استخدام البيانات المصنعة لتدريب الشبكات العصبية التي تحقق أداءً جيدًا على البيانات الحقيقية هو مهمة مهمة لأنه يمكن أن يقلل من الحاجة إلى تسمية البيانات الباهظة الثمن. ومع ذلك، فإن هناك فجوة مجال بين البيانات المصنعة والبيانات الحقيقية. تم دراسة تقليص هذه الفجوة، المعروفة أيضًا بالتكيف بين المجالات (domain adaptation)، على نطاق واسع في السنوات الأخيرة. إن إغلاق الفجوة بين بيانات المصدر (المصنعة) وبيانات الهدف (الحقيقية) عن طريق تنفيذ التكيف مباشرة بينهما يعد تحديًا. في هذا العمل، نقترح إطار عمل جديد من مرحلتين لتحسين تقنيات التكيف بين المجالات على بيانات الصور. في المرحلة الأولى، ندرب شبكة عصبية متعددة المقاييس تدريجيًا لتنفيذ الترجمة الصورية من مجال المصدر إلى مجال الهدف. نشير إلى البيانات المحولة الجديدة باسم "المصدر في الهدف" (Source in Target - SiT). ثم، نقوم بإدخال البيانات SiT المولدة كمدخل لأي طريقة UDA قياسية. هذه البيانات الجديدة لديها فجوة مجال مخفضة من المجال الهدف المرغوب، مما يسهل على الطريقة UDA التطبيقية إغلاق الفجوة بشكل أكبر. نؤكد فعالية طرقنا عبر مقارنتها بطرق UDA الرائدة وأساليب الترجمة الصورية إلى صورية أخرى عند استخدامها كمولدات SiT. بالإضافة إلى ذلك، نوضح تحسين إطار عملنا باستخدام ثلاث طرق UDA رائدة للتقسيم الدلالي: HRDA و DAFormer و ProDA، في مهمتين للUDA: من GTA5 إلى Cityscapes ومن Synthia إلى Cityscapes.