标注训练数据与未标注测试数据之间的分布差异，是当前深度学习模型面临的一项重大挑战。无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在解决此类问题。近年来的研究表明，自训练（self-training）是一种有效的UDA方法。然而，现有方法在可扩展性与性能之间难以取得良好平衡。本文提出了一种面向语义分割任务的实例自适应自训练框架。为有效提升伪标签的质量，我们设计了一种新颖的伪标签生成策略，其中引入了实例自适应选择器。此外，我们提出了区域引导正则化（region-guided regularization），用于平滑伪标签区域并锐化非伪标签区域。所提方法结构简洁、计算高效，易于推广至其他无监督域自适应方法。在“GTA5到Cityscapes”与“SYNTHIA到Cityscapes”两个基准任务上的实验结果表明，我们的方法在性能上显著优于现有最先进方法。