本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。
Oct, 2018
该研究提出了一种名为PyCDA的自我激励金字塔课程域自适应方法，用于将语义分割神经网络从合成源领域适应到真实目标领域中， 并在无监督域适应语义分割中得到了最先进的结果。
Aug, 2019
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
本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。
Jul, 2020
本文介绍了一种基于自监督深度估计来缩小源域和目标域之间领域漂移的方法，该方法旨在增强目标语义预测，并使用深度预测的差异来明确像素级适应难度，进而修正目标语义分割伪标签。在SYNTHIA-to-Cityscapes和GTA-to-Cityscapes基准任务上，我们分别实现了55.0％和56.6％的新的最先进性能。
Apr, 2021
本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。
May, 2021
本研究致力于在无监督域自适应的背景下，解决深度神经网络在语义分割任务中出现的领域转移问题，提出了一种新的低层适应策略和有效的数据增强方法，可以有效地提高分类边界上的表现。
Oct, 2021
一个基于自训练网络的语义分割框架，该框架主要包含两个部分：正样本提取和负样本提取，以及选用了启发式的互补标签选择方法。通过实验可知，该框架在广泛应用的合成到实际领域的语义分割任务上表现出了很高的性能。
本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。
Dec, 2021
本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在GTA5toCityscapes和SYNTHIA2Cityscapes基准数据集上取得了显著的效果优于之前的方法。
Aug, 2023