该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

Nov, 2017

本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

Feb, 2018

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

该研究提出了一个领域自适应方法，以学习具有辨别性的特征表示，并使用对抗学习来将目标领域中的特征表示推向源领域中的分布，从而实现了对未标注目标领域的预测。

Jan, 2019

该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

Mar, 2020

本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

Apr, 2020

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

本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个UDA基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。

Sep, 2021

该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。

Dec, 2023

通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。

May, 2024