本研究提出一种用于视觉领域适应的CNN架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015

该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

Nov, 2017

本文提出了一种多任务深度网络学习通用高级视觉表示的方法，并通过对人工制成的图像进行训练来克服真实与合成数据之间的领域差异，模型考虑同步从合成 RGB 图像中预测其表面法向、深度和实例轮廓，并最小化真实和合成数据之间特征空间的差异，在广泛实验的基础上，表明我们的网络相比单任务基线学习到更具有可转移性的表示，使得在 PASCAL VOC 2007 分类和 2012 检测上能够产生最先进的迁移学习结果。

Nov, 2017

本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

Feb, 2018

本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

Apr, 2019

本文系统概述了用于计算机视觉应用的深度域自适应方法，涵盖了深度架构在领域自适应中的运用、深度视觉域自适应的发展趋势，并介绍了可应用于这些模型的其他改进策略。

Dec, 2020

该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异，以提高半监督领域自适应的性能，结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。

Mar, 2021

本文介绍了一种基于自监督深度估计来缩小源域和目标域之间领域漂移的方法，该方法旨在增强目标语义预测，并使用深度预测的差异来明确像素级适应难度，进而修正目标语义分割伪标签。在SYNTHIA-to-Cityscapes和GTA-to-Cityscapes基准任务上，我们分别实现了55.0％和56.6％的新的最先进性能。

Apr, 2021

本文针对无监督领域适应(Unsupervised Domain Adaptation)问题，提出了一种编码视觉任务关系的方法，通过引入交叉任务关系层(Cross-Task Relation Layer)和迭代自学习(Iterative Self-Learning)训练策略，能够更好地捕捉任务之间的互补信息，在语义分割与单目深度估计的两个任务上实验验证了方法的有效性。

May, 2021

本文提出一种自监督学习的新训练策略，通过图像转换网络实现在合成和真实领域之间的域不变表示学习，从而提高单张图像深度估计在现实世界中的泛化能力。实验结果表明，该方法在KITTI和Make3D数据集上均优于现有技术。

Jun, 2021