本文提出了一种使用深度神经网络在无监督条件下发现和学习物体类别中的标志的新方法，从而表征它们的结构。我们还展示了这种学习出的标志建立了不同对象实例之间的有意义的对应关系，并可以与高精度回归手动注释的标志。

May, 2017

本文提出一种基于自动编码器的方法，无需监督信号，从而学习图像模型中的对象结构，发现了与手动注释地标更为相关的语义有意义的地标，这些地标是识别视觉属性的补充特征，并且自然地创建了一个无监督、可感知的界面，用于操纵对象形状和解码具有可控结构的图像。

Apr, 2018

本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

Oct, 2019

本文研究了基于图像对的半监督视角估计方法，该方法可以从未标注的图像对中推断视角信息，并将其应用于视角预测任务。实验表明，该方法在低标注数据情况下表现出色，在半监督视角估计方法中也取得了最佳效果。

Apr, 2021

我们通过引入一种基于图像重构的一致性引导瓶颈，在无监督的条件下探索目标标记的发现问题，利用标记的一致性测量与伪地面真值的兼容性得分来生成自适应热图，通过在图像间形成标记对应来获得伪监督，在自适应热图的生成中调节发现标记的不确定性，使得一致的标记高于嘈杂的标记，提供改进鲁棒性的有效结构信息，对 MAFL，AFLW，LS3D，Cats 和 Shoes 等五个不同数据集进行的评估表明，所提出的方法相比现有的最先进方法表现出色。

Sep, 2023

本文提出了一种基于学习的方法来进行眼部标志点的定位，采用该方法能够在未受控制的真实环境下较之传统方法更具优势，在个性化视线估计场景中性能优越。

May, 2018

本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

Sep, 2017

该论文提出了一种将基于实例和空间差异的对比学习相结合的简单而有效的方法，在训练的中间层次中表示对象明显地预测对象地标，通过空间对比学习进一步提高匹配和少量样本标志物回归任务的性能。该方法优于现有同类方法，并在标志物学习的标准基准测试以及该论文提出的新挑战上得到了验证。

Jun, 2020

使用未成对的训练数据和特征点辅助的 CycleGAN，我们能够高质量地生成漫画面孔，这些面孔几乎无法与艺术家绘制的面孔区分，这种方法建立在面部结构的一致性基础上。

Jul, 2019

介绍了一种基于自监督学习的方法，使用透视空间变换器来实现高效的无监督视角学习，从而实现在三维世界中理解物体的探索。

Dec, 2022