Kürzliche Forschungen im Bereich des unsupervisierten Domänen-Adaptations (UDA) haben gezeigt, dass end-to-end-Ensemble-Lernframeworks eine überzeugende Option für UDA-Aufgaben darstellen. Dennoch fehlen diesen end-to-end-Ensemble-Lernmethoden oft Flexibilität, da jede Änderung im Ensemble eine Neuentwicklung und Neutrainierung des gesamten Frameworks erfordert. Um dieses Problem zu lösen, schlagen wir ein flexibles Ensemble-Distillation-Frame­work für die semantische Segmentierung im Kontext von UDA vor, das eine beliebige Kombination der Ensemble-Mitglieder ermöglicht, ohne die herausragende Leistung zu beeinträchtigen. Um diese Flexibilität zu erreichen, ist unser Framework so gestaltet, dass es robust gegenüber Ausgabewidersprüchen und Leistungsunterschieden zwischen den Ensemble-Mitgliedern ist. Um die Wirksamkeit und Robustheit unserer Methode zu überprüfen, führen wir eine umfassende Reihe von Experimenten auf den Benchmarks GTA5 zu Cityscapes und SYNTHIA zu Cityscapes durch, um quantitativ die durch unsere Methode erreichbaren Verbesserungen zu analysieren. Darüber hinaus liefern wir detaillierte Analysen, um zu bestätigen, dass unsere Designentscheidungen praktikabel und vorteilhaft sind. Die experimentellen Ergebnisse bestätigen, dass die vorgeschlagene Methode gegenüber aktuellen Baseline-Verfahren in Aufgaben der semantischen Segmentierung im Kontext von UDA tatsächlich überlegene Leistung, Robustheit und Flexibilität bietet.