本研究提出了一种噪声优化条件扩散（NOCDDA）方法，以解决无监督领域适应中高置信度伪标记样本稀缺的问题。实验结果显示，NOCDDA在多个基准数据集上的表现显著优于31种先进方法，验证了其稳健性和有效性。

本研究提出了一种基于概念的无监督领域适应（CUDA）框架，旨在解决概念瓶颈模型在领域转移中的性能下降问题。通过对抗训练和松弛阈值，CUDA提高了模型的鲁棒性，实验结果表明其在真实数据集上的表现优于现有方法。

本研究提出了一种改进的无监督领域适应方法YOCOv2，旨在解决自动化宇航器在行星和小天体表面地形检测中的高计算需求和标签数据稀缺问题。YOCOv2通过增强视觉相似性对齐策略，实现了超过31%的性能提升，展现了在实际宇航任务中的应用潜力。

本研究提出了一种结合视觉语言推理与无监督领域适应的方法，旨在解决现有分割模型在训练时的类别限制问题。通过多尺度上下文数据和增强文本嵌入，构建的UDA-FROVSS框架能够在无需共享类别的情况下有效适应不同领域，从而提高细粒度分割能力。

本研究提出了一种低成本的无监督领域适应方法，有效解决了精细农业中视觉模型在新领域的适应性问题，显著提升了对象检测和关键点检测的精度。

本研究提出GrabDAE框架，通过Grab-Mask模块和去噪自编码器，解决无监督领域适应中目标领域上下文信息利用不足的问题，提升特征对齐和分类准确性。实验表明，GrabDAE在多个数据集上表现优于现有方法。

本文研究了无监督领域适应在下游任务中的应用，提出了UDALM微调方法，结合分类和掩码语言模型损失。实验表明，混合损失训练模型的性能与目标数据量相关，可作为训练停止的标准。在Amazon评论数据集上，准确率达到91.74%，超过现有技术1.11%。

MS3D是一种新的自我训练管道，用于无监督领域适应的3D目标检测。它结合预训练探测器和时间信息生成高质量伪标签，并通过核密度估算融合多个域的盒子提议。MS3D在领域转移中表现出色，适合不同波束的领域适应，且在所有评估数据集上表现优异。预训练探测器的选择对结果影响较小，适合实际应用。

本研究提出了AdaPrune方法，解决了无监督领域适应中选择训练数据示例的问题。通过移除不合适的训练示例来对齐训练分布与目标数据。研究表明，AdaPrune在生物声学事件检测任务中优于相关技术，并为其他无监督领域适应算法提供了有效的补充。

该方法通过在潜在特征空间中传递目标领域的风格给源领域，解决了图像级别和浅层特征图级别上的问题，并在目标领域上取得了出色的性能。

本文介绍了一种新的无监督领域适应方法，通过伪标签和约束增强一致性，使模型在磨损、污渍和失真下更加鲁棒。同时，提出了一种无监督的转移损失，在扫描领域上学习更有辨别力的特征。实验结果表明，该方法在Oracle-241数据集上实现了最先进的结果，并且在结构纹理分离网络上性能提升了15.1%。

本研究提出了一种无需重训的量化网络RTF-Q，解决了边缘设备上无监督领域适应时的参数精度冗余问题。实验结果显示该方法在多个领域适应任务上具有高分类精度，同时减少了网络规模和计算开销。

我们提出了一种名为STAL3D的框架，能够在无监督领域适应中实现3D物体检测。通过协作自训练和对抗学习，利用伪标签和特征分布对齐的互补优势，设计了背景抑制对抗学习模块和尺度过滤模块，有效减轻了背景干扰和源域尺寸偏差的问题。在多个跨域任务上，STAL3D实现了最先进的性能，甚至超过了Oracle结果。

该研究提出了监督插值的概念框架，通过松弛和概括Mixup，提出了一种名为LossMix的正则化方法，并设计了一种两阶段的域混合方法，超越了Adaptive Teacher，并在无监督领域适应中有了新的突破。

我们提出了一种简单直接的方法来减小不同领域之间的差异，并与自训练的无监督领域适应方法集成。该模型通过在潜在特征空间中传递目标领域的风格给源领域，解决了图像级别和特征图级别上的问题，并在目标领域上取得了出色性能。在合成到真实的无监督领域适应任务中，我们的方法在GTA->Cityscapes数据集上达到了显著的UDA性能，mIoU为76.93%，比先前最先进结果改善了1.03个百分点。

通过引入CMDA方法，利用视觉语义线索缩小跨模态鸟瞰图表示的领域差距，实现无监督领域适应。采用对抗性自我训练策略生成具有领域不变性的特征，提供高度信息化和领域自适应的3D目标检测模型。在大规模基准测试中，该方法显著提升了无监督领域适应任务的性能，达到了最先进水平。

本研究提出了一种从真实世界图像中提取基于物理的渲染材料的方法，通过扩散模型将图像区域映射到材料概念，并利用独立网络将生成的纹理分解成空间变化的BRDFs。通过无监督领域适应实现对新样本的泛化应用。该方法在合成和真实世界数据集上进行了评估，并展示了从实际照片估计的材料编辑3D场景的适用性。

该论文提出了一种解决无监督领域适应中参数选择问题的向量值函数扩展算法，基于加权最小二乘法。实证比较表明该算法具有理论错误保证，并在各数据集上均超越了其他算法。

该文介绍了一种名为“可转移概念原型学习”的方法，能够同时解释和改进无监督领域适应中的知识转移和决策过程，并通过学习可转移原型和设计自预测一致的伪标签策略来减小领域差距。

该文介绍了一种新的无监督领域适应方法，通过在熵对抗网络中丰富判别器网络的边缘预测概率值，结合内部和外部信息以提高对象边界的清晰度，进而改进了领域适应质量。实验证明，该方法在多种无监督领域适应场景中具有出色的性能。