自回归无监督图像分割
该论文提出了一种无监督聚类方法，利用神经网络从未标记的数据样本中学习，通过最大化相互信息来发现准确匹配语义类的聚类，可应用于图像分类和分割等数据集。
Jul, 2018
使用LMConv实现了生成模型的任意序列生成，可以用于图像完成等任务，在整体图像密度估计（2.89 bdp无条件CIFAR10）方面取得了改进的性能，同时实现了全局连贯图像完成。
Jun, 2020
本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。
Feb, 2021
本文提出了一种全新的完全无监督语义分割方法，名为 InMARS，以信息最大化和对抗性正则化分割为基础，并结合对抗性训练策略，通过像人类感知一样先将输入图像分区，然后将其聚类为语义上有意义的类别，其实验结果表明在两个常用的无监督语义分割数据集上，InMARS 方法取得了最先进的性能。
Jul, 2021
本文提出了一种新的自监督图像特征学习策略：随机分段自回归编码(RandSAC)，并探讨了不同设计选择对这种训练策略的影响，证明随机分段在空间长距离(跨段)和短距离(段内)预测上的分布显著提高了性能，且不仅仅适用于基础Transformer，还可以通过添加可学习的跳过连接来进一步提高性能。
Mar, 2022
该论文提出MaskDistill这一基于数据驱动策略的无监督语义分割框架，通过生成像素分组先验和聚类对象掩模来训练初始对象分割模型并过滤低质量对象掩模，从而有效提高PASCAL和COCO上的性能。
Jun, 2022
本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。
Nov, 2023
基于无监督语义分割的PriMaPs-EM算法能够通过将图像分解为语义有意义的掩膜，并使用随机期望最大化算法拟合类别原型，实现在各种预训练模型和数据集上竞争性的无监督语义分割结果，优化了当前最先进的无监督语义分割流水线。
Apr, 2024
使用无监督SAM模型进行图像分割，通过将图像分割为实例/语义级别的片段并形成层次结构的无监督多粒度蒙版，提供了与有监督方法相媲美甚至更好的分割结果，并为有监督模型提供了改进的自我监督标签。
Jun, 2024