في هذا العمل، نعيد النظر في إطار التوافق من الضعف إلى القوة (weak-to-strong consistency framework)، الذي اشتهر بفضل FixMatch في تصنيف البيانات شبه المشرفة، حيث تخدم تنبؤات الصور المضطربة بشكل ضعيف كإشراف للنسخ المضطربة بشكل قوي منها. بشكل مثير للاهتمام، نلاحظ أن مثل هذه الأنبوب البسيط يحقق بالفعل نتائج تنافسية مقارنة بالأعمال المتقدمة الحديثة عند نقله إلى سيناريو الفصل الخاص بنا. ومع ذلك، تعتمد نجاحه بشدة على تصميم البيانات المضافة بقوة يدوياً، وهو ما قد يكون محدوداً وغير كافٍ لاستكشاف فضاء اضطراب أوسع. مستوحىً من هذا الأمر، نقترح تيار اضطراب خاص بالميزات الإضافية كتعزيز، مما يؤدي إلى توسيع فضاء الاضطراب. من جانب آخر، لاستكشاف التعديلات على مستوى الصورة الأصلية بشكل كافٍ، نقدم تقنية اضطراب ثنائية التيار، والتي تمكن من إرشاد وجهتي رؤية قويتين في آن واحد بواسطة وجهة رؤية ضعيفة مشتركة. نتيجة لذلك، فإن أسلوبنا الشامل للاضطراب الثنائي التيار (UniMatch) يتفوق بشكل كبير على جميع الأساليب الموجودة عبر جميع بروتوكولات التقييم في مقاييس Pascal وCityscapes وCOCO. كما يتم إثبات تفوقه أيضاً في تفسير الاستشعار عن بعد وتحليل الصور الطبية. نأمل أن يلهم إعادة إنتاجنا لـ FixMatch ونتائجنا المزيد من الأعمال المستقبلية. الرمز والسجلات متاحة على https://github.com/LiheYoung/UniMatch.