本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

Oct, 2018

本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

Sep, 2019

本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在'GTA5 to Cityscapes'和'SYNTHIA to Cityscapes'数据集上的任务中获得更好的性能表现。

Aug, 2020

本研究提出了一种 Two-phase Pseudo Label Densification （TPLD）框架来解决自我训练中的次优模型问题，该框架在处理有序标签方面取得了显着改善，并与现有的CRST自我训练框架相结合，在标准的UDA基准测试上实现了最新的技术成果。

Dec, 2020

提出了循环自训练算法，通过引入Tsallis熵作为可信度友好的正则化方法，使得在无监督领域适应中的伪标签与真实目标具有更好的泛化性，实现基于无标注目标数据的迁移学习。

Mar, 2021

本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

Jul, 2022

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

该研究提出一种基于深度信息的结构性正则化方法，将物体对比约束融入传统的自学习目标中，通过 RGB 图像和深度图像的多模态聚类，实现对真实物体的一致性提取。在多个无监督领域自适应测试中，改进的方法在语义分割方面取得了显著效果提升。

Apr, 2023

基于深度学习的解决方案如何在面对与训练数据不同特征的情况下, 语义分割会有性能下降的问题, 针对此问题提出了一种无监督领域适应的方法, 利用辅助伪标签优化网络进行自训练, 实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

Oct, 2023

无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

Feb, 2024