本文探讨了零样本学习的情景在域适应中的应用，通过利用基于物理反射模型提取的视觉归纳先验减少了在测试集中获取相关数据的代价和困难，使用可训练的卷积神经网络将色不变边缘检测器作为图层，证明了色不变图层减少了网络中特征映射激活的昼夜分布偏移，并在多个任务中展示了零样本昼夜域适应的提高。

Aug, 2021

通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

Dec, 2023

本文提出了一种基于黄昏的方法，通过渐进适应白天场景训练的语义模型，从而实现对夜间场景的语义图像分割。同时，我们构建了一个道路场景数据集，包含从白天到黄昏和到夜晚的 3.5 万张图像，并密集标注了部分夜晚图像，实验证明该方法可以有效地将白天场景下的模型适应到夜晚场景，无需额外的人工标注。

Oct, 2018

通过数据匹配和领域适应多任务 UNet 网络，无需培训领域自适应分类器和大量微调，我们研究了将训练好的网络适应新地理环境的简单方法。无监督领域适应方法中，选择性数据对齐通过在两个地理域中识别相似图像，并在 “零样本” 情况和微调的情况下，测试了一整套基于数据的方法。研究发现，选择性数据对齐方法在 “零样本” 情况下产生了有希望的结果，使用少量微调则更加出色。这些方法表现优于未转换的基线和流行的基于数据的图像转换模型。最佳性能的方法是像素分布适应和傅里叶域适应分别用于估算森林冠层覆盖和高度任务。

Apr, 2024

本文提出了一种面向 Few-Shot 自监督对比学习的域自适应方法 Few-Max，旨在解决在目标分布下自适应问题。使用各种来源和目标数据集对 Few-Max 进行了评估，证明其在表示质量方面始终优于其他方法。

Jun, 2022

本文提出了一种基于扩散模型的零样本领域自适应方法，名为 ZoDi，它具有两个设计特点：零样本图像转换和模型自适应。通过利用现成的扩散模型将源图像的领域转移到目标领域，我们首先合成目标领域的类似图像，以维持布局和内容，然后在训练模型时使用源图像和合成图像，并同时最大化两个领域图像的特征相似性，从而学习到具有领域鲁棒性的表示。通过实验证明了 ZoDi 在图像分割任务中优于现有的方法，并且比已有的基于 CLIP 的方法更具通用性，因为它不依赖于特定的骨干结构或模型，并且可以通过检查生成的图像来估计模型的性能。我们的实现将公开提供。

Mar, 2024

使用生成式对抗网络 (GANs) 方法，我们提出了一个改善在恶劣条件下的语义分割准确度的框架，其中包括将夜间图像转换为白天图像，使用 GANs 生成夜间语义分割数据集，并使用白天数据集中的模型对其进行训练。在实验中发现，“夜间图像比例适当” 是使得性能最为稳定的最佳选择。

Aug, 2019

本文提出一种新的域自适应方法：Adversarial Domain Feature Adaptation (ADFA)，该方法通过训练编码器生成与白天图像相似的夜间图像特征，并使用预训练的深度解码器进行深度估计。实验证明，该方法在处理夜间图像的深度估计和视觉地点识别问题上效果显著。

Oct, 2020

该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影 (SLPP) 技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

Mar, 2019

提出了一种少样本领域自适应框架，通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化，可改善源模型的分类性能，实验证明该方法优于测试时适应方法，并且没有实时流条件的限制。

May, 2022