本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法 CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。
Mar, 2023
通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。
Dec, 2018
本文提出了一种基于生成式回放的无监督分割方法 GarDA（用于连续域自适应），通过不断适应一系列新的未标记数据（无需访问旧数据），使得分割模型可以对多个不同的域进行适应，并表现出比现有技术有显著的优势。
Jan, 2023
本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。
本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。
Feb, 2021
本文提出了一种基于相关性感知的对抗式 DA 和 DG 框架，将源数据和目标数据的特征最小化，通过关联对齐模块和对抗学习来实现更加领域无关的模型，并在基准数据集上进行的实验证明了我们提出的方法的最新效果得到了改善。
Nov, 2019
我们提出了一种算法框架 GOAT，可在数据相关的方式下生成中间领域，以改进标准的逐渐领域自适应（GDA）的性能，显著扩大 GDA 的实际应用场景。
Oct, 2023
本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除 RoI 特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。
Mar, 2022
通过无监督领域变化检测方法，该论文解决了传统测试时适应方法在动态环境中适应连续变化的目标分布时所面临的挑战，包括之前学习的有价值源知识的灾难性遗忘和由于错误标签的错误校准而导致的渐进性误差积累问题。
Nov, 2023
提出了一个基于权重平均和增强平均预测的持续测试时间自适应方法，在长期内实现了所有神经网络参数的适应，同时有效避免了疾病遗忘和噪声伪标签带来的错误积累，该方法处理的问题主要集中在测试时间域适应和深度学习等领域。