自监督几何感知（SGP）框架通过联合优化特征描述和几何模型，解决了对应关系匹配的问题，在相机姿态和刚性转换等缺少地面真值标签的情况下展示了其在实际数据集上令人瞩目的优越性能。

Mar, 2021

本文提出了一种自监督的图像表示学习方法，利用三维几何一致性来指导学习过程，并在对比学习框架中引入三维几何一致性作为约束，成功学习出既具有一般性，又能够在各种下游任务中取得优越性能的图像表示。

Mar, 2022

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

本文研究自监督学习中如何直接运用语义结构来指导几何表示的学习，提出了一种新的基于预训练语义分割网络和像素自适应卷积的架构，并使用两阶段训练过程来克服动态对象上的常见语义偏差。结果表明该方法在所有像素、细节和语义类别上都优于现有方法，实现了自监督单目深度预测的最新水平。

Feb, 2020

自监督表征学习在提取图像特征方面取得了近期的进展，但在面对对称性和重复部分等具有挑战性的图像特征时仍存在限制。为了解决这些限制，本文提出一种新的语义对应估计方法，将有区分度的自监督特征与三维理解相结合，通过弱几何球面先验进行补充。与更复杂的三维流程相比，我们的模型仅需要弱视点信息，我们球面表示的简单性使我们能够在训练过程中注入信息丰富的几何先验。我们提出了一个更好地考虑重复部分和对称性误差的新评估指标。我们在具有挑战性的 SPair-71k 数据集上呈现结果，表明我们的方法能够在许多物体类别上区分对称视图和重复部分，并且还证明我们能够推广到 AwA 数据集上的未见类别。

Dec, 2023

通过在训练过程中直接强制将强大的三维结构先验性知识融入模型，我们提出了一种新的方法来加强现有的自监督学习方法，并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。

Jun, 2024

本研究旨在回答一个问题，即能否利用来自互联网的未标记对象类别的大量图像，通过自监督实现纯粹通过训练视角估计网络。 在这里，我们提出了一种新颖的学习框架，其中包括一种通过合成分析范例结合生成网络进行视点感知重构图像的方法，以及对称性和对抗约束，以成功监督视点估计网络。通过实现我们的方法，我们表明在如人脸、汽车、公共汽车和火车等几个对象类别上，我们的方法表现出具有竞争力的完全监督方法，为进一步的自监督视角学习和研究提供了一个强健的基线。

Apr, 2020

提出了一种无需手动监督来学习视觉对象（例如面部中的眼睛和鼻子）的地标探测器的方法，通过几何提取过程中引入的紧密瓶颈，结合外观和几何来生成图片，该方法适用于多种数据集，包括人脸、人物、3D 对象和数字，同时在无监督地标检测方面优于现有最先进的技术。

Jun, 2018

本文提出了一种从原始视觉分组能力启动视觉表示学习的框架，操作化分组通过轮廓检测器，该检测器将图像分割成区域，并将这些区域合并成树形层次结构。实验表明，我们的方法朝着通用预训练方法的方向发展，其对下游任务有益，并可用于语义区域搜索和基于视频的对象实例跟踪。

Dec, 2020

提出新的几何学视觉相似性学习范式，将拓扑不变性的先验性质嵌入到 3D 医学图像的图像相似度测量中，以实现具有一致性的表示语义区域，从而提高内场、相场和全局 - 局部转移能力。

Mar, 2023