本研究提出了一种新的潜在扩散模型（CICLD），旨在通过对抗学习有效缩小合成图像与真实图像之间的差距，从而改善无监督领域自适应（UDA），并提升多个基准数据集的表现。

本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签。实验结果显示，该方法在道路分割方面有较大增益，尤其在迁移场景上效果显著。

该研究提出了一种新的无监督领域自适应方法，通过类感知最优输运（OT）解决了数据和标签偏移问题。使用深度神经网络制定输运概率和成本函数，并最小化类感知高阶矩匹配（HMM）来对齐类区域。实验证明该方法优于现有基准线。

本文介绍了一种无监督领域自适应方法M-ADDA，结合了度量学习和对抗学习。M-ADDA在MNIST和USPS的数字自适应数据集上表现优于ADDA，证明使用度量学习的领域自适应可以提高分类准确性。

深度学习在医学影像中取得显著性能，但主要关注有监督学习。为解决问题，开发了无监督领域自适应技术，用于从有标签领域转移知识到无标签领域。本文综述了医学影像中最新的深度无监督领域自适应方法，分类为六组，并根据任务进行子分类。讨论了用于评估不同领域差异的研究中使用的数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了调查。

该文章介绍了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在有限的标记数据和多个无标记或弱标记数据进行训练。研究结果显示，训练的目标检测器在此设置下明显优于基线检测器，并且与无监督领域自适应（UDA）设置下训练的目标检测器性能相媲美或更好，同时无需使用目标领域数据进行训练。

深度学习在医学影像中取得显著性能，但主要关注有监督学习。为解决问题，开发了无监督领域自适应技术，用于从有标签领域转移知识到无标签领域。本文综述了医学影像中最新的深度无监督领域自适应方法，分类为六组，并根据任务进行子分类。讨论了评估不同领域差异的研究中使用的数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了调查。

该文介绍了一种无监督领域自适应的方法，使用隐式表面表示在源数据和目标数据上进行学习的辅助任务来缓解激光雷达模式或获取条件变化等原因导致的性能差异。实验表明，该方法在合成到真实和真实到真实的情况下均取得了更好的性能。

本文提出了一种通过可学习的数据增强技术解决一次性无监督领域自适应问题的分类框架，并在 DomainNet 和 VisDA 两个数据集上取得了最先进的性能。

本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签，避免出现孔洞和不连续性。实验表明，该方法在 IoU、F1 分数和 APLS 方面相较于现有的最先进方法有最少 6.6%、6.7% 和 9.8% 的较大增益。

该文介绍了一种解决无监督领域自适应人员再识别问题的新方法，利用源和目标领域之间的桥梁来建模中间领域，并通过中间域模块生成中间域表示。该方法在各种常见的任务中表现出比现有算法更好的性能，并在MSMT17基准测试中获得了7.7％的mAP增益。

本文介绍了一种无监督领域自适应方法——CORAL，通过对齐二阶统计信息来最小化领域偏移，不需要目标标签。与子空间流形方法相比，CORAL更为简单，还扩展到了非线性转换对齐深度神经网络中的层激活的相关性。在标准基准数据集上取得了最新的性能，最终获得了Deep CORAL方法。

本文介绍了一种使用双向记忆机制的黑盒子无监督领域自适应（UDA）方法，可以纠正有噪声的伪标签，实现稳健的跨不同视觉识别任务的领域自适应。该方法在图像分类、语义分割和目标检测等任务中表现出卓越的性能。