مع صعود الصناعات المستقلة، أصبح تكييف المجال في بُنية التمييز البصري اتجاهًا بحثيًا مهمًا نظرًا للوفرة التي يُعدّها من حيث التكاليف. وقد ركّزت الكثير من الدراسات السابقة على تكييف المجال في تصنيف الدلالة (semantic segmentation) ضمن السياق من المحاكاة إلى الواقع. وعلى الرغم من كونه إخراجًا جوهريًا من بُنية التمييز، إلا أن التصنيف الشامل (panoptic segmentation) قد تُجاهِلَ إلى حد كبير من قبل مجتمع تكييف المجال. لذلك، نعيد النظر في استراتيجيات تكييف المجال الفعّالة من مجالات أخرى، ونُعدّلها لتناسب التصنيف الشامل، ونُظهر أنها قادرة على تعزيز تكييف المجال الشامل بشكل فعّال. علاوةً على ذلك، ندرس تصميم الشبكة الشاملة ونُقدّم معمارية جديدة (EDAPS) صُمّمت خصيصًا لتكييف المجال في التصنيف الشامل. وتستخدم EDAPS معالجًا مُشتركًا ومقاومًا للمجالات (transformer encoder) لتمكين التكييف المشترك للميزات الدلالية والمواصفات الفردية، مع مُفكّكات مخصصة لكل مهمة لتلبية المتطلبات الخاصة لكل من التصنيف الدلالي وتكييف المجال، والتصنيف الفردي وتكييف المجال. وبذلك، يُضيّق الفجوة الأداء بشكل كبير في معايير التصنيف الشامل الصعبة. وتحسّن EDAPS الأداء الراهن للحالة المتطورة في التصنيف الشامل باستخدام تعلم غير مُشرَّف (UDA) بنسبة 20% على مجموعة البيانات من SYNTHIA إلى Cityscapes، وبنسبة حتى 72% على المجموعة الأصعب من SYNTHIA إلى Mapillary Vistas. يُمكن الوصول إلى التنفيذ عبر الرابط: https://github.com/susaha/edaps.