本文介绍了针对语义分割的无监督域自适应（UDA）的新方法 —— 开放复合域自适应（OCDA）。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。

Oct, 2021

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

本研究提出了一种基于元学习的元矫正框架，在无标记目标域上进行语义分割模型的无监督域自适应。通过噪声转移矩阵来模拟目标域伪标签噪声分布，建立元数据集来估计噪声转移矩阵，进而进行噪声矫正以增强模型对目标数据的泛化能力。实验结果表明该方法在三个基准测试上优于现有技术水平。

Mar, 2021

提出了一种基于增强型筛选伪标签的无监督域自适应 (Unsupervised Domain Adaptation, UDA) 方法，用于三维医学图像分割，通过交叉域数据增强生成高质量伪标签，结合标注的源域图像和目标域伪标签进行模型训练，在多个公共多模态数据集上表现优于十种先进的 UDA 方法，并在某些情况下甚至超过了全监督学习的效果。

Apr, 2024

本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

Nov, 2022

本研究旨在利用边缘信息作为先导任务来促进无监督域自适应的语义对齐，为此我们提出了一种多任务框架，使用磁共振成像（MRI）切片和初始边缘图像作为输入，学习轮廓适应网络和语义分割适应网络。在 BraTS2018 数据库上的实验结果证明了本方法的有效性和优越性。

Jan, 2022

使用自注意力图像翻译、不确定性约束下的伪标签改进和三维自我训练的简单而有效的 SDC-UDA 框架通过无监督域适应在医学图像领域中可以实现病态标记数据从一个成像模态到具有无标签标签的另一个成像模态的转换，其在分割精度和在切片方向上连续性上均表现出优异的性能。

May, 2023

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

提出一种基于深度学习的多模态方法，通过有意义的联合嵌入来弥合模型训练中数据不足的信息差距，并通过跨模态数据幻觉框架提出了一个区分性文本条件生成对抗网络，改进了基于 CUB 数据集的一、二、五次学习的模型准确性。

Jun, 2018

本文提出了一种新颖的半监督元学习框架，其中包括解缠结和显式对与领域位移相关的表示进行建模，对于医学图像分割问题，这项技术表现良好，尤其在有限的标注数据情况下具有更好的一般化性能和鲁棒性。

Jun, 2021