최근의 심층 신경망은 다양한 의미 분할 작업에서 최고 성능을 달성하고 있다. 그러나 이러한 성과에도 불구하고, 레이블이 붙은 학습 데이터(또는 소스 데이터)와 관측되지 않은 테스트 데이터(또는 타겟 데이터) 사이에 큰 차이가 존재하는 실제 세계의 ‘와일드 작업(wild tasks)’에서는 여전히 도전 과제에 직면한다. 특히 이러한 차이는 종종 ‘도메인 갭(domain gap)’이라고 불리며, 표현 능력을 더 강화하는 것으로는 쉽게 해결되지 않는 상당한 성능 저하를 초래할 수 있다. 무 supervision 도메인 적응(UDA, Unsupervised Domain Adaptation)은 타겟 도메인의 레이블 없이 이러한 문제를 극복하고자 하는 접근법이다. 본 논문에서는 반복적인 자기 학습(self-training, ST) 절차를 기반으로 한 새로운 UDA 프레임워크를 제안한다. 이 프레임워크는 은닉 변수 손실 최소화 문제로 공식화되며, 타겟 데이터에 대해 가상 레이블을 반복적으로 생성하고, 생성된 레이블로 모델을 재학습하는 방식으로 해결할 수 있다. ST 기반으로, 가상 레이블 생성 과정에서 큰 클래스들이 점차 지배하게 되는 문제를 방지하기 위해 새로운 클래스 균형 자기 학습(CBST, class-balanced self-training) 프레임워크를 제안하고, 공간적 사전 지식(spatial priors)을 도입하여 생성된 레이블의 정확도를 개선한다. 광범위한 실험을 통해 제안된 방법들이 여러 주요 UDA 설정 하에서 최고 수준의 의미 분할 성능을 달성함을 확인하였다.