1、介绍
Learning Domain Adaptive Features with Unlabeled Domain Bridges中提出了一种新的方法来学习大间隔的源域和目标域之间的域自适应特征，并使用未标记的域桥。首先，介绍了循环一致性流生成对抗网络（CFGAN）的框架，该框架利用域桥在两个远程分布的域之间进行图像到图像的转换。其次，提出了一种典型的对抗域自适应（PADA）模型，该模型利用未标记的桥域来对齐差异较大的源和目标之间的特征分布，基本网络结构图如下所示:
2、桥接技术
对于差别较大的源域和目标域数据，设置一个桥接领域，让源域与目标域都与桥接领域对齐，对齐方法采用MMD，原理图如下所示：
3、CycleGAN
CycleGAN引入了一个循环一致性损失，以使用平移和反向平移的循环来恢复原始图像。然而，普通的CycleGAN适用于源和目标之间的域间隙相对较小的情况，这里采用了三领域CycleGAN技术: