开放式复合领域自适应
我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架，以自动检测目标数据中出现的新类别并将其丢弃，从而在开放域适应中显著优于现有技术。
May, 2018
该研究提出了一种实用的域自适应范式——增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于CIDA范式中的DA和CI方法。
Aug, 2020
提出了一种基于元学习的OCDA方法MOCDA，通过对未标记的目标域进行连续建模，利用图像样式将其划分为多个子目标域，同时在线使用MAML算法来更新模型，实现在合成到真实的知识转移基准数据集上取得最优性能的目的。
Dec, 2020
本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过Cross-Patch Style Swap框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。
Jun, 2021
本文介绍了针对语义分割的无监督域自适应（UDA）的新方法——开放复合域自适应（OCDA）。该方法基于“发现、臆造、适应”三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的OCDA问题转化为多个简单的UDA问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。
Oct, 2021
本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能
Nov, 2022
本文提出了一种基于VLM的开放词汇无监督领域自适应框架，并通过Prompt Ensemble Self-Training技术来提高领域间的图像和文本分布的转移灵活性和效率， 实验结果表明其在10个图像识别任务中比目前最先进的技术表现更优秀。
Jun, 2023
应用Stochastic Compound Mixing方法进行开放式复合领域适应，通过降低源域与混合目标域之间的差异来改善模型泛化性能，这种方法在OCDA语义分割任务上实现了更低的经验风险，并与SoTA结果相比有显着的性能提升。
May, 2024