本文提出了一种基于交叉关注机制的无监督域自适应方法，用于在语义分割中将一个域中的知识转移到另一个域中，通过对自注意力机制的改进，能够更好地适应上下文依赖性和转移可操作的上下文信息，优于现有的方法。

Mar, 2020

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种ClassDrop掩蔽生成算法和ClassOut策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理GTA5到Cityscapes和SYNTHIA到Cityscapes等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

Jul, 2020

本文提出了一种基于区域对比一致性正则化（RCCR）、动量投影头和记忆库机制的无监督域自适应语义分割方法，旨在提高在不同环境下的分割精度。实验证明，该方法优于现有的基准方法。

Oct, 2021

本文提出了一种多分辨率训练方法HRDA，结合小的高分辨率裁剪和大的低分辨率裁剪，以及学习到的比例关注，以保留精细的分割细节和捕获远程、域鲁棒性的上下文信息，从而显著提高了语义分割的UDA性能，并使其在GTA到Cityscapes和Synthia到Cityscapes的mIoU上分别达到了73.8和65.8。

Apr, 2022

该研究系统地研究了在领域自适应语义分割任务中应用Mixup的影响，并提出了一种简单而有效的混合策略 - 双向域混合（BDM），与多种最先进的自适应模型相结合，观察到了一致的显著改进。

Mar, 2023

本文提出了一个双层互动的域自适应(DIDA)方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。

Jul, 2023

本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在GTA5toCityscapes和SYNTHIA2Cityscapes基准数据集上取得了显著的效果优于之前的方法。

Aug, 2023

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在GTA->Cityscapes数据集上达到了显著的UDA性能，mIoU为76.93%，比先前最先进结果改善了1.03个百分点。

Apr, 2024

提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型(BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS在具有挑战性的OSDA-SS场景中有效地检测未知类别。

May, 2024