- 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应
本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结 - 传感器：通过主动感知模仿第三人称专家的行为
通过引入主动传感器技术，本论文在视觉模仿学习 (IL) 的场景中解决了代理人与专家视角不对齐的问题，提出了基于模型的传感器模仿器 (SENSOR) 来自动调整代理人的视角以匹配专家，实验证明 SENSOR 可以有效地模拟专家的视角和策略，并 - 人脸反翻拍的双教师知识蒸馏与领域对齐
本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐；此外，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和 - 重新思考跨领域行人检测：一种以背景为焦点的实例无关单阶段检测器分布对齐框架
跨领域行人检测的关键词是：跨领域行人检测、领域对齐、单阶段检测器、图像级特征对齐、以及背景聚焦分布对齐。摘要：本文提出了一种名为背景聚焦分布对齐（BFDA）的新框架，用于训练领域自适应单阶段行人检测器。BFDA 首先将背景特征从整个图像特征 - 多域推荐中的嵌入解缠和域对齐
多领域推荐（MDR）旨在为具有重叠用户 / 项目的不同领域（例如产品类型）提供建议，并且在托管多个服务的平台（例如 Amazon，Facebook 和 LinkedIn）上很常见。我们提出了一种名为 EDDA 的新 MDR 方法，具有嵌入解 - CVPR具有全局聚合的 DETR 用于跨域弱监督物体检测
本文提出了 DETR-GA，一种基于 DETR 的交叉域弱监督目标检测方法，它同时进行实例级别和图像级别的预测，利用强监督和弱监督相互促进，利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。
- 用于强健 SAR 车辆识别的分层去纠缠网络
本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。
- 为相对表示法引导并行锚点
本文提出了一种优化方法，以从有限数量的种子中发现新的并行锚点，用于发现不同领域之间的语义对应关系，对齐它们的相对空间，并在多个任务中实现具有竞争力的结果，这展示了相对表示在启用潜在空间通信和零样本模型缝合方面具有潜力。
- CVPR将任务特定的分类器重复使用作为鉴别器：无鉴别器对抗域适应
本文提出了一种基于无判别器的对抗学习网络（DALN）的范式，其中分类器被重新利用作为鉴别器，通过统一目标实现了明确的域对准和类别区分，使 DALN 能够利用预测的鉴别信息进行充分的特征对其。同时，引入了核范数 Wasserstein 距离（ - CVPR可迁移的 GNN 自适应轨迹预测
提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。
- Pareto 域自适应
该论文探讨了基于梯度的角度重新思考域自适应算法优化方案的问题，并提出了 Pareto Domain Adaptation 方法来协作优化所有训练目标，提高目标分类精度
- MM基于图像到类别稀疏相似性编码的少样本无监督域自适应
本文研究了一种称为 few-shot unsupervised domain adaptation (FS-UDA) 的有价值设置，并提出了一种基于本地描述符的高效方法来提高图像分类和域适应的性能
- 跨域对比学习用于无监督域自适应
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。
- ICCVECACL: 半监督领域自适应的整体框架
提出了一种名为增强分类对齐和一致性学习（ECACL）的半监督域自适应（SSDA）框架，其中包括多种相互补充的域对齐技术，并通过类级别对齐、数据增强和模型鲁棒性实现全面域对齐， 以提高具有带标签样本的目标域数据的性能。
- CVPR噪声普适领域自适应的发散优化
本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置 - CVPRMetaAlign: 无监督领域自适应中的领域对齐和分类协调
本文介绍了一个基于元学习的有效优化策略 MetaAlign，以协调域对齐任务和分类任务的目标函数的不一致性，实现在元训练和元测试中同时优化域对齐和分类任务的最大化，从而提高了无监督领域自适应问题的性能。
- 领域泛化：一份调查报告
本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。
- ICCV共享多模态嵌入的无监督图像字幕生成
通过共享的、结构化的视觉概念潜在空间，将图像特征转化到语义向量嵌入空间中，并使用同一语言模型将其解码为场景描述，无需明确监督来了解图像；这种转化借助于暴露于图像 / 标题数据分布之外的大型文本语料库，并且具有鲁棒性。
- 盲图像去噪的深度图像先验学习
本文提出了一种基于领域对齐的有效图像去噪方法，该方法学习了两个图像先验知识，其中特征级先验用于学习对抗训练中的不同噪声水平下对抗特征，像素级先验则用于推动去噪图像到自然图像流形。结果表明，该方法有效地提高了合成和真实噪声图像的去噪能力，并可 - CVPRDDLSTM：用于跨数据集行为识别的双域 LSTM
本文提出了一种名为双域 LSTM（DDLSTM）的神经网络结构，通过交叉污染批量归一化方法，旨在解决卷积网络和循环神经网络在领域对齐中存在的问题，在多个数据集上进行了帧级行为识别的实验，结果表明 DDLSTM 优于标准、微调、批量规范化的