教師なしドメイン適応（Unsupervised domain adaptation）は、セマンティックセグメンテーションにおいて画素単位のアノテーションの必要性を軽減する手法として注目されている。代表的なアプローチの一つとして、ソースドメインの画像をターゲットドメインに変換し、その後、特徴空間における周辺分布を敵対学習を用いて一致させる方法がある。しかし、ソースからターゲットへの画像変換は、ソースドメインのデータ量が優勢であるため、変換画像にバイアスが拡大され、さらに追加の計算負荷を引き起こすという問題がある。また、グローバルな特徴一致のみでは、ソースドメインとターゲットドメインにおける同時分布の一貫性を保証できない。本研究では、画像変換バイアスを軽減し、同一カテゴリのクロスドメイン特徴を適切に一致させるための新規フレームワークを提案する。このフレームワークは、1）ターゲットからソースへの変換を実施し、2）予測ラベルからソースおよびターゲット画像を再構成するという2つのアプローチを採用している。合成データから実環境都市シーン理解への適応を対象とした広範な実験により、既存の最先端手法と比較しても優れた性能を発揮することが確認された。