该研究论文提出了一种无监督学习方法，它通过显式地从噪声数据中学习不变展示来重建清晰图像，并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当，同时比其他领域适应方法具有更快和更稳定的收敛性。

Mar, 2020

通过修改 cycleGAN 模型，将图像去噪问题视为高低噪声域之间的域转换问题，在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中，我们展示了这种方法优于其他已有方法，并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。

Oct, 2019

通过扩散模型在噪声空间中进行域适应，我们展示了一种针对深度学习图像修复的方法，其通过利用多步去噪过程受辅助条件输入影响的独特属性，逐渐将合成数据和真实世界数据的修复结果对齐到一个共同的干净分布。

Jun, 2024

糖尿病视网膜病变（DR）是糖尿病引起的严重视力损害风险。我们提出了一个新颖的框架，其中来自不同领域的配对数据的表示被解耦为语义特征和领域噪声，以生成与临床需求对齐的增强表示，最终通过使用类和领域原型进行插值来改善解耦表示的鲁棒性，以及通过数据感知加权函数来关注罕见类别和领域。通过多个基准测试上的实验结果证明了我们方法在未知领域上的有效性。

Jun, 2024

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

本文提出利用生成式对抗网络实现深度神经网络的非监督噪声自适应问题，成功地解决了训练 - 测试数据集之间的偏差，提高了语音增强模型的性能。

Feb, 2023

本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

Jul, 2020

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

Apr, 2019

本研究提出一种面向带有噪声注释的领域自适应目标检测（DAOD）的框架，包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术，将语义信息纳入学习过程，取得了不错的实验成果。

Apr, 2022

本文提出了一种名为 “Denoising Conditional Invariant Component (DCIC)” 的新框架，它可以在源领域有噪声标签的情况下，提取具有不变性的表示并进行标签迁移学习。实验证明，此方法对合成数据和真实世界数据均有效。

Jul, 2017