我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

Mar, 2024

提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

Dec, 2022

本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

Apr, 2022

跨模态无监督领域自适应旨在利用二维 - 三维数据的互补性来克服新领域中缺乏注解的问题。本研究提出了基于鸟瞰图的跨模态学习方法，用于三维语义分割的领域泛化。通过鸟瞰图下的交叉模态学习，优化了与领域无关的表示建模，同时提出了鸟瞰图驱动的领域对比学习方法来建模领域无关的表示。在三个三维数据集上，BEV-DG 在所有设置中明显优于现有方法，差距显著。

Aug, 2023

这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

Jun, 2024

本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

Sep, 2018

提出了一种新颖的无监督跨模态领域自适应（CMDA）框架，利用多模态（图像和事件）信息进行夜间语义分割，仅使用白天图像上的标签，通过设计图像动作提取器和图像内容提取器在图像中提取运动信息和内容信息，以弥合不同模态（图像到事件）和领域（白天到夜晚）之间的差距，并介绍了首个图像 - 事件夜间语义分割数据集，对公众图像数据集和该图像 - 事件数据集进行了广泛实验，证明了我们提出的方法的有效性。

Jul, 2023

本篇论文提出了一种跨模态迁移学习方法（xMUDA），用于解决多模态数据下的无监督域适应问题，借助自动驾驶数据集验证了该方法的有效性并与单模态方法进行了比较。

Nov, 2019

本文提出了一种基于联合监督信号自训练的 LiDAR Segmentation 领域自适应方法 ConDA，通过构建源域和目标域的中间领域并采用熵聚合器和抗锯齿正则化方法，实现了有效减少噪音伪标签对模型训练的负面影响，并在减轻域间差异方面取得了非常显著的提升。

Nov, 2021

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