本文提出了一种无监督域自适应（UDA）方法，旨在将深度神经网络从合成数据源适应到真实数据源。通过引入对抗模块和自训练策略，实验结果表明该方法在城市场景的语义分割中表现有效且稳健。此外，研究探讨了视觉转换器在对抗性领域自适应中的应用，提出的模型在多个数据集上显著提升了性能。

本文介绍了一种无监督域自适应（UDA）方法，旨在将深度神经网络从合成数据适应到真实数据。通过对抗模块和自训练策略，该方法成功对齐了两个数据分布，提升了语义分割的准确性和稳健性，且在不同基准测试中表现优异，具有广泛的应用潜力。