本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020

本文提出了一种基于 Fourier 对抗攻击的鲁棒域自适应技术 (RDA)，可用于解决多个计算机视觉任务中的域自适应问题，其生成的对抗样本可以在使图像特征保持不变的情况下，减小由于域偏移带来的噪声问题，从而使模型的鲁棒性增强。

Jun, 2021

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

本研究提出了傅里叶试验时间自适应方法（FTTA），通过双重自适应设计来整合输入和模型调整，从而共同提高模型的鲁棒性。FTTA 在三个大型分类数据集上广泛验证，结果表明 FTAA 具有普适性，并优于其他强大的最先进方法。

Jun, 2023

本文提出了一种基于傅里叶的领域泛化新视角，通过开发一种称为幅度混合的新型傅里叶数据增强策略，来强制模型捕获高级语义信息，同时在原始图像与增强图像之间引入了一种双重一致性损失方法，取得了领域泛化的最新成果并显著提高了性能。

May, 2021

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

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

Dec, 2022

本文提出了一种可以在不同的视觉识别任务中推广的有效和高效的无监督域自适应技术 Spectral UDA（SUDA），该技术从两个方面解决了 UDA 的挑战，第一，引入了谱变换器（ST），通过同时增强源样本和目标样本的域不变谱的同时抑制域变谱来缓解跨域不一致性。第二，引入了多视域谱学习，通过最大化目标样本的多个 ST 生成的谱视图之间的互信息来学习有用的无监督特征表示。经过广泛的实验，SUDA 在目标检测、语义分割和图像分类等不同视觉任务中始终表现出优秀的准确性。此外，SUDA 还可以与基于 Transformer 的网络结合使用，在目标检测方面取得了最先进的成果。

Jun, 2021

在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

Jul, 2023