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

本文提出了一种新颖的批量规范化（BN）统计适应框架，其中逐渐调整域特定的低阶 BN 统计量（例如平均值和方差），同时通过优化目标明确强制执行域共享的高阶 BN 统计量的一致性（例如缩放和移位因子）进行的非监督领域自适应，该框架与基于假标签的自训练策略相结合，实现了在没有源域数据的情况下的图像分割任务的迁移。

Sep, 2022

本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

Mar, 2021

本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

Jul, 2023

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

本文提出将一致性正则化项加入半监督 UDA 中，通过建模网络输出元素之间的像素之间的相互关系，在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。

Aug, 2022

该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

Feb, 2024

提出一种基于边缘结构为跨域图像分割提供先验信息、通过结构 - 模态约束的判别性模型和多模态学习骨干网络辅助进行目标器官肾脏分割的 SMC-UDA 框架，不需要目标域标注，在公共数据集上表现优异。

Jun, 2023

我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。

Jan, 2024

本论文提出了一种仅使用有限的标注数据和大量未标注图像的单张标注数据训练模型而不依赖图像配准的几乎无监督医学图像分割（BSS）方法，采用无噪声标注数据构建算法和频率空间混合策略，用于减轻数据间的领域转移问题，实验证明该方法对 BSS 具有很高的性能。

May, 2024