通过动态同步潜在节点表征并利用局部嵌入所提出的 L2G2G 方法，提高了 GAE 的准确性并保持可扩展性，表现优于标准的 Local2Global 方法，并在大型数据集上实现高效可扩展性。

Feb, 2024

本文提出了 HaloAE，这是第一个基于局部 2D Transformer 和 HaloNet 的自编码器，它通过一个单一模型联合执行异常检测和分割，融合了卷积和局部 2D 块状自注意层，并取得了竞争性的 MVTec 数据集结果，为其他应用铺平了道路。

Aug, 2022

该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

Jul, 2017

提出 Point-M2AE，一种新的多层次自监督学习框架，用于使用 Masked Autoencoders 预训练 3D 点云的分层表示学习，其具有优越的性能并超过了其他完全训练的方法。

May, 2022

本研究使用自监督自编码算法通过利用 LBS 变形空间参数化骨骼分层结构来实现点云序列的自动化配准，并使用 Part - 分割的结构化 Chamfer 距离来解决点对点对应关系错误对模型配准的影响，实验结果表明，该方法在体注册等方面的绩效不输于监督学习方法。

Apr, 2019

本文主张在基于自监督的三维表征学习中使用隐式曲面表征，通过提出的隐式自编码器（IAE）方法，解决了点云重建过程中的离散化采样误差问题，并在各种自监督学习基准测试中达到了最先进的性能水平。

Jan, 2022

通过使用硬节点分配将样本图分解为分离子图的系列，并利用软节点分配重新构建原始图结构，该研究提出的层次聚类 GAE（HC-GAE）能够有效提取原始样本图的双向分层结构特征，解决了经典基于卷积的 GAE 中的过度平滑问题。

May, 2024

提出了一种名为全局局部遮挡自编码器 (GL-MAE) 的简单而有效的自监督预训练策略，它可以重构遮挡的全局和局部体积， 并通过全局引导一致性学习和局部到全局的对应加强和稳定掩蔽体积的表示学习。结果表明，在各种体积医学图像细分任务上，与其他自监督算法相比，该方法具有卓越的表现，即使注释很少也是如此。

Jun, 2023

通过使用 3D 到多视图掩码自编码器，充分利用 3D 点云的多模属性，提出了一种全新的方法，这不仅丰富了模型对几何结构的理解，还利用了点云的固有多模性能，有效地改进了各种任务，包括 3D 对象分类、少样本学习、部分分割和 3D 对象检测。

Nov, 2023

本文提出了一种基于自注意力和多尺度非欧几里得几何信息的插件模块 Multi-scale Geometry-aware Transformer（MGT），通过对点云数据的局部和全局几何信息的处理，成功提高了点云任务的性能表现。

Apr, 2023