لقد اكتسب التكيف بين المجالات غير المراقب (DA) اهتمامًا كبيرًا في مجال التجزئة الدلالية. ومع ذلك، فإن معظم الدراسات السابقة افترضت الوصول المتزامن إلى البيانات المصنفة من المجال المصدري والبيانات غير المصنفة من المجال الهدف، مما يجعلها غير مناسبة للسياقات التي تتطلب تكيفًا بدون مصادر. في هذا العمل، نُمكّن التكيف بدون مصادر من خلال تقسيم المهمة إلى جزأين: أ) التعميم بين المجالات باستخدام بيانات المصدر فقط، و ب) التكيف مع الهدف دون الحاجة إلى المصدر. وبالنسبة للجزء الأول، نقدم رؤى نظرية لتطوير إطار متعدد الرؤوس يُدرّب على مجموعة بيانات افتراضية موسعة من مصادر متعددة، بهدف تحقيق توازن بين القدرة على التعميم والدقة المحددة. وبالنسبة للجزء الثاني، نستخدم الإطار متعدد الرؤوس لاستخراج تسميات وهمية موثوقة من الهدف لدعم عملية التعلم الذاتي. بالإضافة إلى ذلك، نقدّم مُشفّرًا تلقائيًا جديدًا يعتمد على شرط سابق، يُقلل من التغيرات المكانية غير المنتظمة، مما يعزز جودة التسميات الوهمية. أظهرت التجارب على المعايير القياسية GTA5 إلى Cityscapes وSYNTHIA إلى Cityscapes تفوقنا حتى على الطرق السابقة التي لا تعتمد على التكيف بدون مصادر. علاوةً على ذلك، نُظهر توافقنا مع التكيف المباشر (online adaptation)، ما يمكّن من تنفيذ النظام في بيئات تتغير تدريجيًا.