本论文提出了一种新颖的多尺度多视角全局局部对比学习（MMGL）框架，并在半监督心脏图像分割方面进行了广泛的实验，证明了其在有限注释下提高了分割性能，表现出比现有对比学习方法更好的效果。

Jul, 2022

通过使用对角层次一致性（DiHC-Net）的鲁棒半监督医学图像分割新框架，实现了几乎达到人类水平的临床应用中的医学图像分割结果，且在公开的左心房（LA）数据集上表现优于以往的方法。

Nov, 2023

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

提出了一种称为 UCC 的新型学习框架，它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块，结合了一致性和自我训练的优势，从而实现了半监督语义分割。在 Cityscapes 和 PASCAL VOC 2012 数据集上进行了广泛的实验，证明了 UCC 方法的有效性和优越性。

May, 2022

本研究提出了一种半监督语义分割方法，通过维护不同场景下相同特征的一致性，设计了方向反转损失函数并使用了两种样本筛选策略，该方法在图像级注释下有效地提高了半监督语义分割的性能。

Jun, 2021

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023

基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了 PLGDF 框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

Nov, 2023

本研究提出一种局部 - 全局上下文引导的视频扩散模型 (LGC-VD)，旨在在有条件 / 无条件的情况下捕获多感知条件，以产生高质量的视频。通过实验，证明此方法在视频预测、插值和无条件视频生成方面具有优异的性能。

Jun, 2023

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

本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

Jan, 2022