Im Bereich der unüberwachten Domänenanpassung (UDA) leidet die direkte Anpassung von der Quell- zur Ziel-Domäne in der Regel an erheblichen Diskrepanzen und führt zu einer unzureichenden Ausrichtung. Daher versuchen viele UDA-Studien, den Domänenabstand schrittweise und sanft durch verschiedene Zwischenräume zu verringern, was als Domänenbrücke (DB) bezeichnet wird. Allerdings haben für dichte Vorhersageaufgaben wie die domänenspezifische semantische Segmentierung (DASS) bisherige Lösungen hauptsächlich auf groben Stiltransfer vertraut, und es wurde noch nicht ausreichend erforscht, wie man die Domänen elegant verbinden kann. In dieser Arbeit greifen wir auf Datenmischung zurück, um eine gezielte Domänenbrücke (DDB) für DASS herzustellen. Dabei werden die gemeinsamen Verteilungen der Quell- und Ziel-Domänen in einem Zwischenraum ausgerichtet und miteinander interagiert. Im Zentrum der DDB steht ein Schritt mit doppelter Pfad-Domänenbrücke, bei dem zwei Zwischendomänen unter Verwendung grober und feiner Datenmischungstechniken generiert werden, sowie ein Schritt zur Wissensdistillierung über verschiedene Pfade, bei dem zwei ergänzende Modelle, die auf den generierten Zwischensamples trainiert wurden, als "Lehrer" dienen, um in einer Multi-Lehrer-Distillierungsweise ein überlegenes "Schüler"-Modell zu entwickeln. Diese beiden Optimierungsschritte arbeiten abwechselnd und stärken sich gegenseitig, um eine DDB mit starken Anpassungsfähigkeiten zu ermöglichen. Umfangreiche Experimente zu adaptiven Segmentierungsaufgaben unter verschiedenen Einstellungen zeigen, dass unsere DDB erheblich besser abschneidet als die bislang besten Methoden. Der Code ist unter https://github.com/xiaoachen98/DDB.git verfügbar.