本文介绍了针对语义分割的无监督域自适应（UDA）的新方法 —— 开放复合域自适应（OCDA）。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。

Oct, 2021

本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。

Jun, 2021

本文提出了一种基于多教师框架的光度混合自适应分割方法，用于解决开放式复合领域自适应问题，比现有方法效果更好。

Jul, 2022

应用 Stochastic Compound Mixing 方法进行开放式复合领域适应，通过降低源域与混合目标域之间的差异来改善模型泛化性能，这种方法在 OCDA 语义分割任务上实现了更低的经验风险，并与 SoTA 结果相比有显着的性能提升。

May, 2024

提出了一种基于元学习的 OCDA 方法 MOCDA，通过对未标记的目标域进行连续建模，利用图像样式将其划分为多个子目标域，同时在线使用 MAML 算法来更新模型，实现在合成到真实的知识转移基准数据集上取得最优性能的目的。

Dec, 2020

本文提出了一种基于课程域适应策略和记忆模块的方法，以处理由多个同质域组成的无标签复合目标域的开放复合域适应问题。实验证明我们的方法在数字分类，面部表情识别，语义分割和强化学习上非常有效。

Sep, 2019

本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020

该研究提出了一种基于 APAT 和自我培训的条件引导适应框架，能够有效地推理出目标域中的多模态特征，从而提高语义分割模型在天气等异构子域中的鲁棒性。各种实验结果表明，该方法（DCAA）在目标域的天气变化等复杂情景下，相比基线和现有方法有着显著的优越之处。

Dec, 2020

我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。

Jan, 2024

使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。

Mar, 2024