我们提出了一种适用于语义分割任务的域适应方法，该方法兼具实用性与高精度。与以往研究不同，我们摒弃了计算开销较大的对抗性目标、网络集成以及风格迁移等复杂策略。相反，我们采用标准的数据增强技术——如光照噪声、图像翻转与缩放，并确保在这些图像变换下语义预测结果保持一致性。我们在此原则基础上构建了一个轻量级的自监督框架，通过协同演化的伪标签进行训练，无需繁琐的额外训练轮次。从实践者的角度来看，该方法训练过程极为简洁，但效果却十分显著。无论在不同的主干网络架构还是不同的域适应场景下，我们的方法均能实现显著优于现有最先进水平的分割精度提升，且结果具有高度一致性。