研究发现，合成克隆模型在稳健性方面表现良好，尤其在形状偏差方面。混合真实数据和合成数据可以改善模型的稳健性。研究还分析了合成克隆模型在校准、对抗性攻击和图像损坏方面的表现。消融实验揭示了提示、添加真实数据和数据集大小对合成克隆模型稳健性的影响。

本文评估了多种基于置信度的OOD检测方法在医学成像中的表现，发现计算机视觉任务的高性能不一定适用于医学领域。同时，提出了使用辅助分类器检测和重新标注受污染数据的方法，显著提升了卷积神经网络的性能。研究还探讨了开放世界场景中的数据分割新方法和基于混合数据的OOD检测框架，展示了在多个基准数据集上的优异表现。

该研究探讨了在混合数据深度预测训练中使用的位移不变重建损失引起的未知深度偏移和未知相机焦距问题。作者提出了一个两阶段框架，使用三维点云编码器预测深度偏移和焦距，以恢复逼真的3D场景形状。他们还提出了图像级标准化回归损失和基于法向几何损失的方法，以增强混合数据集训练的深度预测模型。该模型在9个不可见数据集上进行了测试，并取得了零样本数据集泛化的最新性能记录。