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

本文提出了一种名为BiSIDA的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA在两种常用的合成-真实领域自适应基准测试中取得了最新的最优结果。

Sep, 2020

本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的“类别级别特征分布”指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

Mar, 2021

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

本研究基于最新的神经网络架构研究了无监督域适应（UDA）领域，在语义分割方面揭示了Transformers的潜力。基于研究结果，本研究提出了一种新的UDA方法DAFormer，并且通过三种简单却至关重要的训练策略，DAFormer的实现在GTA-to-Cityscapes和Synthia-to-Cityscapes语义分割任务中取得了比目前最先进方法更好的表现。

Nov, 2021

提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准UDA方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

Apr, 2022

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的UDA方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022

该研究提出两种新的神经网络框架（DAFormer和HRDA）来解决在未标记或不可见目标域上使用源域模型的问题，以提高无监督领域适应和领域泛化的性能，并在多个基准测试中取得了显著的改进。

Apr, 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