augmix是對同一張圖片施加不同的數據增強，然後將多張 增強後的圖片疊加。
AugMix其實是混合同一個圖像的經過不同數據增強得到的圖像，而CutMix和MixUp是混合兩個不同的圖像。AugMix由於是混合同一個圖像，相比CutMix和MixUp，其得到的圖像更自然一些。
提出了額外增加一個JS散度一致性損失（Jensen-Shannon Divergence Consistency Loss）來進一步提升模型的穩定性。具體地，對圖像做兩次AugMix，得到兩個不同的增強圖像和，然後最小化它們和原始圖像的概率分佈（模型預測的分類概率）的的JS散度。
一致性約束在半監督學習中常見的方法：對一張未標註的圖像做兩次不同的數據增強，然後施加一致性約束，使得模型的輸出儘量一致。
一致性約束可以考慮加入到後續的研究中。
