セマンティック画像セグメンテーションのドメイン適応は、ピクセルレベルのラベルで大規模データセットを手動でラベリングすることが高コストかつ時間のかかる作業であるため、非常に重要です。既存のドメイン適応技術は、限定的なデータセットでのみ機能するか、教師あり学習と比較して性能が十分でないことが多いです。本論文では、セグメンテーションのドメイン適応向けに新しい双方向学習フレームワークを提案します。この双方向学習を使用することで、画像変換モデルとセグメンテーション適応モデルを交互に学習し、互いに促進することができます。さらに、自己監督学習アルゴリズムを提案し、より優れたセグメンテーション適応モデルを学習し、逆に画像変換モデルの性能向上にも寄与します。実験結果は、本手法がセグメンテーションのドメイン適応において現行の最先端手法よりも大幅に優れていることを示しています。ソースコードは https://github.com/liyunsheng13/BDL から入手可能です。