في هذا العمل، نقترح طريقة جديدة وبسيطة تسمى CLUDA لإجراء التكيف غير المشرف بين المجالات (UDA) في تقسيم المعاني من خلال دمج خسائر التباين في نموذج التعلم بين الطالب والمعلم، والذي يستخدم العلامات الوهمية التي تم إنشاؤها من قبل شبكة المعلم من المجال المستهدف. بشكل أكثر تحديدًا، نستخرج خريطة ميزات مدمجة متعددة المستويات من المشفّر، ونطبق خسارة التباين عبر الفئات المختلفة والمجالات المختلفة، وذلك عن طريق الخلط بين الصور المصدر والهدف. نحسن الأداء بصفة مستمرة على مختلف هياكل مشفرات الميزات وعلى مجموعات بيانات مختلفة للتكييف بين المجالات في تقسيم المعاني. بالإضافة إلى ذلك، نقدم خسارة تباين ذات وزن متعلم لتحسين أحدث طريقة تدريب متعددة الدقة في UDA. نحقق أفضل النتائج الحالية على مجموعتي بيانات GTA $\rightarrow$→ Cityscapes (74.4 mIOU، +0.6) و Synthia $\rightarrow$→ Cityscapes (67.2 mIOU، +1.4). يظهر CLUDA فعالية استخدام التعلم بالتباين في UDA كطريقة عامة يمكن دمجها بسهولة في أي UDA موجود لمهام تقسيم المعاني. يرجى الرجوع إلى المادة الإضافية للحصول على تفاصيل التنفيذ.