本研究通过引入DomaIn Alignment Layers方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

Feb, 2017

本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。

May, 2019

本文提出了一种用于无监督域适应的新方法，该方法使用 PS-VAEs 和 CycleGAN 在目标数据集的标签分布与源数据集的标签分布不匹配的情况下进行特征对齐，以解决目标移位问题，并在分类和回归任务中取得了良好的效果。

Jan, 2020

我们提出了一种无监督领域适应方法，采用类条件域对齐的方法来解决领域内类别不平衡和领域间类别分布偏移的实际问题。我们提出了一种采样-based的隐式对齐方法，旨在减轻类别伪标签偏差问题。该方法通过移除对模型参数的伪标签显式优化，并使用伪标签隐式指导样本选择过程，以缓解领域对抗性学习中偏差的问题。理论分析表明在错误类别中存在一个域鉴别器快捷方式，该方法能够修复，并通过实验结果验证了其有效性，特别是在领域内类别不平衡和领域间类别分布偏移的情况下。

Jun, 2020

本文提出了一种名为ToAlign的有效的无监督领域适应方法，该方法通过性能指导的特征分解和对齐，在源域和目标域之间实现了任务导向的对齐来实现最优解。

Jun, 2021

本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法，并提出了一种新的优化策略。实验结果表明，它在分类和分割的无监督域自适应上具有很好的效果。

Jul, 2021

提出了一个广义的Unsupervised Domain Adaptation框架, 基于此直接实现了ViSGA算法, 通过视觉相似性分组来聚合特征, 并基于对抗训练进行群体对齐, 并将其应用在多源数据集中, 在Sim2Real和Adverse Weather数据集上取得了优于之前方法的性能。

Oct, 2021

提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

Aug, 2022

本文介绍了一种名为CASA的方法，使用条件对抗支持对齐来最小化源域和目标域的特征表示分布之间的条件对称支持差异，以提供更好的分类模型，同时提出了一种新的理论目标风险界来证明对比于现有的边缘支持对齐方法，对齐有条件的特征分布的支持更加优秀。实验结果表明CASA在不同的无监督域适配基准任务中的性能优于其他先进方法。

May, 2023

本研究解决了无监督领域适应中领域对齐与分类任务之间的冲突问题。提出的新方法“梯度协调”及其改进版本GH++，通过调整任务间的梯度角度来减少冲突，同时保持优化方向的稳定性。实验结果表明，这些方法能够显著提升现有UDA模型的性能。

Aug, 2024