本研究提出了一种新的半监督分割框架HDC，旨在解决胎儿超声图像中颈部结构的精确分割问题。该方法通过层次蒸馏机制和一致性学习，在低对比度和模糊边界条件下有效提升特征学习。实验结果表明，HDC在超声数据集上的表现优于现有模型，且计算开销更低。

本研究提出了一种自适应增强一致性学习（AACL）的半监督分割框架，旨在解决遥感分割中高质量标记图像稀缺的问题。AACL通过均匀强度增强和自适应剪切混合技术，从未标记图像中提取额外信息，显著提高了遥感分割的准确性，特定类别性能提升20%，整体性能提升2%。

本研究提出了一种半监督分割框架，用于早产儿视网膜病（ROP）诊断中的眼底图像分割，减少对手动标注的依赖。该模型结合不确定性加权和领域对抗学习，有效识别难以检测的血管结构，提升了分割精度和ROP分类的诊断准确性，展示了在儿科眼科的临床应用潜力。

本文研究了一种半监督分割方法，提出在低标注预算下优于以往技术的方案。通过结合弱监督和半监督方法，公平比较不同技术。实验结果表明，该方法在多个数据集上实现了最佳性能，并显著降低了标注成本。

本文探讨了在3D点云中应用近似凸分解（ACD）进行自我监督训练的方法，展示了其在无监督表示学习和少样本分割中的优越性能。同时，提出了伪标签辅助的半监督分割策略和主动学习方法，有效降低了标注成本。研究还分析了点云数据学习的标注效率，讨论了当前面临的挑战及未来发展方向。

本文介绍了多种基于LiDAR点云的3D检测技术，如IA-SSD检测器、LaserMix机制和稀疏深度卷积模块。这些方法在实时检测、半监督分割和小目标跟踪方面表现优异，推动了自动驾驶和机器人技术的发展。研究表明，利用未标记数据和视觉-语言信息可显著提升检测性能。

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。

本研究提出了一种新的伪标记形式和半监督医学图像分割方法SegPL，验证了其在MRI脑肿瘤和CT肺血管分割中的有效性。同时，介绍了一种基于误差定位网络的半监督语义分割方法，提升了对不精确伪标签的鲁棒性，并在多个数据集上取得了优异表现。

该文综述透明玻璃分割研究，指出SAM在透明物体场景易失效并带来安全风险。相关方法包括GlassSegNet、增强边缘学习、GEM、SME与RFENet、内外边界注意力、轻量半监督分割、透明物体跟踪及GLASS全局到局部注意力等，均在基准数据集上取得优于现有方法的性能。

本文综述医学图像弱监督与半监督分割方法，包括循环学习、自监督尺度三元组学习、对比学习、部分点注释及区域相关性网络，应用于核实例分割、癌症组织分割和多器官分割，在减少标注需求的同时达到与全监督方法相当的性能。

本文综述扩散概率模型在医学图像合成与分割中的应用：条件扩散模型可生成肠道息肉、结肠镜、视网膜OCT及心脏超声等合成图像，缓解数据稀缺与隐私问题；合成数据能提升分割模型精度，并支持半监督分割与领域泛化。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，使用贝叶斯深度学习训练教师模型，设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习。实验结果表明，该方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。