本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

Jul, 2019

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为 NL-InfoNCELoss 的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024

本文提出了一种新颖的批量规范化（BN）统计适应框架，其中逐渐调整域特定的低阶 BN 统计量（例如平均值和方差），同时通过优化目标明确强制执行域共享的高阶 BN 统计量的一致性（例如缩放和移位因子）进行的非监督领域自适应，该框架与基于假标签的自训练策略相结合，实现了在没有源域数据的情况下的图像分割任务的迁移。

Sep, 2022

本文提出一种基于 Unknown-Aware Domain Adversarial Learning（UADAL）的开放领域适应方法，该方法在特征对齐过程中同时对齐源和目标已知分布，隔离目标未知分布，实现了特征对齐和目标未知类别的理论保证，实验结果表明此方法胜过其他方法并表现出最先进的性能。

Jun, 2022

该研究提出了一种新的无监督开放式域自适应方法，其中提出的上限包括四个术语：源域风险，ε- 开放集差异，域之间的分布差异和一个常数。模型训练完成后，其表现在多个基准数据集，包括数字识别 (MNIST，SVHN，USPS)，物体识别 (Office-31，Office-Home) 和人脸识别 (P：IE) 方面已经达到了最先进水平。

Jun, 2020

本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

Jan, 2024

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

通过可学习的数据增强技术，本文提出了一种分类框架来解决一次性无监督领域自适应问题。通过设计具有感知损失和风格转换策略的编码器 - 解码器架构，我们的方法可以学习如何增强源数据，并使其在知觉上类似于目标。该方法在 DomainNet 和 VisDA 这两个领域自适应基准数据集上取得了最先进的性能。

Oct, 2023

本文介绍了针对语义分割的无监督域自适应（UDA）的新方法 —— 开放复合域自适应（OCDA）。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。

Oct, 2021

Unknown Sample Discovery (USD) 是一种利用时间集成的教师模型进行已知 - 未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的 SF-OSDA 方法，着重推进 Jensen-Shannon 距离（JSD）作为已知 - 未知样本分离的有效度量。

Dec, 2023