本研究提出CLIP-KOA框架，通过结合图像和文本信息，利用对称损失和一致性损失，提高膝关节骨关节炎（KOA）的诊断准确性。结果表明，该方法在KOA严重度预测中达到了71.86%的最佳准确率，增强了医疗预测的可靠性。

本研究提出了弱监督框架GATE3D，旨在解决单目三维物体检测中缺乏准确3D标注数据的问题。通过一致性损失缩小领域差距，在KITTI基准和新室内数据集上取得了优异表现，提高了有限标注数据下的学习效率，展现出广泛的应用潜力。

本文提出了一种基于涂鸦标注的弱监督伪装目标检测方法，通过引入一致性损失和特征引导损失，结合新模块，显著提升了模型性能。研究表明，该方法在多个基准测试中优于现有技术，并在仅使用20%全标记数据时实现高精度分割，减轻了标注负担。

本文提出了一种新颖的半监督框架，通过利用未标记图像提升视觉鸟瞰（BEV）语义分割性能。该框架结合一致性损失和联合旋转的数据增强方法，保持前视图像与BEV语义分割的几何关系。实验结果表明，该方法在nuScenes和Argoverse数据集上有效提高了预测准确性。

本文提出了一种新颖的半监督框架，通过利用未标记图像提升视觉鸟瞰（BEV）语义分割性能。该框架使用一致性损失约束模型，并引入联合旋转的数据增强方法，以保持前视图像与BEV语义分割的几何关系。实验结果表明，该方法在nuScenes和Argoverse数据集上有效提高了预测准确性。

本文提出了一种新的方法，通过全局边界对齐和局部纹理保护模块来解耦全局边界对齐和局部纹理保护任务，并通过一致性损失协调局部流场和全局边界对齐。通过预测身体部位的可见性掩模来处理遮挡，以防止纹理扭曲。引入了新的正则化损失（NIPR）来惩罚纹理完整性受损的区域，保持局部邻域中的纹理规则和连贯变形。在虚拟试穿数据集上的评估表明，该方法性能强于当前的 SOTA 方法。

Consistent4D是一种新方法，用于从未校准的单目视频生成4D动态对象。该方法利用基于对象的三维感知图像扩散模型作为主要监督信号来训练DyNeRF，并引入级联DyNeRF和插值驱动的一致性损失以实现空间和时间一致性。实验证明，Consistent4D在4D动态对象生成方面表现出色，并在传统的文本到三维生成任务中也取得了优势。