SCMix：用于语义分割的开放复合领域自适应的随机复合混合

提出了一种基于多教师框架的光度混合自适应分割方法，旨在解决开放式复合领域自适应问题。

该方法在语义分割和点云分割任务中表现优越，优于现有技术。

研究涵盖自监督学习、元学习和无监督域自适应，特别是在开放复合领域自适应方面取得了显著成果。

通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题。

提出的 MOCDA 方法通过对未标记的目标域进行连续建模，实现了合成到真实的知识转移。

基于课程域适应策略和记忆模块的方法有效处理了无标签复合目标域的开放复合域适应问题。

开放复合域自适应（OCDA）方法通过样式聚类混合目标数据，转化复杂问题为多个简单问题。

基于振幅谱变换的特征空间 AST 技术在场景分割基准测试中表现优异。

CoSMix 方法是第一个基于样本混合的点云分割无监督域自适应方法，表现优于现有技术。

提出的适应性框架 CoNMix 利用目标伪标签改善目标适应性，并减少噪声伪标签。