单次生成对抗网络域自适应
本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。
Sep, 2022
本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。
Dec, 2016
通过引入新的任务 —— 少样本混合领域适应（HDA），本研究在给定源生成器和多个目标领域的情况下，提出了一种方向子空间损失的判别器无关框架，以获取保留所有目标领域综合属性的适应生成器，并保留源领域的特征。实验证明，该方法可以在单个适应生成器中获得许多领域特定属性，超过了基准方法在语义相似度、图像保真度和跨领域一致性方面的表现。
Oct, 2023
本文提出了一种框架，通过迭代优化和样式混合技术，生成与给定 one-shot 示例相同分布的人脸图像，可用于增强下游任务的训练数据，并在检测人脸操作方面表现出较高有效性，与其他少样本领域适应方法相比具有优越性。
Mar, 2020
介绍了一种用于一次性域自适应的新方法，使用训练有素的 GAN 可以在域 A 和域 B 中生成图像，通过提出的算法可以将训练有素的 GAN 的任何输出从域 A 转换到域 B，相对于目前的技术水平，该解决方案有两个主要优点：首先，我们的解决方案实现了更高的视觉质量，例如显着减少了过度拟合；其次，我们的解决方案允许更多的自由度来控制域差距，即使用图像 I_B 的哪些方面来定义域 B。
Oct, 2021
本研究提出了一种使用生成对抗网络，在学习的联合特征空间中利用无监督数据来使源分布和目标分布更接近的方法，并在不同难度的实验环境中表现出卓越的性能，展示了我们方法的强大和广泛性。
Apr, 2017
本研究提出了一种对称映射的生成对抗网络用于不同领域的图像之间进行双向的图像变换，并结合目标自我标记和新的一致性分类损失来优化生成器的输出，实验表明该方法能超越前人在四个基准数据集中无监督领域适应方面的最新研究进展。
May, 2017
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。
Feb, 2017