非監督ドメイン適応（UDA）は、代表的なデータの大規模なアノテーションが困難なアプリケーションにおいて重要な役割を果たします。特にセマンティックセグメンテーションでは、異なる「ソースドメイン」、例えば仮想環境からアノテートされた画像で訓練されたモデルを実際の「ターゲットドメイン」データに展開するのに役立ちます。これまでの多くの研究では、ソースドメインのデータに対する監督としてセマンティックセグメンテーションのみを考慮し、深度情報などの他の可能性のある情報を無視していました。本研究では、UDAモデルの訓練中にこのような特権情報を利用することを目指しています。私たちは、ソースドメインにおける密度深度の知識を複数の補完的な方法で活用する統一された深度認識UDAフレームワークを提案します。その結果、ターゲットドメインでの訓練済みセマンティックセグメンテーションモデルの性能が向上します。私たちの新しい手法は、異なる挑戦的なシナリオからリアルへのベンチマークで最先端の性能を達成しています。注：「synthetic-2-real benchmarks」は「シナリオからリアルへのベンチマーク」と訳しましたが、「合成-実際 ベンチマーク」や「シナリオ-リアル ベンチマーク」という表現も可能です。状況に応じて適切な表現を選択してください。