本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个 UDA 基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。

Sep, 2021

本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

Nov, 2018

该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

Dec, 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

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

本研究致力于在无监督域自适应的背景下，解决深度神经网络在语义分割任务中出现的领域转移问题，提出了一种新的低层适应策略和有效的数据增强方法，可以有效地提高分类边界上的表现。

Oct, 2021

本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略，能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。

Nov, 2020

本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

Apr, 2019

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

提出了一种基于自我训练和预测一致性的无监督域自适应算法（SENTRY），它利用随机图像变换的委员会评估目标实例的可靠性，通过增加高度一致性目标实例的置信度，减少高度不一致实例的置信度来选择性地最小化预测熵和最大化预测熵。该算法结合了基于伪标签的近似目标类平衡方法，在标签分布转移方面具有优异表现。

Dec, 2020