- $C^2M^3$: 循环一致的多模型合并
本文介绍了一种新颖的无数据方法，用于在权重空间中合并神经网络，并优化了所有层次中全局性的网络神经元排列组合的置换。通过强制约束排列组合的循环一致性，我们得以在合并至少三个模型时计算排列组合的循环结构，无需在路径中累积误差。在各种架构和数据集 - CycleNet：对图像操控中基于文本引导扩散的循环一致性的重新思考
Cyclenet 是一种新颖而简单的方法，将循环一致性引入扩散模型 (DMs) 以规范图像处理，通过引入循环一致性提高了翻译一致性和质量，并能使用简单的文本提示生成高质量的超领域分布图像。
- 利用无配对数据进行视觉 - 语言生成模型的循环一致性优化
本文介绍了 ITIT（InTegrating Image Text）模型，采用循环一致性原则，通过在未配对的图像和文本数据上进行双向图像到文本和文本到图像的生成，实现视觉语言训练，并证明其在与高质量配对数据相比的图像生成和字幕性能上表现类似 - ICCV空间和光谱一致的深度功能映射
基于循环一致性，在非刚性形状匹配中，通过在频谱和点对点表示之间设计无监督的深度功能映射方法，实现了状态良好、抗扭曲性能和优越的泛化性能。
- 基于循环一致性的神经网络不确定性量化在逆向成像问题中的应用
本文介绍了基于循环一致性的深度神经网络不确定性量化方法，通过建立前向 - 后向循环并进行回归分析，获得神经网络预测的不确定性评估。此方法可广泛应用于解决反问题的各种神经网络中。
- CVPRCCuantuMM: 多形状循环一致量子混合匹配
本文介绍了一种利用量子混合方法的三维多形状匹配方法，从而实现循环一致性，并采用现代绝热量子硬件迭代计算，该方法将 N 个形状的情况简化为一系列三形状匹配，实现了线性可扩展性。在基准数据集上，该方法显着优于之前的量子混合两形状匹配方法的多形状 - ECCV学习自我监督跨模态互相调制的超分辨率
本篇研究提出一种相互调制超分辨率模型（MMSR），其中使用自适应滤波器来充分利用交叉模态空间相关性，通过对源模态进行像导模态的分辨率模拟和对导模态进行源模态特征仿真，实现在完全自监督的情况下进行跨模态交叉超分辨率的训练，各项实验结果均表明 - ICML通过二次规划实现强大的群同步
提出了一种新的二次规划公式，用于估计组同步中的数据损坏程度，并使用这些估计值来解决此问题。该方法利用了组的循环一致性，并将其称为结构一致性的检测和估计（DESC）。该公式具有多种优点，例如可以容忍高达信息论界限的数据损坏，不需要好的初始化， - CVPR通过通用规范映射发现物体类别之间的关系
本研究利用统一嵌入来增强不同类别之间和图像与类别之间的自动一致性，从而无需手动注释即可获得最新的对齐结果和精准的密集姿势预测。
- CVPR高保真度和任意性人脸编辑
该论文提出了一种名为 HifaFace 的简单而有效的方法，该方法从两个角度解决了通过循环一致性满足约束条件，隐藏原始图像信息以实现面部编辑的问题，并提出了一种新的属性回归损失来实现面部编辑的精细控制。
- ACL基于 LM 的文本增强的神经数据到文本生成
通过少量文本样本的文本增强和使用循环一致性作为目标实现弱监督训练范式在数据到文本生成中的有效性。
- ICML双编码器双向生成对抗网络用于异常检测
该研究提出了一种基于双编码器的双向 GAN 架构，通过学习机制，将循环一致性问题降至最小，有效地促进了基于 GAN 的模型中的异常检测效率。实验证明该方法在正常样本分布捕捉方面表现良好，并成功应用于大脑磁共振异常检测系统。
- CycleMorph: 无监督可变形图像配准的循环一致性方法
本文提出了一种基于循环一致性的可变形图像配准方法，通过提供隐式正则化来保持变形过程中的拓扑性，解决了深度学习图像配准方法在拓扑性保留方面的缺陷。实验结果表明，所提出的方法在医学和非医学应用中的各种数据集上提供了有效和准确的图像配准，可在几秒 - MM使用循环一致性自监督的光场视角合成
提出了一种自监督的光场视图合成框架，利用循环一致性约束和两个损失函数（循环损失和重建损失）来生成稠密的中间视图，并通过高质量自然视频数据的先验知识来减少标记的光场数据的需求，具有与有监督微调相当的性能，并优于现有技术。
- ACLGPT-too：一种以语言模型为首选的 AMR-to-text 生成方法
本文提出了一种基于预处理的强化语言模型和基于回环一致性的重新评分相结合的方法，有效地生成表征意义的 AMRs 数据的文本，并在英语 LDC2017T10 数据集上的表现优于以往的所有技术，包括 transformer 架构。
- CVPR基于多标签分类的无监督行人再识别
本文提出了一种基于多标签分类和记忆机制的非参数分类器的无监督人物重新识别方法，通过相似度计算和循环一致性保证预测标签的质量，并提高了 ReID 性能。利用标记的人物图像在其他领域中进行迁移学习，在多个大规模 ReID 数据集上进行实验，证明 - 循环边消息传递的鲁棒群同步
我们提出了一个用于解决团体同步问题的一般框架，在拥有敌对或均匀污染和足够小的噪音的情况下，我们采用了一种新颖的消息传递过程，利用循环一致性信息估计了组比率的污染程度，从而解决了我们的同步问题。
- CVPR跟随视觉流动：自监督场景光流估计
本文介绍了一种使用自我监督的技术，基于最近邻和循环一致性，来训练场景流模型，从而解决在自动驾驶过程中对高动态环境的非刚性物体移动的计算问题，并且其性能优于当前标注了实际场景流数据的最新的有监督学习方法.
- ICCV无监督视频插值技术基于循环一致性
本文提出了一种基于循环一致性和伪监督的无监督技术，用于实现从低帧率视频直接合成高帧率视频。实验证明，该技术可以在不使用任何额外数据的情况下，显著提高预先训练模型在新目标域上的性能，从而大幅增加 PSNR 值。
- 鲁棒视觉问答的循环一致性
该研究提出了一个新的评估协议和与之相关的数据集（VQA-Rephrasings），展示了当前最先进的 VQA 模型对问题中的语言变化是非常脆弱的。作者们提出了一个模型不可知的框架，利用循环一致性来提高 VQA 模型的健壮性，通过训练模型不仅