本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

Sep, 2020

通过将源领域和目标领域的数据点映射到共享嵌入空间中，训练映射编码器使嵌入空间变得与领域无关，从而使在源领域上训练的分类器能够在目标领域上很好地泛化。为了进一步提高无监督领域适应 (UDA) 的性能，我们提出了一种降低源领域内部分布紧密度的技术，从而提高模型在目标领域中的泛化能力。相对于嵌入空间中不同类别的数据表示之间的间隔，我们提高了 UDA 模型的性能。为了使内部表示更紧密，我们将源领域的内部学习多模态分布估计为高斯混合模型 (GMM)。利用估计的 GMM，我们增强了源领域中不同类别之间的分离性，从而减轻了领域转移的影响。我们提供了理论分析来支持我们的方法的优越性能。为了评估我们方法的有效性，我们在广泛使用的 UDA 基准数据集上进行了实证实验。结果表明我们的方法增强了模型的泛化能力，并超越了现有技术。

Jan, 2024

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

本文介绍了一种针对语义分割的在线域自适应框架，能够有效地适应不断变化的域，包括降雨和雾霾天气，同时避免了之前域的灾难性遗忘现象。

Jul, 2022

本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。

May, 2020

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

Apr, 2024

本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

Oct, 2018

该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用了这种特权信息来训练 UDA 模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。

Apr, 2019

本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的 UDA 方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022