我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

Dec, 2023

本文研究单一领域通用的医学图像分割问题，提出了一种利用领域间不变的形状先验信息和测试时的适应策略以提高模型通用性的方法，并在两个医学图像分割任务上进行了广泛实验验证。

Jun, 2022

本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

Aug, 2021

本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

Jun, 2021

本研究提出了一种新颖的源数据免费领域自适应医学图像分割方法，名为局部 - 全局伪标签校正（LGDA）方法，通过离线局部和在线全局伪标签校正来纠正自训练方法中的错误伪标签，取得了优于现有方法的性能。

Aug, 2023

本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。

Sep, 2020

在线自适应卫星图像分割中的分布偏移问题是一个关键但尚未充分探索的问题。本文提出了一种新的在线测试时领域适应方法，通过两种有效策略来缓解由各种形式的图像退化引起的分布偏移。通过全局 BN 统计估计和全局类别中心修正预测掩码的方法，我们的方法在各种领域适应场景中展现了鲁棒的性能。

Jan, 2024

本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。

Sep, 2021

该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

Mar, 2020

提出了一种基于熵最小化的，无需同时访问源域和目标域图像的领域自适应（DA）方法，基于学习到的解剖学信息作为先验知识。该方法在多种分割问题中表现出可比较的结果，只需要使用一个网络和各种派生自解剖学信息的先验知识。

May, 2020