该研究提出了一个动态传输学习框架 DyTrans，使用基于 transformer 的时间编码模块建模动态域的时间信息，设计了动态域统一模块跨源和目标域高效地学习域不变特征，并在多个实际数据集上展示了 DyTrans 在从动态源域到动态目标域的知识转移中的有效性。

May, 2023

提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

Aug, 2020

本文提出了一种基于生成对抗网络和自动编码器的双向图像转换方法，通过交叉域解缠表示技术，将内部表示分离成共享部分和专有部分，并可在不需要标注数据的情况下实现多模数据分布下的区分和检索。在多模图像翻译任务中，该模型优于现有的最新模型，并在具有挑战性的数据集上表现出更好的结果。

May, 2018

本文研究了现代视觉系统的表现下降原因：监督学习时神经网络模型表示出现了监督崩溃现象，即模型丢失了一些与训练任务无关但对多任务或多领域转移有用的信息。作者提出了两种方法来缓解该问题：一是利用自监视学习以鼓励更通用的特征，二是提出了一种新型的基于 Transformer 的神经网络结构 CrossTransformers，可以用少量标记图像和无标记查询项，找到查询项与标记图像之间的粗略空间对应关系，从而通过计算空间对应特征之间的距离来推断其分类。结果是得到一个更加适应任务和领域转移的分类器，证明了在 Meta-Dataset 上的最新成果。

Jul, 2020

本文提出一种新颖的无监督跨领域检测模型，在源域中利用标注数据训练一个针对不同目标域的物体探测器，通过在两个维度上进行跨领域特征对齐，即深度和空间维度，来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。

Nov, 2020

提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

Dec, 2017

利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

Apr, 2021

本文介绍了一种 “Domain Transfer Network (DTN)” 算法，它可以通过学习生成一个映射函数，将一个领域中的样本转移到另一个领域，并能在保持其他函数不变的情况下，在包含多分类 GAN 损失的复合损失函数的指导下，增强互补函数，鼓励映射函数将样本从 T 到 T 自身，并且用于数字和面部图像等领域生成新的可信图像，同时保留它们的身份.

Nov, 2016

本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。

Mar, 2019

本文提出了一种基于显式域监督的非配对图像翻译框架 DosGAN，该框架使用分类网络提取每个图像的域特定特征，并使用另一个编码器提取域无关的特征，二者结合生成目标域的图像。该方法在多个数据集上进行了实验，证明了其有效性，并且可以进行任何两个图像之间的有条件翻译，而以前的模型不能处理此任务。

Feb, 2019