本文提出了一种基于领域适应的人群计数 (DACC) 框架，通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题，实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。
Dec, 2019
本文提出了一种基于域自适应的人群计数方法，通过多层特征感知适应和结构化密度映射对齐，可以有效地将模型从合成数据适应到特定的实际场景，并在四个主流监视人群数据集上显示出比同类交叉领域计数问题的最新方法更好的效果。
本文提出了一种新颖的基于像素的对抗域自适应算法，通过利用图像到图像翻译方法进行数据增强，并引入跨域一致性损失来强制使得我们的自适应模型产生一致的预测，从而在广泛的无监督域自适应任务中获得与最先进方法相当的表现。
Jan, 2020
本文提出了一种基于目标域一致性训练的无监督域自适应框架，通过新的损失项实现了模型对目标图像和扰动版本的像素级一致性，并在两个挑战性的合成到真实数据集上取得了非常优秀的结果。
May, 2021
本文研究了基于单一源域的元学习框架，通过引入动态子域分割方案及设计域不变和域特定群体记忆模块实现了人群计数中跨内容场景的领域泛化，通过多个标准数据集的实验验证了该方法的强大通用性。
Dec, 2022
本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。
Jun, 2021
通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。
Apr, 2022
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