基于扩散的目标采样器用于无监督领域自适应
本文研究了在共享类别不足的情况下，非监督领域自适应问题。文章提出了一种有效的评分机制来鉴别共享类别的样本，并将评分应用于训练过程中选择目标领域中的伪标签样本。文章中的另一个损失函数鼓励每个批次内标签的多样性。综合来看，我们的方法在文献基准测试中表现出比现有技术更强大的性能。
Jan, 2020
本文提出了一种用于无监督域适应的新方法，该方法使用 PS-VAEs 和 CycleGAN 在目标数据集的标签分布与源数据集的标签分布不匹配的情况下进行特征对齐，以解决目标移位问题，并在分类和回归任务中取得了良好的效果。
Jan, 2020
本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。
Mar, 2021
本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术
Jun, 2021
本文提出了一种基于伪源域的方法，通过生成和扩充伪源域，引入四种新的基于伪标签的策略 loss 进行分布对齐，并在伪源域和剩余目标域之间引入一个域对抗损失，以减少分布漂移，从而有效地解决了无监督域自适应的问题。
Sep, 2021
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
本文提出了一种针对仅有一个无标签目标样本进行领域自适应的方法，引入了一种新颖的框架，结合数据增强、样式对齐和分类器三个模块，利用目标样本的风格来指导增强，从而在Digits and DomainNet基准测试上优于或与现有方法相当。
May, 2023
本文提出了一种称为Transfer Score的度量标准，它通过评估分类器的空间均匀性、特征空间的传递性和区分度，实现了无监督评估域自适应模型的功能，并在公共数据集上进行了广泛的实证研究，证明了Transfer Score度量标准在评估和提高自适应技术整体效果方面的工具性和潜力。
May, 2023
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
通过引入类别信息和领域分类器，DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域，从而提高了转移性能。DACDM 在各种基准测试中的大量实验证明了其对现有无监督领域自适应方法性能的显著提升。
Sep, 2023