本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切-粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了90%的监督分割性能。

Mar, 2018

本文介绍了无监督学习在目标分割上的应用，实验表明运用最近的无监督生成式对抗网络可以实现较高质量的前景/背景像素分割且优于其它无监督方法。

Jun, 2020

提出一种利用StyleGAN生成的物体进行非监督分割的框架，通过在StyleGAN2发生器结构中引入分割分支、将生成器分为前景和背景网络，可使我们以非监督的方式生成前景物体的软分割掩模。根据多个物体类别的实验结果，它可以与最好的非监督分割方法相比实现明显的改善。

Mar, 2021

ObSuRF为将场景单张图像转化为一组Neural Radiance Fields (NeRFs)三维模型的方法，可用于多视角的CLEVR以及将场景 populate 为ShapeNet模型的数据集中，在不需要监督的情况下实现了对场景中的物体进行分割，并且在三个二维图像分割基准测试中表现出与现有技术相同或更好的效果。

Apr, 2021

研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

May, 2021

本研究提出了一种新的无监督学习方法，其中使用密集特征表示直接进行卷积全制度的学习来进行视频对象分割。通过使用一个简单的规则化方案，该方法能够提高分割精度并达到快速的训练收敛。最终，该方法在标准的视频对象分割基准测试中取得了较高的精度。

Nov, 2021

本文研究了从单幅图像进行无监督物体分割的问题，通过系统地研究现有无监督模型在具有挑战性的现实世界图像上的有效性，发现现有无监督模型在真实世界的图像上无法有效地分割普通物体，因此需要在网络设计中利用更明确的对象性偏差。

Oct, 2022

本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景-背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

Aug, 2023

研究旨在系统研究现有无监督模型在具有挑战性的真实世界图像上的有效性，发现现有无监督模型在真实世界图像中很难分割普通物体，因为现有模型所引入的归纳偏差难以捕捉不同目标的分布。未来的工作应该在网络设计中更充分地利用显式的目标偏差。

Dec, 2023

无监督三维实例分割通过在没有任何标注的情况下从三维点云中分割对象。本研究提出了Part2Object方法，基于对象引导的分层聚类。Part2Object从点到对象部分和对象的多层聚类，允许对象在任何层次中显现。此外，它从连续2D RGB帧中提取和利用三维对象的先验信息来指导聚类过程。此外，我们提出Hi-Mask3D来支持分层三维对象部分和实例分割。通过在从Part2Object提取的对象和对象部分上训练Hi-Mask3D，我们在各种设置下实现了一致且优越的性能，包括无监督实例分割，数据高效调优和跨数据集泛化。代码在该链接发布。

Jul, 2024