通过分析 MIS 视频，综述了当前 MTL 系统在 MIS 中的应用，讨论了这些系统的优势和局限性，并对 MTL 在 MIS 的各个应用领域进行了文献分析，包括大模型，突出了显著趋势、新的研究方向和发展。

Jan, 2024

提出了一种基于多层变压器的模型的分类增量域自适应（CIDA）方法，用于在机器人手术过程中生成手术报告，并对其进行了实证评估。

Jul, 2021

本文提出了一种分布式和异步优化的多任务学习框架，该框架能够有效地解决数据存储在不同地点时的挑战，同时能够提高多任务学习模型的泛化性能。实证研究表明本文提出的方法在合成和实际数据集上均表现出高效和有效的性能。

Sep, 2016

研究多任务学习在计算机视觉中的应用，通过综述现有方法，提出几种方法处理多任务学习中的重要问题，并在各种基准测试中进行评估，进一步提升了多任务学习的状态。

Mar, 2022

本研究提出了一种新颖的基于注意力的多任务学习框架，通过跨任务的交互作用更好地利用了医学影像任务中的跨任务相互作用，从细粒度级别到图像级别的预测，有效提高了医学影像任务的准确性。

Sep, 2023

本文提出了一种称为增量转移学习的多站点分割框架，其中我们以端到端的序列方式从多站点数据集中学习模型，通过在每个数据集上的嵌入特征的线性组合来实现迁移，缓解了增量学习中的严重遗忘问题，适用于多站点医学图像分割。

Jun, 2022

该论文提出了一种基于知识蒸馏的增量学习方法，利用未标记数据避免灾难性遗忘，该方法在公开基准测试中表现出显著的效果，能够保存已获取的知识，并对增量添加的任务获得良好的性能。

Feb, 2023

本文提出利用多任务学习中的软参数共享机制，在卷积神经网络中加入侧向转换块，并使用跳接连接的方式提取各深度的任务特定特征，从而在面部关键点检测等相关任务中取得更好的精度和深度特定影响的知识共享效果。

Oct, 2017

本研究提出了一种名为 InterroGate 的新型多任务学习架构，用于减轻任务干扰并优化推理计算效率。通过可学习的门控机制自动平衡共享和任务特定的表示，同时保持所有任务的性能。在广泛的实证评估中，我们使用卷积和基于 transformer 的骨干网络，在 CelebA、NYUD-v2 和 PASCAL-Context 上展示了最先进的多任务学习结果。

Feb, 2024

任务增量学习中的综合生成回放框架通过合成图像 - 掩模对来还原外观和语义知识，解决了出现同时外观和语义遗忘的问题。

Jun, 2024