面向语义图像分割的无监督域适应：全面综述

语义分割在广泛的计算机视觉应用中起着基础作用，为图像的全局理解提供关键信息。然而，最先进的模型依赖大量标注样本，这比图像分类等任务获取成本更高。由于未标注数据获取成本显著更低，无监督域适应（Unsupervised Domain Adaptation）在语义分割领域取得广泛成功并不令人意外。本综述旨在总结这一飞速增长领域五年的成果，该领域既重视语义分割本身，也重视将分割模型适应新环境的迫切需求。我们介绍了最重要的语义分割方法；提供了关于语义分割域适应技术的全面综述；揭示了多域学习、域泛化、测试时适应或无源域适应等更新趋势；最后通过描述语义分割研究中最广泛使用的数据库与基准来结束本综述。我们希望本综述能为学术界与工业界的研究人员提供一份全面参考指南，并有助于他们在领域中培育新的研究方向。