本研究提出了一种新颖的检索增强学习框架（RALAD），旨在解决自动驾驶模型在不同环境中的适应性问题，特别是在极端天气条件下。通过优化的最优传输方法和高效微调技术，RALAD有效降低了真实与模拟场景之间的域差距，提升了模拟环境中的性能，同时保持了真实场景的准确性，显著降低了重训练成本。

本研究提出了一种新的多任务自学习框架，旨在优化肿瘤数据的域适应AI分类。该框架通过空间混合掩码和空间对比预测编码等技术，在实际数据集上提高了预测准确性，为癌症免疫疗法设计提供了重要的临床假设。

本研究解决了传统后训练量化在动态变化的测试域中性能下降的问题。提出了一种名为TTAQ的新颖且稳定的量化过程，通过扰动误差缓解和扰动一致性重构来应对量化器中的域转移。实验表明，TTAQ显著提高了低位量化模型的准确性，在不断变化的测试域中优于现有基线。

本研究解决了深度学习模型在不同数据域之间迁移时预测准确性显著下降的问题。我们提出了一种新颖的循环损失函数，结合编码器-解码器网络架构，提高生成网络在源域与目标域之间的有效转换能力。研究结果表明，该方法能够促进无监督生成标记数据的应用，提高跨域深度学习模型的泛化能力。

本研究针对以往夜间无人机跟踪中存在的时域上下文差异问题，提出了一种基于提示的时域适应训练框架。该方法通过对时域特征生成器进行训练，以对齐昼夜域的时域上下文，显著提升了夜间无人机跟踪的精度和实用性，并建立了新的长时间夜间无人机跟踪基准。

本研究解决了主动图域适应中的信息不足问题，特别是在目标图缺乏语义信息时表现不佳。提出的DELTA方法结合了边缘导向和路径导向的子网络，能够从互补的角度探索拓扑语义，从而提高了对信息节点的选择和标注的准确性。实验结果表明，DELTA在基准数据集上超越了多种先进方法，展示了其在图域适应中的潜在影响。

本文探讨了图领域适应的方法，提出了多种无监督和半监督学习技术，以有效将源图的知识转移至目标图。研究表明，基于图傅里叶变换、谱正则化和邻域感知自训练的方法在多个数据集上显著提升了分类性能，解决了领域间的分布偏移问题。

本文提出了一种基于最优传输和高斯混合模型的多源领域自适应框架，应用于图像分类和故障诊断。通过GMM-WBT和GMM-DaDiL策略，研究表明该框架在提高性能的同时，速度更快且参数更少，能够在样本稀缺的情况下实现先进的适应性能。

本文介绍了一种基于学习的图像去雾域适应模型，该模型结合了图像翻译和去雾模块，通过一致性约束进行训练，以提升去雾效果。实验结果表明，该模型在合成和真实图像中均表现优异。此外，文中还探讨了多种基于CLIP的视觉-语言模型改进方法，显著提升了图像分类、短语定位和视线估计等任务的性能。

该研究提出了一种名为DaDiL的多源域自适应框架，基于字典学习和最优输运，旨在提升分类性能。实验结果表明，该方法在多个基准测试中表现优异，有效处理源域与目标域之间的分布转移问题，并在语义分割任务中取得显著进展。

本文提出了一种无监督域自适应框架，通过对抗学习和自训练等方法，利用源领域的深度信息提升目标领域的语义分割性能。该方法在自动驾驶场景中经过验证，实验结果显示其在多个基准测试中表现优异。

本文提出了一种新颖的两步方法，结合最优传输方案和Monge映射的估计，应用于域适应和生成建模。研究表明，神经网络与最优输运理论的结合在单细胞生物学中具有有效性，并探讨了正则化的鲁棒性机制及其在图像恢复等任务中的优势。

本文提出了一种有效的半监督医疗图像分割方法DPMS，通过数据扰动和模型稳定化提升性能。研究探讨了半监督域适应，采用自我学习的编码器和像素级特征一致性约束，实施两阶段训练，实验证明其优于其他方法。该方法在多个医学图像数据集上表现出色，有效解决了标注不足和领域转移问题。

本文综述了最新的单源深度无监督域适应方法，重点讨论了视觉任务中的对抗式和自监督策略，并总结了现有基准数据集及未来研究方向。

本文提出了多种针对跨域目标检测和领域自适应的方法，包括自我监督的领域自适应、无监督域适应和多级域自适应模型。这些方法通过特征对齐和优化，显著提升了目标检测性能，尤其在不同数据集间的应用效果优于现有技术。

本文介绍了OOD-CV数据集及其在鲁棒性研究中的贡献，提出了多种提升对抗性检测性能的方法，包括监督对比学习、局部自回归模型和基于鲁棒学习的目标检测框架。这些方法在异常检测和域适应问题上表现优异，推动了相关领域的发展。

本文探讨了多种域适应问题的特征学习算法，提出新算法并验证其有效性。研究利用语义条件、主动学习和敌对转移学习等方法，旨在提升模型在不同领域的表现和准确性。实验结果表明，这些方法在无监督和有监督场景中均优于现有技术。

该研究介绍了AdCorDA技术，通过修改训练集和利用输入空间训练的对偶性来改进预训练分类器网络。在CIFAR-100数据集上，准确性提高了超过5％。该技术还可增强权重量化神经网络的性能和对对抗性攻击的鲁棒性。

本研究提出了一种在线无监督域自适应算法，通过最小化源潜在特征与目标特征之间的分布距离，改善图像的语义分割模型在未注释领域上的泛化性能。该方法通过近似源潜在特征分布减少对源样本的需求，实验证明其在未注释领域的泛化性能上具有竞争优势。