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
本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。
Apr, 2020
本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。
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
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
通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在Cityscapes数据集上的表现始终优于最先进的方法。
Apr, 2022
基于深度学习的解决方案如何在面对与训练数据不同特征的情况下, 语义分割会有性能下降的问题, 针对此问题提出了一种无监督领域适应的方法, 利用辅助伪标签优化网络进行自训练, 实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.
Oct, 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