Unsupervised Domain Adaptation (DA) hat in der semantischen Segmentierung erhebliches Interesse geweckt. Fast alle vorherigen Ansätze setzen jedoch gleichzeitigen Zugriff auf gelabelte Quelldaten und unlabeled Ziel-Daten voraus, wodurch sie für Szenarien ungeeignet sind, die eine quellenfreie Anpassung erfordern. In dieser Arbeit ermöglichen wir quellenfreie DA, indem wir die Aufgabe in zwei Teilprobleme zerlegen: a) Quellen-unabhängige Domänenverallgemeinerung und b) quellenfreie Zielanpassung. Für das erste Problem liefern wir theoretische Erkenntnisse, um einen Mehr-Kopf-Framework zu entwickeln, der mit einer virtuell erweiterten Multi-Quellen-Datenmenge trainiert wird, um ein Gleichgewicht zwischen Verallgemeinerungsfähigkeit und Spezifität zu erreichen. Für das zweite Problem nutzen wir den Mehr-Kopf-Framework, um zuverlässige Pseudolabels für das Ziel-Dataset zu extrahieren, um so ein Self-Training zu ermöglichen. Zudem führen wir einen neuartigen bedingten Prior-erzwingenden Autoencoder ein, der räumliche Irregularitäten unterbindet und somit die Qualität der Pseudolabels verbessert. Experimente auf den etablierten Benchmarks GTA5-to-Cityscapes und SYNTHIA-to-Cityscapes zeigen, dass unser Ansatz selbst gegenüber nicht quellenfreien Vorarbeiten überlegen ist. Darüber hinaus demonstrieren wir die Kompatibilität mit Online-Anpassung, was eine Implementierung in dynamisch sich verändernden Umgebungen ermöglicht.