Domain Adaptation zielt darauf ab, die Domänenverschiebungen zwischen Quell- und Zieldomäne zu überbrücken. Diese Verschiebungen können sich über verschiedene Dimensionen erstrecken, beispielsweise Nebel, Regen usw. Allerdings berücksichtigen aktuelle Methoden typischerweise keine expliziten Vorwissen über die Domänenverschiebungen in einer bestimmten Dimension, was zu einer weniger zufriedenstellenden Anpassungsleistung führt. In diesem Paper untersuchen wir eine praktische Anwendungssituation, die als Spezifische Domänenanpassung (Specific Domain Adaptation, SDA) bezeichnet wird und die Quell- und Zieldomäne in einer vorgegebenen Dimension ausrichtet. Innerhalb dieses Rahmens stellen wir fest, dass die intra-Domänenlücke, die durch unterschiedliche Domänenstärke (d. h. numerische Größenordnungen der Domänenverschiebungen in dieser Dimension) verursacht wird, entscheidend für die Anpassung an eine spezifische Domäne ist. Um dieses Problem anzugehen, schlagen wir einen neuartigen Selbstgegensätzlich entkoppelnden (Self-Adversarial Disentangling, SAD) Rahmen vor. Insbesondere, gegeben eine bestimmte Dimension, bereichern wir zunächst die Quelldomäne durch Einführung eines Domänenstärke-Erzeugers, der zusätzliche überwachende Signale liefert. Auf Basis der erzeugten Domänenstärke entwerfen wir einen selbstgegensätzlichen Regularisator sowie zwei Verlustfunktionen, um gemeinsam die latente Darstellung in domänenstark spezifische und domänenstark invariante Merkmale zu entkoppeln, wodurch die intra-Domänenlücke reduziert wird. Unser Ansatz kann problemlos als Plug-and-Play-Framework eingesetzt werden und verursacht keine zusätzlichen Kosten bei der Inferenzzeit. Wir erreichen konsistente Verbesserungen gegenüber aktuellen State-of-the-Art-Methoden sowohl in der Objekterkennung als auch in der semantischen Segmentierung.