DDFlow 是一种基于数据净化的方法，可从未标注的数据中学习光流估计。该方法使用可靠的预测来指导学生网络学习光流，并能够为被遮挡像素进行光流估计，从而实现了更高的准确性。在 Flying Chairs、MPI Sintel、KITTI 2012 和 2015 基准测试中，DDFlow 的性能显著优于所有现有的无监督学习方法，同时实现了实时运行。

Feb, 2019

通过使用先进的 Nerf 技术，我们提出了一种新的光流训练框架，可以在目标数据领域上高效地训练光流网络，而无需手动标注。实验结果表明，我们的方案在 KITTI 上的泛化能力超过了现有的自监督光流和单目场景流算法，并且在真实世界的零点泛化评估中始终超过大多数有监督方法。

Nov, 2023

本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法（UFAL），该方法包括 Uncertain Feature Loss（UFL）函数和 Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。

Sep, 2020

本文介绍了一种新的无监督领域适应问题，广义通用领域适应（GUDA），旨在实现对包括未知类别在内的所有目标标签的精确预测。为解决此问题，我们利用生成流网络的强大探索能力，提出了一种名为 GFlowDA 的主动领域适应算法，该算法选择的样本与奖励函数成正比。我们还提出了一种名为广义通用对抗网络（GUAN）的 GUDA 训练范例，其中涉及 GUAN 和 GFlowNet 之间的协作优化。理论分析突出了探索的重要性，对基准数据集的广泛实验证明了 GFlowDA 的优越性。

May, 2023

本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Mar, 2023

通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

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

我们改进了 Acuna 等人提出的无监督领域自适应（UDA）的理论基础，通过改进他们基于 f - 差异度的不一致性，并引入一个新的度量，即 f - 域差异度（f-DD）。通过去除绝对值函数并结合一个缩放参数，f-DD 产生了新的目标误差和样本复杂度界限，使我们能够恢复先前基于 KL 的结果，并弥合了 Acuna 等人（2021）提出的算法与理论之间的差距。利用一种定位技术，我们还开发了一个快速学习界限。实证结果表明，在流行的 UDA 基准测试中，基于 f-DD 的领域学习算法比以前的工作表现更优秀。

Feb, 2024

本研究提出一种利用基于能量的方法进行光流估计的无监督学习方法以替代对真实场景难以获得的像素精确度地面实况数据的依赖，此方法在 KITTI 基准测试中的表现优于以往的无监督深度网络，甚至比仅在合成数据集上进行训练的类似监督方法更准确，在 KITTI 2012 和 2015 基准测试中具有竞争优势。

Nov, 2017

本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

Nov, 2022