يُعد الفارق بين بيانات التدريب ذات التسمية والبيانات غير المُسَمَّاة في الاختبار تحديًا كبيرًا بالنسبة للنماذج العميقة الحديثة. وتحاول التكييف غير المُراقب للنطاق (UDA) التغلب على هذا النوع من المشكلات. وقد أظهرت الدراسات الحديثة أن التدريب الذاتي (self-training) يُعد منهجًا قويًا لتحقيق UDA. ومع ذلك، يواجه الطرق الحالية صعوبة في تحقيق التوازن بين القابلية للتوسع والأداء. في هذه الورقة، نقترح إطارًا جديدًا للتدريب الذاتي المُتكيف مع كل مثال، مُطبَّقًا على مهمة التجزئة الدلالية (semantic segmentation). ولتحسين جودة التسميات الوهمية بشكل فعّال، نطوّر استراتيجية جديدة لإنشاء التسميات الوهمية، تشمل منتقيًا متكيفًا مع المثال. علاوةً على ذلك، نقترح تنظيمًا موجهًا بالمنطقة (region-guided regularization) لتنعيم مناطق التسميات الوهمية وتوضيح المناطق غير المُسَمَّاة. يُعدّ هذا الأسلوب موجزًا وفعالًا لدرجة تُسهل تعميمه على طرق أخرى للتكييف غير المُراقب للنطاق. وقد أظهرت التجارب على مجموعتي البيانات "GTA5 إلى Cityscapes" و"SYNTHIA إلى Cityscapes" تفوق أسلوبنا مقارنةً بالطرق الرائدة في مجالها.