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

该研究提出了一种名为PyCDA的自我激励金字塔课程域自适应方法，用于将语义分割神经网络从合成源领域适应到真实目标领域中， 并在无监督域适应语义分割中得到了最先进的结果。

Aug, 2019

本文提出了一种基于多级自监督学习模型的语义分割域自适应方法，通过分割多个子图像来生成空间独立且语义一致的伪标签，并计算图像级伪弱标签来捕捉源域和目标域中的全局上下文相似性，从而在像素数很少（例如小物体）的情况下帮助潜在空间学习表示。该方法在GTA-V到Cityscapes和SYNTHIA到Cityscapes的适应中均取得了优于现有方法的性能表现。

Sep, 2019

本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。

Apr, 2020

本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

May, 2020

本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。

Jul, 2020

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

本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。

May, 2021

本文提出了一种基于自我监督学习和图像翻译的双路径学习框架(DPL)，以减轻在单域范式下(源域或目标域)导致的可视化不一致性，并通过双路图像翻译和双路自适应分割等创新技术推广两种方法在交互方式下相互促进，实验结果表明，DPL模型比现有的基于自我监督学习和图像翻译的自适应分割方法具有更好的性能。

Aug, 2021

本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

Dec, 2021