本研究解决了无源领域泛化(SFDG)中的多类别风格合成效率低的问题，提出了一种名为BatStyler的新方法。该方法通过粗语义生成和均匀风格生成模块，提高了在多类别场景中的风格合成能力，实验结果表明其在多类别数据集上超越了现有的先进技术。

本研究解决了在无源半监督领域适应（SF-SSDA）中有效融合原始脑电图（EEG）数据与专家知识，以及对齐源领域和目标领域分布的挑战。提出的KDF-MutualSHOT方法通过互学机制和基于一致性的伪标签选择策略，显著提高了癫痫亚型分类的准确性，超越了其他监督和无源领域适应方法。

本研究解决了无源跨域少样本学习（SF-CDFSL）中只能使用预训练模型和少量目标样本的问题，缺乏源数据和策略。提出了一种新的逐步分布对齐引导样式提示调优方法（StepSPT），通过优化预测分布来缩小领域间的差距，从而在五个数据集上取得了优于现有方法的结果，展示了其有效性和潜在影响。

我们提出了GDABench基准测试，涵盖16种算法、5个数据集和74个任务。实验表明，UGDA模型在不同场景下表现不一，特别是在源图与目标图分布偏移时需要有效策略。合适的邻居聚合机制能使简单GNN超越UGDA基线。此外，我们开发了PyGDA库，以促进UGDA方法的训练和评估。

本研究提出昼夜适应框架（DyNA），解决医学图像在不同中心间的分布差异。DyNA通过循环适应，仅用目标领域数据调整模型，确保隐私和临床有效性。结果显示，该方法显著提高了目标领域的推断性能，具有重要临床应用潜力。

本研究解决了无监督领域适应中无源数据可用带来的挑战，特别是在依赖嘈杂伪标签和分布转变时。提出的A3框架结合自监督学习、对抗训练和主动学习，有效地进行领域对齐和噪声减少。研究表明，A3的综合方法显著提升了无源领域适应的效果。

本文提出了首个无源领域自适应基准(SFDA-rPPG)，通过TSTC-Net和FWD实现了在无源数据访问的情况下有效的领域自适应。实验结果表明该方法在无源领域自适应设置下的有效性。

本文解决了无源无监督域适应（SFUDA）在3D语义分割中的关键问题，特别是训练时间后性能下降的困境。提出了一种合理的正则化学习策略和一种基于与参考模型一致性的新的标准，以有效停止训练并选择超参数，从而保证了在各种3D激光雷达设置下的显著性能提升。

该文章介绍了GDABench，一个用于评估无监督图领域自适应模型性能的全面基准测试。实验发现UGDA模型在不同数据集和适应场景中性能差异显著。研究还发现，通过合适的邻居聚合机制，简单的GNN变体甚至可以超过最先进的UGDA基线方法。研究者开发了易于使用的PyGDA库，提供了标准化平台。

该研究提出了Source-free Multi-target Domain Adaptation任务，使用CoNMix框架解决。该框架利用目标伪标签改善目标适应性，并使用伪标签细化方法减少噪声伪标签。MKD用于改进多个目标域的泛化能力，并展示了VT骨干的优势。该框架在多个流行域适应数据集上取得了最先进的成果。

本文介绍了一种基于域泛化的新型校准方法，通过利用多个校准域来减少目标域与校准域之间的分布差异，实现校准转移的改进。实验证明该方法在多类别分类中表现优秀，提高了35个百分点的准确率。

我们提出了一个Chebyshev置信度引导的无源域适应框架，通过引入去噪方法和置信度加权模块，准确评估伪标签的可靠性并生成自我改进的伪标签，提高伪标签的准确度。实验证实了该框架的有效性。

我们提出了一种基于不确定性引导的分层自训练框架，通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波，在交叉中心前列腺MRI分割数据集上取得显著进展，与全监督学习相当。

本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，该方法在自适应期间仅访问未标记的目标数据，通过局部结构聚类和稀疏域注意力为不同领域激活不同的特征通道。实验结果显示，该方法在VisDA上实现了最先进的性能（85.4%）。

本文研究了无源无监督域自适应问题，通过预训练的针孔图像模型和未标记的全景图像。提出了360SFUDA++方法，从源针孔模型中提取知识，并将可靠的知识转移到目标全景领域。实验证明，该方法相较于先前的SFUDA方法表现更好。

我们提出了一种名为STAR-MT的无源域自适应方法，用于改进视频目标检测性能。该方法在恶劣图像条件下仍能提高检测性能，展示了在现实世界应用中的潜力。

该论文介绍了一种新的无源领域自适应方法，通过细分目标领域的样本为多个未知类别来改善对目标专属样本的分离。同时，该论文提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

本文讨论了无源探头的问题，探头带宽较低，因为探头上串联了一个大电阻。拆解探头后发现内部结构包括探针、电路板、电阻电容和同轴线。阻尼电阻用于抵消探头寄生电感带来的系统频响上的尖峰。10X探头通过补偿电路提高了带宽。探头不能用于同轴线匹配50欧姆或75欧姆的系统，因为同轴线的阻抗分布不均匀，存在较大的电阻成分。

本文提出了一种源自由的通用领域适应方法，通过全局和局部聚类技术来减轻深度神经网络在协变量移位和类别偏移下的次优性能。在多个基准和类别偏移场景中，该方法表现出优越性。

本文提出了一种新的无源无监督域自适应方法，用于针孔图像到全景图像的语义分割。该方法利用了割裂等距投影、固定视场角的损失和全景原型自适应模块（PPAM），以及跨双重注意模块（CDAM），通过提取并转移知识实现域间适应。实验证明，该方法在合成和真实世界基准测试中表现优于现有的SFUDA方法。