本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

Mar, 2021

本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

Nov, 2022

本文提出了一种基于领域自适应和自编码器数据增强的方法，用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题，实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。

May, 2023

本文提出了一种新的自解耦框架 (SAD) 以实现特定领域的适应。使用一个领域关键字创建器和自对抗正则化器，将潜在表示分解为特定领域和不变领域特征，从而减缓了领域内差距，并取得了在目标检测和语义分割等领域中超越现有最先进方法的一致改进。

Aug, 2021

通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

Sep, 2023

提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。

May, 2020

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

本文介绍了一种自主学习方法的无监督域自适应技术，即 Domain Confused Contrastive Learning（DCCL），旨在通过域拼图来构建源域和目标域之间的桥梁，并在适应后保留有区分性的表示。此外，作者还探讨了在进行其他数据增强时，对比学习是否有助于 UDA。实验表明，DCCL 的表现显著优于基线。

Jul, 2022

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。

May, 2021