本文提出一种基于损失加权策略的 Source-free Unsupervised Domain Adaptation 方法，该方法在没有源数据的情况下，通过估计伪标签的不确定性来逐步优化伪标签，并采用一种自监督对比框架作为目标空间规范化器来增强知识聚合，并在三个基准测试中均取得了显著的优异表现，证明了该方法的鲁棒性。

Mar, 2023

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

本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。

Sep, 2021

医学图像分析中的深度学习技术通常受到源数据和目标数据之间的领域转移问题的困扰。现有的工作主要集中在无监督域自适应（UDA）上，但在实际应用中，隐私问题更为严重。本研究针对源自由无监督域自适应（Source-Free UDA）的挑战，提出了稳定学习（Stable Learning）策略，该策略以权重一致性和熵增加为核心来解决目前 UDA 医学方法所面临的过拟合困境。实验证明了稳定学习的有效性，并进行了大量消融实验。此外，研究团队还将发布包含多种 MSFUDA 方法的代码。

Jul, 2023

通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

Dec, 2020

在医学成像场景中，为了解决领域偏移问题导致伪标签准确度下降的限制，我们提出了一个 Chebyshev 置信度引导的无源域适应框架，准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练，通过引入直接去噪和原型去噪两种置信度引导的去噪方法，以及结合置信度加权模块的教师 - 学生联合训练方案，有效防止噪声传播提高伪标签的准确度。在多样化的领域场景中进行的大量实验证实了我们提出框架的有效性，并证明其优于现有最先进的无源域适应方法。

Oct, 2023

无源无监督域自适应的不确定性伪标签过滤适应（UPA）方法，通过自适应伪标签选择（APS）模块进行精确过滤，同时引入类感知对比学习（CACL）以降低伪标签噪声的记忆化，实现与最先进的方法相当的竞争性能。

Mar, 2024

本研究旨在通过提出一种新型架构，即 C-SUDA，解决现有无源无监督领域自适应在不断学习的情况下存在的灾难性遗忘问题，并在不利于源领域的情况下，仅通过利用假标记的目标数据和源模型来维护源领域的性能，实现更好的目标领域性能。在 PACS、Visda-C 和 DomainNet 等基准数据集上的实验结果表明，C-SUDA 框架能够在完全不利用源数据的情况下，保持对源域的满意性能。

Apr, 2023

该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的 SFDA 方法，获得了在 VisDA、DomainNet 和 OfficeHome 三个领域自适应数据集上的最新成果。

Jan, 2024

提出一种基于上下文感知的伪标签细化方法，通过学习上下文关系并根据特征距离计算，修正伪标签并校准以补偿不准确的修正，同时采用像素级和类别级去噪方法来选择可靠的伪标签进行域适应，实验结果表明该方法在跨域眼底图像上取得了最优结果。

Aug, 2023