提出了一种新颖的复杂到简单框架（CTS），通过锚头和RoI增强提高伪标签质量，并开发了Aleatoric不确定性（AU）以统一量化伪标签质量。实验结果显示，该方法显著增强了三维物体检测模型的域适应能力。

该研究提出了循环引导标记（CBL）框架，通过引入可靠的教师网络的排名信息来优化MIDN的伪标签质量。CBL框架通过类别特定排名蒸馏算法，指导MIDN在相邻提议中分配更高的分数。实验证明CBL框架在主流数据集上具有优越性能。