本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在 VisDA 上实现了最先进的性能（85.4％）。

Aug, 2021

提出了一种用于 Source-Free Domain Adaptation 的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

Oct, 2023

本文研究了源自由的领域自适应问题，提出了使用图像转换方法将目标图像的风格转换为未见过的源图像的方法，从而使得使用预训练模型对转换后的图像进行分类可以得到更高的准确率。

Aug, 2020

灵活的源免领域自适应（SFDA）框架，通过融合预训练网络，提升了适应性能，并能成功整合现有的 SFDA 方法。

May, 2024

通过数据增强技术，我们提出了一种名为 SF (DA)^2 的新方法，它克服了先前能提出的源无关域适应方法在类保持变换和内存、计算需求等方面的挑战，并在 SFDA 场景中展现了卓越的适应性能。

Mar, 2024

本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

Apr, 2022

我们介绍了一种源数据自由的领域自适应方法，使用预训练模型自学习来更新目标模型，通过基于自熵的准则选择可靠样本以定义类的原型，并用伪标签为每个目标样本分配标签以训练目标模型，最终得到比传统领域适应方法更好的结果。

Jul, 2020

本文针对只能使用源模型进行目标领域自适应 (SFDA) 的问题，设计了一种集成多分类器的方法，其中第二个分类器旨在寻找源模型中错误分类的特征以实现 SFDA，并在多个基准数据集上验证了实验结果。

Oct, 2020

该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

Aug, 2022

本文介绍了一种新的方法，利用扩散模型 (Diffusion Models) 对源无关域适应 (Source-Free Domain Adaptation, SFDA) 的一般化能力。我们提出的 DM-SFDA 方法包括对预训练的文本 - 图像扩散模型进行微调，以利用目标图像特征来指导扩散过程，生成源域图像。具体来说，预训练的扩散模型通过微调生成能够在预训练的源模型中最小化熵并最大化置信度的源样本。然后，我们应用已建立的无监督域适应技术来将生成的源图像与目标域数据对齐。我们通过包括 Office-31、Office-Home 和 VisDA 在内的多个数据集进行了全面实验验证。实验结果突出了 SFDA 性能的显著提升，展示了扩散模型在生成与上下文相关的域特定图像方面的潜力。

Feb, 2024