该研究提出了一种新型的注意力U形Kolmogorov-Arnold网络（AttUKAN），旨在提高视网膜血管分割的细粒特征提取能力。通过标签引导的逐像素对比损失，增强了模型的敏感性和解释性。实验结果表明，AttUKAN在多个公开数据集上取得了最佳的F1和MIoU评分，显示了其在提高分割准确性方面的潜力。

本研究提出了一种pix2pix-zeroCon方法，旨在解决文本提示与参考图像内容保留不足的问题。通过补丁级对比损失，自动确定编辑方向，确保生成图像的内容和结构精准保留。实验结果表明，该方法在图像转换任务中优于现有模型。

本研究提出了一种新颖的多模态对比损失训练方法，解决了视频字幕生成中忽视音频信息的问题。实验结果表明，该方法在多个基准数据集上优于现有模型，生成更准确的字幕。

本文提出了一个统一的异构学习框架，结合加权无监督和有监督对比损失，以解决对比学习中的假阴性问题。实验结果显示，该方法在复杂数据模拟中表现优异，显著提升了无监督学习的泛化性能和准确性。此外，研究还探讨了多标签多分类任务中的对比损失，并提出新算法以提高分类准确率。

该研究提出上下文文档嵌入，通过双编码器架构捕捉文档的语义和上下文信息，提升文本分析效果。双编码器分别处理文档内容和上下文信息，利用对比损失函数优化，生成更准确的文档表示。实验显示，该方法在文本检索和分类任务中优于传统方法，但对显式上下文元数据的依赖可能限制应用，未来可探索隐式方法增强鲁棒性。

本研究提出了一种名为“量化提示”（P4Q）的方法，旨在减少大规模视觉语言模型对训练样本和计算资源的需求。P4Q通过轻量架构和对比损失监督，提升了低比特量化模型的识别性能，缩小了图像和文本特征之间的差距。实验结果显示，P4Q性能优于现有技术，具有实际应用潜力。

本文介绍了一种无监督的远程光电脉搏测量方法，利用3D卷积神经网络和对比损失训练模型，显著提高了测量精度和运行速度。该方法在多个数据集上测试成功，展现出良好的噪声鲁棒性和泛化能力，适用于远程生理监测。

本文介绍了一种半监督点云语义分割方法，通过伪标签和对比损失增强特征表示。实验结果表明，该方法在多个数据集上有效提高了预测质量，并且在标注成本低的情况下，其性能接近全监督方案。此外，提出了新的学习模式和优化框架，以解决类别不平衡问题，展示了在点云分析中的实用性和优越性。

本文提出了多种新颖的时序动作定位方法，包括自适应递增学习模型、半监督学习框架和弱监督定位框架。这些方法通过改进伪标签生成和对比损失等技术，显著提升了在多个数据集上的性能，超越了现有技术。

本文探讨了多模态对比模型中的模态差距及其对比损失的影响，提出了改进的对比损失函数和新方法（如SoftCLIP、RankCLIP、Gentle-CLIP等），以提升模态间对齐和下游任务性能，尤其在零样本分类中表现突出。这些方法通过优化嵌入空间和引入自监督学习，推动了视觉语言预训练的发展。

本文提出了一种新的无监督表示学习框架，通过数据增广生成新样本，优化对比损失函数，从而提升时间序列预测的表现。实验结果表明，该方法在单变量和多变量时间序列上均优于其他方法，并对临床时间序列的迁移学习具有积极影响。

本研究探讨了自然场景下三维凝视注释的挑战，提出了一种基于LAEO标签的弱监督凝视估计算法，显著提高了半监督凝视估计的准确性和跨域泛化能力。通过半监督对比学习框架，提出新的对比损失范式，实现了基于注视方向的估计，表现优于其他技术。此外，研究还提出了低维注视表示学习方法和自适应清洗人类凝视数据集的模型，进一步提升了性能和泛化能力。

本文介绍了LUPerson数据集及其在无监督人物重识别中的应用，探讨了数据增强和对比损失对特征学习的影响。研究提出了多种深度迁移学习模型，以解决训练数据不足的问题，并在多个数据集上取得了优异的实验结果，推动了人物再识别技术的发展。

本文介绍了多种新方法以提高外部分布（OOD）样本检测性能，包括LoCoOp、ODPC和NegLabel等。这些方法在真实世界数据集上表现优异，特别是在少样本学习和异常值检测方面，显著提升了检测的准确性和鲁棒性。通过对比损失和负向提示等技术，研究者们在多个基准测试中取得了最先进的结果。

本文分析了自监督对比学习在时间序列预测中的应用，结合Transformer模型优化MSE损失和SSCL效果最佳。提出的CL4SRec模型通过提取用户行为模式和自我监督信号，解决数据稀疏性问题，提升推荐性能。SoftCLT策略引入实例级和时间级对比损失，改善学习质量。AutoTCL框架自适应支持时间序列学习，显著降低预测误差并提高准确率。RankSCL通过信息量过滤样本对，增强分类性能。

研究人员通过使用合成数据和少于1k个训练步骤，提出了一种新颖简单的方法来获取高质量的文本嵌入。他们利用专有的LLMs在近100种语言中生成大量多样化的合成数据，并使用标准对比损失在合成数据上微调开源的只解码LLMs。实验证明，该方法在高度竞争的文本嵌入基准上表现出强大的性能，而不需要任何标记数据。此外，当将合成数据和标记数据混合进行微调时，该模型在BEIR和MTEB基准上取得了最新的技术成果。

该研究提出了一种在线知识蒸馏的新方法，通过对比损失保证了参与者在不共享输入数据的情况下学习相似特征。该方法在多个数据集上进行了性能测试，相比独立学习和其他联邦知识蒸馏方案，提高了模型的效用。

该研究提出了一种创新的对抗对比学习框架，通过生成实例级对抗样本和优化对比损失，增强了神经网络对抗攻击和常见扭曲的鲁棒性。该方法旨在增强神经网络在安全关键应用中的鲁棒性，如自主车辆在不可预测的天气条件下行驶。

PMT是一种新的多源领域适应方法，使用类原型保持域特定信息，使用对比损失对不同类别进行对齐和分离，减小了参数大小与源域数量的关系，降低了内存问题和过拟合，并在多个物体检测数据集上表现优异。

该研究使用在线知识蒸馏方法，通过对比损失来学习相似特征。参与者的输入数据不需要共享，而是将特征表示发布到中央服务器。客户端使用对比目标来蒸馏知识，提高模型效用。该框架在多个数据集上进行了性能测试。