本文提出了一种名为差异中的解耦(DiD)的新方法，旨在解决潜在变量统计独立性与语义解耦目标之间的矛盾。通过设计差异编码器和对比损失函数，该方法在多个解耦指标上超越了现有主流技术。

本研究提出了一种基于能量的偏好模型（EBM），旨在解决DPO损失在离线对齐中存在的多个极小值问题。通过引入能源偏好对齐（EPA）对比损失函数，实验证明该模型在开放基准测试中表现优越，验证了其有效性与实用性。

该论文介绍了一种新的无源领域自适应方法，通过细分目标领域的样本为多个未知类别来改善对目标专属样本的分离。同时，该论文提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

本文提出了三种多尺度相似性学习结构，使用对比损失函数学习像素级匹配，实现对场景几何形态的无关性。实验结果表明DeepSim网络优于混合方法和端到端方法，并且更适用于未见过的场景几何形态。

Contrast-Phys+是一种用于视频远程生理测量的方法，使用3D卷积神经网络模型生成多个时空PRP信号，并将先验知识纳入对比损失函数中。Contrast-Phys+在无监督和弱监督设置下进行训练，即使在部分可用或错位的GT信号或没有标签的情况下，也优于最先进的有监督方法。此外，该方法在计算效率、噪声鲁棒性和泛化性方面具有优势。

Contrast-Phys+是一种用于视频远程生理测量的方法，使用3D卷积神经网络模型生成多个时空PRP信号，并将PRP的先验知识纳入对比损失函数中。该方法在无监督和弱监督设置下进行训练，即使在部分可用或错位的GT信号或没有标签的情况下，Contrast-Phys+也优于最先进的有监督方法。此外，该方法在计算效率、噪声鲁棒性和泛化性方面也具有优势。