최근 자기 학습(self-training) 접근법은 도메인 적응(semantic segmentation) 분야에서 중요한 위치를 차지하고 있으며, 이는 타겟 도메인의 의사 레이블(pseudo-labels)을 활용하여 모델을 훈련하는 방식이다. 기존의 연구들은 도메인 간 차이로 인해 발생하는 노이즈가 있는 의사 레이블 문제를 상당 부분 완화해왔다. 그러나 여전히 세분화 분류기의 경계 근처에서 발생하는 오류 있는 의사 레이블 처리에는 어려움을 겪고 있다. 본 논문에서는 이러한 문제를 해결하기 위해, 세분화 분할을 위한 이중 수준 상호작용(dual-level interaction) 기반의 도메인 적응(DIDA)을 제안한다. 구체적으로, 동일한 픽셀의 다양한 증강된 관측값이 단순히 유사한 클래스 예측(세분화 수준)을 보이는 것뿐만 아니라, 다른 픽셀들과의 유사성 관계 또한 유사하도록 유도한다(인스턴스 수준). 모든 픽셀 인스턴스의 특징을 전체 데이터셋에 대해 저장하는 것은 불가능하므로, 우리는 정보가 풍부한 인스턴스의 특징만을 동적으로 업데이트하는 라벨링된 인스턴스 은행(instance bank)을 유지한다. 또한, DIDA는 산란(scattering)과 집합(gathering) 기법을 활용해 수준 간 상호작용을 수행함으로써 더 신뢰할 수 있는 의사 레이블을 재생성한다. 제안된 방법은 기존 최고 성능 기법 대비 뚜렷한 성능 향상을 보이며, 특히 혼동이 쉬운 클래스와 긴 꼬리(long-tailed) 클래스에서 두드러진 성능을 나타낸다. 코드는 다음과 같은 링크에서 제공된다: \href{https://github.com/RainJamesY/DIDA}