本文介绍了一种双任务一致性半监督框架，旨在提升医学图像分割性能。通过MC-Net+、SCP-Net等新方法，利用未标记数据和一致性学习，实验证明这些方法在多个公共数据集上优于现有技术，显著提高了分割效果和鲁棒性。

本文介绍了多种半监督医学图像分割方法，如SCP-Net、DPMS、DCPA、LeFeD、CMMT-Net和AD-MT。这些方法通过一致性学习、伪标签生成和数据增强，显著提升了分割性能，尤其在标注稀缺和不一致性较大的情况下表现优越。实验结果显示，这些新方法在多个公共医学数据集上超越了现有技术标准。

本文介绍了终身人物搜索（LPS）的新问题，通过利用前景人物的原型特征和旧域中的难背景提案来促进知识蒸馏和一致性学习，以及使用未标记的人物实例来改善旧域中的区分能力。实验结果表明，所提出的方法在检测和重新识别方面表现出显著卓越的性能，能够保存旧域中学到的知识。

本研究提出了一种新颖的半监督分割框架，通过一致性学习与自训练相结合，提升医学图像分割性能。实验结果显示，该方法在CT肺血管和MRI脑肿瘤分割任务中优于传统方法，并有效利用伪标签提高训练多样性。

该文介绍了一种新的多视图聚类框架，通过优化特征子空间、重建学习和一致性学习等方法，避免了维度崩溃和私有信息的影响。实验结果表明，该方法在5个公共数据集上实现了最先进的聚类结果。

本文提出了一种新的不完整多视图对比聚类框架，通过优化潜在特征子空间和利用学习的特征向量及其子向量进行重建学习和一致性学习，有效避免了维度崩溃。同时，通过交叉视图预测机制恢复不完整数据，并使用最小条件熵丢弃不一致信息，进一步避免私有信息的影响。实验结果表明，该方法在5个公共数据集上实现了最先进的聚类结果。