本文介绍领域自适应和迁移学习的概述，涵盖不同类型的方案和历史浅层方法、深度卷积架构、超出图像分类的领域适应方法，以及将领域适应与其他机器学习解决方案相关联的讨论。

Feb, 2017

提出了更普适的交叉领域语义分割问题（TACS），该问题允许两个域之间的标签存在不一致性，并引入一种同时解决图像级和标签级适应性的方法，即采用双边混合采样策略增强目标域并使用标签重标记方法统一标签空间，同时提供一种基于对比学习的不确定性校正方法以减少域差异。大量实验结果表明该方法优于现有最优解，且能够适应目标分类学。

Sep, 2021

本文介绍了一种基于Custom Diffusion的文本到图像生成模型，只需少量优化参数即可表示新概念并实现快速调整，还可以通过约束优化共同训练多个概念或组合多个微调模型，并在新颖的环境中将多个概念无缝组合生成，此方法在记忆和计算效能方面都占有优势。

Dec, 2022

通过使用扩散模型的去噪能力作为代理，将零样本分类器应用于Imagen，探究其知识方面并与CLIP进行比较，结果显示Imagen与CLIP在零样本图像分类方面表现相当，同时在形状/纹理偏差测试方面取得了最先进的结果，能够成功地执行属性绑定，而CLIP则不能。因此，我们认为应该探索将生成预训练作为一种有吸引力的视觉和视觉语言问题的替代方法。

Mar, 2023

本研究提出了一种优化自由文本表达，同时通过一个预先训练的分类器提供的判别信号，将生成的图像引导到目标分类的非侵入式微调技术。

Mar, 2023

该研究探讨了如何改进文本生成图像的模型的问题，提出了一种称为Semantic Understanding and Reasoning adapter (SUR-adapter)的参数高效微调方法，以提高短文本输入的语义理解和常识推理能力，进而用提高的文本语义表征生成高质量图像。

May, 2023

提出一种新颖的领域自适应扩散（DAD）模块和互学习策略（MLS），通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习，成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力，从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。

Aug, 2023

提出了一种用于Source-Free Domain Adaptation的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用Domain Adaptation技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

Oct, 2023

通过扩展域的方法进行无目标数据的模型泛化，在各种数据集和结构上的性能大幅提升，为领域适应和泛化性能带来了重要突破。

Dec, 2023

本文介绍了一种新的方法，利用扩散模型(Diffusion Models)对源无关域适应(Source-Free Domain Adaptation, SFDA)的一般化能力。我们提出的DM-SFDA方法包括对预训练的文本-图像扩散模型进行微调，以利用目标图像特征来指导扩散过程，生成源域图像。具体来说，预训练的扩散模型通过微调生成能够在预训练的源模型中最小化熵并最大化置信度的源样本。然后，我们应用已建立的无监督域适应技术来将生成的源图像与目标域数据对齐。我们通过包括Office-31、Office-Home和VisDA在内的多个数据集进行了全面实验验证。实验结果突出了SFDA性能的显著提升，展示了扩散模型在生成与上下文相关的域特定图像方面的潜力。

Feb, 2024