本文研究基于自监督对比学习的无监督人员再识别问题，提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中，基于网格投影技术的视角生成器提供了数据增广，而对比学习模块则学习了生成视角不变特征。此外，引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明，该方法在多个大规模数据集上进行了全面的性能测试，均取得了比先前研究更好的效果。

Dec, 2020

本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

Oct, 2019

本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

Aug, 2019

利用生成对抗网络进行对比学习的非监督式无监督表示学习方法在行人重识别中取得了最新的最优表现。

Jan, 2023

本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

Jun, 2018

本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

Nov, 2016

本文提出了一种新颖的深度人图像生成模型，利用生成对抗网络，实现了消除视角变化的标准化，生成与姿势相关的真实人物图像，得到新型的去除姿势影响的深度重新识别（re-id）特征，并证明这种特征可以广泛应用于许多不同的 re-id 数据集中。

Dec, 2017

本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

Oct, 2018

提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

Jun, 2024

本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

Sep, 2017