本研究では、半教師あり分類で広く知られるFixMatchの弱一貫性から強一貫性へのフレームワークを見直します。このフレームワークでは、微弱に変動させた画像の予測が、その強く変動させたバージョンの監督信号として機能します。興味深いことに、我々はこの単純なパイプラインがセグメンテーションシナリオに転用された際、最近の先進的な研究と競合する結果を既に達成していることを観察しました。しかし、その成功は強いデータ拡張を手動で設計することに大きく依存しており、より広範な変動空間を探索するには限界がある可能性があります。これを踏まえて、我々は補助的な特徴量変動ストリームを提案し、これにより変動空間が拡大されます。また、元の画像レベルでの拡張を十分に探求するために、共通の弱いビューによって同時に2つの強いビューをガイドできる双方向ストリーム変動技術を提示します。その結果、我々の全体的な統合双方向ストリーム変動アプローチ（UniMatch）はPascal, Cityscapes, COCOベンチマークにおいてすべての評価プロトコルで既存の手法を大幅に上回り、遠隔センシング解釈や医療画像解析でも優れた性能を示しています。我々は再現したFixMatchと得られた結果が今後の研究に新たな刺激を与えることを期待しています。コードとログはhttps://github.com/LiheYoung/UniMatch で公開されています。