化网络结构，使用最大均值差异和区域加权熵估计准确性度量，实现语义分割任务的无监督域自适应，提高现有自适应技术的性能表现。
Jun, 2021
本研究致力于在无监督域自适应的背景下，解决深度神经网络在语义分割任务中出现的领域转移问题，提出了一种新的低层适应策略和有效的数据增强方法，可以有效地提高分类边界上的表现。
Oct, 2021
该论文提出了一种无监督在线适应方法，名为AuxAdapt，用于提高神经网络模型的时域一致性，通过利用一个辅助分割网络（AuxNet）对原始的分割网络（Main-Net）的决策进行针对性的修改，实现对视频序列的快速、准确、稳定的训练。
提出了一种新的问题表述和相应的评估框架来推进无监督领域自适应语义图像分割的研究；介绍了一种在线学习的协议，旨在解决现有协议对于模型的领域局限性和离线学习性质导致算法难以在不断变化的环境中连续自适应的问题，并伴随着多种基准算法和广泛的行为分析。
Mar, 2022
本文介绍了一种针对语义分割的在线域自适应框架，能够有效地适应不断变化的域，包括降雨和雾霾天气，同时避免了之前域的灾难性遗忘现象。
Jul, 2022
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
HAMLET是为实时领域自适应设计的硬件感知模块化最低成本训练框架，通过硬件感知反向传播编排代理（HAMT）和专用领域转移检测器实现主动控制模型适应的时间和方式，在单个消费级GPU上以超过29FPS的速度执行语义分割的同时进行自适应。实验结果在OnDA和SHIFT基准上证明了我们框架的令人鼓舞的准确性和速度折衷。
Jul, 2023