本文提出了一种统一的、通用的框架 ——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

May, 2023

本研究提出了一种名称为 MTOR 的新方法，将 Mean Teacher 引入到 Faster R-CNN 网络中，通过学习对象之间的关系，结合三项一致性规则（区域级别、图形间、图形内）来进行跨领域检测，实验结果表明，在包括 Cityscapes、Foggy Cityscapes 和 SIM10k 在内的跨领域转移中，MTOR 的表现优于现有的方法，最好的单模型结果为 Syn2Real detection 数据集上的 22.8% 的 mAP。

Apr, 2019

该研究提出一种无监督的 Mutual Mean-Teaching (MMT) 框架，通过软标签精炼与三元组损失优化联合训练，从而在 Person Re-Identification 中实现了更好的特征表示与优秀的 unsupervised domain adaptation 性能。

Jan, 2020

本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法，通过第一视角和第二视角目标的相对特征距离来调整原型分配，并使用特征距离来估计伪标签的概率以辅助在线纠正，同时利用自我监督训练模型进一步提高性能。

Jan, 2021

本研究主要研究基于无源域的玻璃体图像分割，旨在通过使用无标签图像将预训练的玻璃体分割模型适应到目标领域。研究提出了一种名为 Class-Balanced Mean Teacher (CBMT) 的模型，旨在解决伪标签不稳定和类别不平衡的问题，并通过实验证明 CBMT 在多个基准测试中优于现有方法。

Jul, 2023

该研究提出了基于自监督平均教师预训练和半监督微调的自我监督平均教师的半监督学习方法，应用于胸部 X 光片和皮肤病分类问题，取得较大的性能改善。

Mar, 2021

本研究提出了一种名为 DeSTSeg 的改进型模型，它将教师网络、降噪学生编码器 - 解码器和分割网络集成到一个框架中，包括去噪过程和丰富的监督，以实现对视觉异常检测的高效处理，实验结果表明在工业检测基准数据集上取得了最新成果。

Nov, 2022

基于原型的均值教师（PMT）是一种新颖的多源领域适应方法，通过使用类原型而非特定于域的子网络来保持域特定信息，并使用对比损失来对不同类别进行对齐和分离，从而减小了参数大小与源域数量的关系，降低了内存问题和可能的过拟合，并在多个具有挑战性的物体检测数据集上优于现有的多源领域适应方法。

Sep, 2023

提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

Feb, 2022

我们提出了一种名为 MTM 的两阶段框架，利用无监督领域自适应进行目标检测，其中包括遮蔽特征对齐的方法，该方法能够在预训练阶段防止性能波动并获得稳健的预训练模型，在自训练阶段提高模型的目标性能。

Oct, 2023