本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示(既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。

Nov, 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领域适应策略 - “交叉模态学习”，在无监督和半监督领域适应设置下，通过两种模式的相互模仿实现模态之间的一致性，在3D语义分割任务中证明了该方法的有效性

Jan, 2021

本文介绍了一种基于“分离表达学习”的双向无监督领域自适应（BiUDA）框架，来提高医疗图像分析中深度学习模型在不同领域间迁移性能，实验结果显示该框架优于当前先进的方法。

Aug, 2021

通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。

Oct, 2021

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的UDA方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022

通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为T-UDA（时间UDA），该方法在驾驶场景的3D语义分割任务中取得了显著的性能提升。

Sep, 2023

利用2D视觉基础模型(VFM)的先验知识，我们提出了一种新的VFMSeg流水线，通过利用这些模型来进一步增强跨模态的无监督领域自适应框架，以提供更精确的无标签目标领域标签并改善整体性能。

Mar, 2024

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

提出了DEC，这是一个灵活的多源数据集的UDA框架，通过将语义类别进行分类，并使用仅在合成数据集上训练的集成模型将它们的输出融合，来解决研究中的合成多源数据集的挑战，以获得最终的分割掩模，并可以与现有的UDA方法相结合，在Cityscapes、BDD100K和Mapillary Vistas上实现了最先进的性能。

Jun, 2024