本文提出了一种多源领域自适应的新型框架MADAN，其中包括通过动态语义一致性生成每个源的适应域，通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合，以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明，MADAN模型优于现有的最先进方法.

Oct, 2019

该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

Dec, 2019

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。

Apr, 2020

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

本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示(既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。

Nov, 2020

本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

Jun, 2021

本文提出了一个直接自适应策略（ADAS）, 通过设计多目标域转移网络（MTDT-Net），使用目标自适应去标准化（TAD）模块将源域的特征转移到目标域，同时使用双向自适应区域选择（BARS）减少类标签之间的歧义。MTDT-Net和BARS的协作使ADAS在多目标域适应中取得了最先进的性能。

Mar, 2022

该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。

Dec, 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

提出了DEC，这是一个灵活的多源数据集的UDA框架，通过将语义类别进行分类，并使用仅在合成数据集上训练的集成模型将它们的输出融合，来解决研究中的合成多源数据集的挑战，以获得最终的分割掩模，并可以与现有的UDA方法相结合，在Cityscapes、BDD100K和Mapillary Vistas上实现了最先进的性能。

Jun, 2024