教師なしドメイン適応（Unsupervised Domain Adaptation, UDA）は、ラベル付きのソースドメインで学習されたモデルを、ラベルなしのターゲットドメインに適応させることを目的としています。本論文では、教師なしドメイン適応におけるセマンティックセグメンテーションのためのシンプルかつ効率的な対照学習手法である「プロトタイプ対照適応（Prototypical Contrast Adaptation, ProCA）」を提案します。従来のドメイン適応手法は、異なるドメイン間でのクラス内表現分布の整合性にのみ注目していた一方で、クラス間の構造的関係性は十分に考慮されておらず、その結果、ターゲットドメインにおける表現がソースドメインと同様に明確に分離されにくくなる問題が生じていました。これに対し、ProCAはクラスごとのプロトタイプにクラス間の情報を組み込み、クラス中心の分布整合を採用することで適応を実現します。同一クラスのプロトタイプをポジティブ、他のクラスのプロトタイプをネガティブとして扱い、クラス中心の分布整合を達成することで、従来の代表的なドメイン適応タスク（GTA5 → Cityscapes および SYNTHIA → Cityscapes）において、最先端の性能を達成しました。実装コードは以下のURLから入手可能です：\href{https://github.com/jiangzhengkai/ProCA}{ProCA}