我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

Mar, 2024

我们提出了一种新的半监督领域泛化方法，利用模型平均的不确定性引导伪标签技术，在有限标签的情况下缓解对源领域的过拟合，并在关键代表性领域泛化数据集上证明了其有效性。

Jan, 2024

本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。

Oct, 2021

通过联合使用半监督学习与领域泛化方法，提出了 SSL-DG，实现了在有限标注数据下的跨域泛化效果，并在两个具有挑战性的领域泛化任务中显著优于现有方法。

Nov, 2023

本文介绍了一种名为 ProUD 的新算法，通过领域感知原型以及标记和未标记领域的不确定性自适应混合，有效地学习领域不变特征，解决了领域之间数据不平等的问题，并在三个不同的基准数据集上进行的实验证明了 ProUD 的有效性，胜过所有基线模型，包括单领域泛化和半监督学习。

Mar, 2024

本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

Feb, 2022

该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

Mar, 2021

本文提出了一种称为 DGSML 的方法，它结合了元学习的情节训练和半监督学习，利用基于熵的伪标签方法为无标签样本分配标签，并利用新的差异性损失和对齐损失实现域不变表示的学习，进而提高领域泛化能力。实验结果表明，DGSML 优于现有领域泛化和半监督方法。

Sep, 2020

提出了一种名为 DualMatch 的新型半监督学习方法，其中类别预测以双层交互方式调用特征嵌入，通过一致的正则化确保不同的增强视图受到一致的类别预测约束，并确保同一类别的不同数据具有类似的特征嵌入，实验证明了 DualMatch 的有效性。

Oct, 2023

本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。

Aug, 2021