本文提出了一种多源领域自适应方法，称为多源情感生成对抗网络（MSGAN），用于视觉情感分类，通过循环一致性对抗性学习以端到端的方式，MSGAN 可以学习找到一个统一的情感潜在空间，其中来自源域和目标域的数据共享类似的分布。对四个基准数据集进行的广泛实验表明，MSGAN 在视觉情感分类方面明显优于最先进的多源领域自适应方法。

Jan, 2020

提出了一种改进的生成对抗网络 —— 加权损失半监督生成对抗网络 (WL-SSGAN)，通过对半监督生成对抗网络的判别器中间层特征进行加权处理，提出了联合特征匹配损失的联合，通过线性权重提出了 WL-SSGAN 的加权损失，实验结果表明，在只使用极少量有标签样本的情况下，WL-SSGAN 可以通过利用大量无标注海陆地杂波样本来提高完全监督分类器的性能，并且 WL-SSGAN 的加权损失优于对抗损失和特征匹配损失。

May, 2023

提出了一种适用于多种不同模态的深度神经网络的单一领域通用性（single-DG）算法，称之为 Modality-Agnostic Debiasing (MAD)，它采用一个新颖的双分支分类器，一支专注于识别特定领域的表层特征，另一个则利用来自前一支的知识来捕获领域通用（语义）特征，在多种领域通用任务中取得了极高的效果。

Mar, 2023

本文提出了一种多源领域自适应的新型框架 MADAN，其中包括通过动态语义一致性生成每个源的适应域，通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合，以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明，MADAN 模型优于现有的最先进方法.

Oct, 2019

本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。

Oct, 2021

本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

Mar, 2020

提出了一种基于边界损失的领域一般化方法（MADG 算法），该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域，同时通过边界损失和 Rademacher 复杂性进行理论分析，实验证明在各种真实 DG 数据集的基准测试上表现一致。

Nov, 2023

通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

Dec, 2018

在跨领域广义类别发现中，CDAD-NET 通过对源域和目标域之间的样本进行同步，强调目标数据的独特分类，并且通过三个度量学习目标的融合来保持共享空间的区分性。在实验中，CDAD-NET 在三个 AD-GCD 基准测试中表现出 8-15％的性能提升。

Apr, 2024

通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

Jun, 2018