通过提出一种跨视角适应 (CROVIA) 方法，利用几何约束和多模态双射网络，将驾驶场景的知识有效地转移到无人机视角下的城市场景的语义分割中，从而实现对大规模无标签数据的分割。

Apr, 2023

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

本文提出一种新的无监督领域自适应方法，称为联合几何和统计对齐（JGSA），可以通过统计和几何学方法同时减少源域和目标域之间的偏差。通过两个耦合投影，将源域和目标域数据投影到一维子空间中，同时减少几何偏移和分布偏移，并且目标函数可以高效地封闭求解。大量实验证明，所提出的方法在合成数据集和三个不同的实际交叉领域视觉识别任务上显著优于若干现有领域适应方法。

May, 2017

在本研究中，我们提出了一种自监督学习框架，通过仅利用无标签数据训练一个可学习的适配器，将不同视角的特征分布映射到一个统一空间，以应对交叉视图地理定位中的挑战。实验证明，我们的方法在减少训练参数和仅仅依靠无标签数据的情况下，相较于标准模型和有监督方法，在性能上取得了显著改进，并展示了广泛的应用潜力。

Mar, 2024

本研究探讨了大范围视角交叉地理定位（CVGL）中无标签数据的有效利用，包括无监督和半监督设置。我们提出了一个无监督框架，其中包括交叉视角投影来指导模型检索初始伪标签，并通过利用 “完全配对的地面 - 卫星图像位于一个独特且相同场景” 的事实的快速重新排序机制来改进伪标签。该框架在三个开源基准测试上展示了竞争性能，我们的代码和模型将在该网址上发布。

Mar, 2024

本文提出了一种新颖的无监督领域自适应技术，用于从单个深度扫描或图像预测 3D 关键点，利用视角一致性和几何对齐等方法提高预测准确度，实验结果表明该方法胜于现有的领域自适应技术。

Dec, 2017

提出了一种新颖的 “Intra-view and Cross-view Geometric knowledge learning Network (ICGNet)” 模型，以整合单景图片的几何知识和跨景因素（包括遮挡和匹配独特性）的几何知识，并通过利用兴趣点和它们之间的对应关系来增强几何知识的学习过程，从而在估计视差的能力上显著提高，实验证明了 ICGNet 模型相对于其他流行模型的优越性。

Feb, 2024

利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

Dec, 2022

本研究主要针对无人车自主驾驶问题，通过领域自适应的方式解决了对 360 度视角全景图像中层次分割的无监督学习问题；通过新的数据集 DensePASS，以及基于关注机制的自适应算法框架 P2PDA 实现了从针孔图像到全景图像的专业语义分割。实验证明，该框架相比于其他无监督学习和全景图像分割方法，有着更高的准确率和更高的效率。

Oct, 2021

本文研究地理鲁棒性问题，提出 GeoNet 数据集并探究其背后的分布变化，表明现有无监督领域适应算法和大规模预训练不足以处理地理适应问题。

Mar, 2023