本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应（BiUDA）框架，来提高医疗图像分析中深度学习模型在不同领域间迁移性能，实验结果显示该框架优于当前先进的方法。

Aug, 2021

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

该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

Feb, 2024

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

Jan, 2024

本研究通过在源域和目标域约束特征，提出一种简单高效的无监督域自适应方法，即使用无领域先验 (DAP) 正则化交叉域表示学习，这种方法在将综合数据转移到真实数据的标准评估协议中，表现出优秀的语义分割准确性，对于提高模型的分类表现具有指导意义。

Apr, 2022

提出一种新颖的领域自适应扩散（DAD）模块和互学习策略（MLS），通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习，成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力，从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。

Aug, 2023

本文提出了一种可以在不同的视觉识别任务中推广的有效和高效的无监督域自适应技术 Spectral UDA（SUDA），该技术从两个方面解决了 UDA 的挑战，第一，引入了谱变换器（ST），通过同时增强源样本和目标样本的域不变谱的同时抑制域变谱来缓解跨域不一致性。第二，引入了多视域谱学习，通过最大化目标样本的多个 ST 生成的谱视图之间的互信息来学习有用的无监督特征表示。经过广泛的实验，SUDA 在目标检测、语义分割和图像分类等不同视觉任务中始终表现出优秀的准确性。此外，SUDA 还可以与基于 Transformer 的网络结合使用，在目标检测方面取得了最先进的成果。

Jun, 2021

本文提出了一种基于黑盒分割模型的无监督域自适应解决方案，利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示，并应用无监督熵最小化来规范目标域置信度，最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。

Aug, 2022