该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。
Nov, 2017
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
本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。
Sep, 2020
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
本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略，能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。
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
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
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
该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。
Dec, 2023
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