CMDA：基于 LiDAR 的三维物体检测的跨模态和领域对抗适应

提出了一种名为“SSDA3D”的半监督领域自适应方法，解决了不同LiDAR配置、城市和天气等领域间的偏移问题，且在仅有10%目标数据标注的情况下超越了完全监督模型。

提出了Data-Oriented Domain Adaptation (DODA)框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在3D室内语义分割中表现优于其他7种UDA方法。

跨模态无监督领域自适应利用二维-三维数据的互补性，提出了基于鸟瞰图的学习方法，优化了领域无关的表示建模，并在三个三维数据集上显著优于现有方法。

提出了一种无监督跨模态领域自适应（CMDA）框架，利用多模态信息进行夜间语义分割，仅使用白天图像上的标签，证明了方法的有效性。

提出了一种跨模态迁移学习方法（xMUDA），用于解决多模态数据下的无监督域适应问题，并通过自动驾驶数据集验证了其有效性。

提出了一种基于联合监督信号自训练的LiDAR Segmentation领域自适应方法ConDA，有效减少了噪音伪标签对模型训练的负面影响。

提出了一种新的多域医学图像分割的深度无监督领域自适应方法，结合了基于变分自编码器的特征先验匹配和域对抗训练，取得了优异的分割效果。

提出了一种无监督领域自适应的方法，使用隐式表面表示缓解不同激光雷达模式导致的性能差异，实验证明了该方法的有效性。

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，实现了跨设备3D检测的最新性能水平。

提出了一种基于图像与点云的混合特征增强方法，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。