本研究通过引入β噪声分布和正弦课程，优化一致性训练模型，显著提升低剂量CT图像的增强效果，超越传统CT技术。

本文研究了半监督目标检测（SSOD）的关键技术，包括伪标记和一致性训练，并提出了多种改进方法。实验表明，PseCo方法在COCO基准测试中显著提高了学习效率，SOOD++在多方向对象检测中表现良好。此外，基于置信度的伪标签方法和对抗模糊性的方法也提升了检测性能，证明了在有限标注情况下的有效性。

本研究提出了一种扩展多语言BERT的方法用于命名实体识别（NER）实验，结果显示对已包含语言的F1值提高6%，对新语言提高23%。该方法结合知识蒸馏和一致性训练，展示了在低资源语言上通过少量标记样本实现合理性能的潜力，具有重要的多语言应用开发意义。

本文介绍了一种新模型——一致性轨迹模型（CTM），该模型在扩散过程中能够高效采样并提升生成质量。研究还探讨了一致性模型（CMs）和双向一致性模型的有效性，提出了阶段一致性模型（PCM），在多步细化和视频生成任务中表现优异。通过改进一致性训练技术，研究在CIFAR-10和ImageNet数据集上取得了显著进展。

该研究提出了一种改进的一步法生成模型，通过一致性训练技术提升低剂量CT图像的生成质量和去噪效果。结合课程学习思想，提出了易难混合学习方案，增强了模型的收敛速度和性能。此外，研究还引入了对抗一致性训练和基于一致性约束的得分匹配方法，显著提高了图像分类器的鲁棒性和准确性。

该文介绍了一种用于跨语言命名实体识别的高效建模框架，利用知识蒸馏和一致性训练，并使用预训练的大型语言模型进行知识传递。仅使用30个标记样本，该模型可以将商家、金额和其他字段的识别从英语推广到阿拉伯语。该框架对于开发多语言应用程序具有重要意义。

该文介绍了一个高效的建模框架，用于半结构化文本数据中的跨语言命名实体识别。该方法利用预训练在源语言上的大型语言模型的知识，通过学生 - 教师关系进行知识蒸馏，并在低资源目标语言上采用无监督的一致性训练。