Unsupervised Domain Adaptation (UDA) zielt darauf ab, Modelle, die auf einem Quelldomäne trainiert wurden, so anzupassen, dass sie auch auf einer Ziel-Domäne gut performen, ohne zusätzliche Annotationen zu erfordern. Im Kontext der domain-adaptiven semantischen Segmentierung – einem Bereich, der UDA für dichte Vorhersagen behandelt – geht es dabei insbesondere darum, den Aufwand für kostspielige pixelgenaue Annotationen zu vermeiden. Typischerweise basieren zahlreiche etablierte Methoden auf der Schaffung von Zwischen-Domänen mittels cross-domain Mixed-Sampling-Techniken, um die Leistungsverschlechterung infolge von Domänenunterschieden zu mildern. Allerdings erzeugen solche Ansätze synthetische Daten, die von den tatsächlichen Verteilungen der realen Welt abweichen können, was das Modell potenziell von der wahren Ziel-Domänenverteilung abbringen könnte. Um dieses Problem anzugehen, schlagen wir eine neue Hilfsaufgabe namens „Guidance Training“ vor. Diese Aufgabe ermöglicht eine effektive Nutzung von cross-domain Mixed-Sampling-Techniken, gleichzeitig aber auch eine Reduzierung der Verteilungsverschiebung gegenüber der realen Welt. Konkret leitet das Guidance Training das Modell an, die Merkmalsverteilung der Ziel-Domäne aus gemischten Daten zu extrahieren und wiederherzustellen, gefolgt von der Dekodierung der rekonstruierten Ziel-Domänen-Merkmale zur Erstellung von Pseudolabel-Vorhersagen. Wichtig ist, dass die Integration von Guidance Training nur einen minimalen zusätzlichen Trainingsaufwand verursacht und keinerlei erhöhten Inference-Aufwand mit sich bringt. Wir belegen die Wirksamkeit unseres Ansatzes durch die Integration in bestehende Methoden, wobei sich konsistent verbesserte Ergebnisse ergeben. Die Implementierung wird unter https://github.com/Wenlve-Zhou/Guidance-Training verfügbar sein.