幅広いシナリオにわたりオブジェクト検出器を堅牢に展開するためには、新たなデータを継続的にラベル付けする必要なく、入力分布の変化に適応できる能力が求められる。このような背景から、検出における教師なしドメイン適応（Unsupervised Domain Adaptation: UDA）アルゴリズムに関する研究が促進されている。UDA手法は、ラベル付きのソースドメインからラベルなしのターゲットドメインへと適応するため、ソースドメインとターゲットドメインの検出器特徴量間の整合性を導くことで学習を行う。しかし、どの特徴量を整合すべきか、そしてどのように整合を行うかについては、まだ明確な合意は存在しない。本研究では、UDA手法で一般的に用いられる各種コンポーネントを包括的に統合するフレームワークを提案し、UDAの設計空間に対する深層的な分析を可能にする基盤を構築する。具体的には、本フレームワークの直接的な実装として、最適な設計選択を活用し、敵対的学習を用いたグループ整合を実現する前に、視覚的類似性に基づいてインスタンスレベルで特徴量を集約する、単純ながら有効な手法を導入した新しいUDAアルゴリズム「ViSGA」を提案する。実験により、類似性に基づくグループ化と敵対的学習の両方が、 loosely aligned なドメイン間ですべてのインスタンスを厳密に一致させる必要なく、粗いレベルでの特徴グループの整合に焦点を当てる能力をモデルに与えることが示された。さらに、ラベル付きデータが複数の異なるソースから収集される設定におけるViSGAの適用可能性について検証した。実験の結果、Sim2Realおよび悪天候設定において、従来の単一ソースアプローチを上回る性能を発揮するとともに、マルチソース設定にも良好に一般化することが確認された。