使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。
Mar, 2024
本文提出了一种基于课程学习策略和链式数据增强的傅里叶域自适应方法，用于解决医学图像分割模型在不同域之间性能下降的问题。实验证明该方法在多个任务中表现出显著的自适应和泛化性能。
Jun, 2023
本文提出了一种基于傅里叶的领域泛化新视角，通过开发一种称为幅度混合的新型傅里叶数据增强策略，来强制模型捕获高级语义信息，同时在原始图像与增强图像之间引入了一种双重一致性损失方法，取得了领域泛化的最新成果并显著提高了性能。
May, 2021
基于傅里叶变换的域泛化方法利用软阈值函数增强了视网膜底图像分割的性能，提高了神经网络模型在不同源领域下的泛化能力。
Sep, 2023
本文提出了一种基于无监督域自适应的语义分割方法，通过核密度估计将目标数据分布匹配到源数据的特征空间中，从而减轻对目标数据进行标注的需求，提高了多地点前列腺 MRI 和组织病理学图像分割结果的可比性和优越性。
May, 2023
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
本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。
Nov, 2022
该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。
Sep, 2020
本文提出一种基于 Fourier 的语义增强方法 FIESTA，利用不确定性指导增强过程，通过操纵频率域中的振幅和相位组件来增强医学图像分割的基本目标，在单源域通用性的背景下，通过调整有意义的角点来引入相关变化，利用相位光谱确保结构的一致性。此外，FIESTA 使用先验不确定性来优化增强过程，提高模型适应多样化增强数据和集中处理高不确定性区域的能力。在三种跨领域场景的大量实验中，显示 FIESTA 在分割性能上超过了最近的最先进的单源域通用方法，并显著促进了模型在医学成像模态中的适用性。
Jun, 2024
本文提出了一种基于图傅里叶变换的领域自适应方法，通过学习源图上标签函数的频谱，并将频谱信息转移到目标图上，重建目标图上未知的标签函数，实现分类问题中的半监督学习与域自适应，实验结果表明该方法在图像，在线产品评论和社交网络数据集上的分类效果优于现有方法。
Mar, 2018