本文介绍了一种全新的网络架构 EDAPS，它使用共享的、domain-robust 转换器编码器，以方便语义特征和实例特征的联合适应，但还针对域适应的语义和实例分割任务的特定要求设计了任务特定的解码器，从而显著提高了挑战性 panoptic 基准测试的性能。

Apr, 2023

通过自学习方法在合成到真实的领域适应问题设置中，开发了一个基于嵌入的自学习全景分割框架。

Nov, 2023

本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。

Sep, 2020

本研究主要针对无人车自主驾驶问题，通过领域自适应的方式解决了对 360 度视角全景图像中层次分割的无监督学习问题；通过新的数据集 DensePASS，以及基于关注机制的自适应算法框架 P2PDA 实现了从针孔图像到全景图像的专业语义分割。实验证明，该框架相比于其他无监督学习和全景图像分割方法，有着更高的准确率和更高的效率。

Oct, 2021

本文提出一种特征级别的空间塑形正则化策略来减少语义分割中的域差异，从而在自动驾驶设置中实现了多种合成到实际路景基准的最先进结果。

Apr, 2021

本文提出两个方法优化无标记数据域的学习分类器，分别是相位保持法和生态统计法，应用于语义分割任务中，结果表明加入这两个方法能够在各种无监督领域自适应的基准测试中提高性能。

Apr, 2020

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

本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法，该方法利用荧光显微镜图像进行学习，并引入对源域的偏置特征的动态修正机制，以实现跨数据集的域适应，实验结果表明，该方法在三个数据集上优于最先进的无监督域自适应方法，同时表现出类似于完全监督方法的性能。

May, 2020

本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。

Dec, 2020

本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

Apr, 2021