该论文提出了一种混合数据高效知识蒸馏方法（HDKD），通过卷积神经网络教师和混合学生解决特征信息缺失和计算开销问题，实验结果表明其在医学数据集上表现优越且计算高效。

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。

本文研究了混合数据深度预测训练中的位移不变重建损失，解决了未知深度偏移和相机焦距问题。提出了两阶段框架实现单目图像深度预测，并使用三维点云编码器预测深度偏移和焦距，恢复逼真的3D场景形状。通过图像级标准化回归损失和基于法向几何损失的方法，增强了深度预测模型。在9个不可见数据集上测试，取得了零样本数据集泛化的最新性能记录。

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。