本论文研究对象类别的标志物，提出使用等变性法则与局部图像描述符相结合的方法，使得不同对象实例之间学习到的标记物是具有一致性的。实验表明该方法能够超越现有无监督学习方法的表现。

Aug, 2019

本文研究了关键点检测中使用的无监督学习方法，重点介绍了其不能生成等变中间卷积特征的问题，并提出了一种两步无监督方法，该方法通过首先学习强大的基于像素的特征，然后使用预训练的特征来通过传统的等变性方法学习关键点检测器。在多个挑战性的标志性检测数据集上实现了最先进的结果，例如 BBC Pose 数据集和 Cat-Head 数据集，并在一系列基准测试中表现出色。

Apr, 2021

本文介绍了一种 LEAD 方法，用于从未注释的类别特定图像集合中发现地标。通过采用两阶段训练方法，该方法增强了自监督学习中密集等变表示的学习，并在极度有限的注释数下提高了地标检测的性能，同时提高了跨尺度变化的泛化能力。

Apr, 2022

基于空间和时间增强的等变学习框架，通过鼓励平移、缩放、翻转、旋转和场景流的等变性，提高了三维物体检测的性能。

Apr, 2024

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

本文提出了一种自我监督的学习方法，通过向嵌入空间添加额外的几何结构以获得更有意义的数据差异性表示，并引入等变目标使旋转操作在球面嵌入空间上的表现更佳，从而取得了更好的性能表现。

Jun, 2023

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

我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

Nov, 2013

本文介绍了一种使用深度学习模式进行三维形状描述子学习的方法，在未定向输入数据的情况下创建坚固有力的旋转等变表示，并在测试时定义一个良好的规范方向。

Sep, 2019

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