本研究提出了一种半监督学习算法 MixMatch，采用猜测低熵标签的方法，通过使用 MixUp 混合标记和未标记的数据来处理扩充后的未标注样例。实验结果表明，MixMatch 在许多数据集和标记数据量上都取得了大幅度的优越结果，同时也证明了 MixMatch 如何帮助实现更好的准确性和隐私权的权衡。最终，我们进行了消融研究来分离 MixMatch 的哪些组件对其成功最为重要。

May, 2019

使用少样本学习的方法，本研究提出了一种基于深度学习的医学图像分割框架 MatchSeg，通过匹配参考图像和设计联合注意力模块，实现了高效的领域泛化和优越的分割性能。

Mar, 2024

本文提出了一种新的半监督学习框架 SimMatch，该框架同时考虑语义相似性和实例相似性，并通过一致性正则化将这两种相似性转换为更可靠的匹配目标，实现了半监督学习任务的性能提升，特别是在 ImageNet 数据集上，1％和 10％标记示例的 Top-1 准确率均显着优于基线方法和以前的半监督学习框架。

Mar, 2022

本研究提出了一种新颖的一致性驱动半监督分割框架，其通过对编码器和双头解码器进行训练来实现对预测结果的不变性，比传统的半监督方法在 CT 肺血管分割和 MRI 脑肿瘤分割任务上表现更好，并且表明了 MisMatch 相对于其监督学习对应物的更好模型校准方法的有效性。

Mar, 2022

提出了一种名为 UnMixMatch 的半监督学习框架，该框架可以从无约束的未标记数据中学习有效表示，以提高性能。它由三个组件组成：具有硬增强的监督学习器提供强大的正则化，对照一致性正则化器从未标记数据中学习底层表示以及自监督损失用于增强从未标记数据中学习的表示。在 4 个常用数据集上进行了实验，在现有的半监督方法上表现出卓越的性能提高 4.79%。广泛的消融和敏感性研究表明了我们方法的每个提出组件的有效性和影响。

Jun, 2023

CoMatch 是一种新的半监督学习方法，它通过学习数据的两种表示（类概率和低维嵌入）相互作用来统一主流方法并解决其局限性，并在多个数据集上实现了最先进的性能。

Nov, 2020

提出了一种名为 DualMatch 的新型半监督学习方法，其中类别预测以双层交互方式调用特征嵌入，通过一致的正则化确保不同的增强视图受到一致的类别预测约束，并确保同一类别的不同数据具有类似的特征嵌入，实验证明了 DualMatch 的有效性。

Oct, 2023

本研究提出了一个针对半监督语义分割的简单但高效的半监督语义分割方法，称为 CorrMatch，目的是通过一致性正则化从未标记的图像中挖掘更多高质量的区域，以更有效地利用未标记的数据。

Jun, 2023

通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

Nov, 2023

CrossMatch 是一种新颖的框架，通过与双扰动策略（图像级和特征级）结合使用知识蒸馏技术，从标记和未标记数据中提高模型的学习能力，通过生成多样化的数据流进行自知识蒸馏，从而在医学图像分割中显著优于其他最先进的技术，在标准基准测试中有效地缩小训练差距，提高边缘精度和泛化性能。

May, 2024