本论文提出了一种基于深度学习的图像分割框架 UMCT，通过协同训练和利用未标注数据来实现半监督和无监督领域自适应的任务，实现针对大量未标注数据的高效分析处理和标注，获得了半监督医学影像分割方面的最佳表现，并成功将模型应用于医学影像解剖结构的领域自适应。

Jun, 2020

本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

Mar, 2020

本文提出了一种基于多视角一致性的 3D 数据协同训练新框架，利用不同子网络的多样化特征来扩展协同训练，采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性，并通过自适应方法计算每个未标注样本的置信度，它在临床图像处理领域的效果得到了验证。

Nov, 2018

本文提出了一种新的基于双分支协同训练框架的基于冲突的跨视图一致性方法 (CCVC)，该方法使用特征差距损失鼓励两个子网络从相同的输入学习不同的特征，并使用冲突的伪标签方法来保证模型可以从冲突预测中学习更多有用的信息，从而在半监督语义分割 (Semantic Segmentation) 任务中取得了最新的最优性能.

Mar, 2023

该研究提出了一种名为 AUGCO 的算法，在无源数据的情况下，利用模型的像素精度在目标图像的多样化自动生成视图下的预测一致性以及模型置信度来识别可靠的像素预测并进行有选择性的自我训练，最终在三种标准的语义分割基准测试中取得了最先进的无源自适应结果，这是一种易于实现和快速收敛的方法。

Jul, 2021

利用动态预测不确定性的像素权重加权 U-CE（Uncertainty-aware Cross-Entropy loss）训练方法在两个基准数据集上优于传统 CE（cross-entropy loss）训练方法，提高了安全关键应用中更稳健可靠的分割模型的性能和可信度。

Jul, 2023

本文提出了一种基于弱监督学习的聚类框架，其中介绍了一种基于多示例学习任务的新颖技术，称为唯一类计数（$ ucc $），该任务中不需要在训练过程中对单个实例进行注释。我们构建了一个基于神经网络的 $ ucc $ 分类器，并在实验中证明，弱监督的 $ ucc $ 分类器的聚类性能与完全监督学习模型的聚类性能相当。此外，我们测试了该框架在乳腺癌转移的语义分割任务中的适用性，并显示了弱监督的框架的性能与完全监督的 Unet 模型的性能相当。

Jun, 2019

我们提出了一种多级全局上下文一致性 (MGCC) 框架，它使用由潜在扩散模型 (LDM) 生成的图像作为半监督学习的未标记图像，针对医疗图像分割中全局上下文信息的缺失问题，解决了医疗图像注释工作负担和与其相关的隐私问题，该方法在公开和私人数据集上进行实验，证明了在分割网络中有效传递概率分布知识的能力，从而提高了分割准确性。

May, 2023

通过提出概念整理（CoCu）的流程，借助 CLIP 来弥补语义缺失，将视觉和文本语义之间的差距缩小，从而在预训练数据中增加了更多的视觉概念，并在零样本迁移和语义分割等方面取得了卓越的性能。

Sep, 2023

本文提出了一种半监督图像分割的改进方法，采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence（JSD）损失函数，通过在在训练的不同迭代中强制模型的预测结果始终保持一致性，获得了在少量已标注数据情况下取得了比标准协同训练基线方法和最新半监督分割方法更好的性能表现。

Oct, 2020