无监督学习如何从点云中预测 3D 场景流是许多视觉系统的核心，本文提出了一种新颖的学习框架来改进必要的正则化，并通过引入两种新的一致性损失来扩大聚类，并防止它们扩散到不同的对象上，提高了现有模型的性能。

Dec, 2023

该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法，特别是在少量标注样本的情况下。

Jul, 2019

该研究提出了一个基于自我监督的网络，用于在非等度形状之间进行密集的对应映射，解决了在非欧几里得域中对齐的问题，相较于已知的自我监督和监督方法取得了最先进的结果。

Dec, 2019

介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

Dec, 2018

本文研究了无监督深度图匹配，并应用于图像特征点匹配。与传统的有监督方法不同，我们的方法不需要关键点对之间的真实对应关系，而是通过强制同一物体类别图像之间的匹配一致性进行自我监督。由于匹配和一致性损失是离散的，不能直接用于学习，我们通过在组合求解器的黑盒微分结果的基础上构建方法来解决这个问题。这使得我们的方法非常灵活，可以与任意网络架构和组合求解器兼容。实验结果表明，我们的技术在无监督图匹配领域达到了最新的最先进水平。

Jul, 2023

我们提出了一种新的基于学习的方法来进行 3D 形状匹配，可以在完全非监督的情况下进行训练，并可准确处理非等距形状、局部形状、不同离散化或拓扑噪声的形状。

Apr, 2023

本文提出了一种新的框架，学习了一个统一的、结构化的潜在空间，其中包括映射相关局部点云的多个完整的形状和遮挡代码对，并将这些代码合并以获取它们在统一潜在空间中的表示，通过建立这样一个统一的和结构化潜在空间，可以实现更好的局部 - 完整几何一致性和形状完成准确性，并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。

Mar, 2022

通过使用循环一致性思想，引入循环对应损失（CCL）实现视角不变的密集描述符的学习，从而达到优于其他自监督方法且接近有监督方法的性能，无论是在关键点跟踪还是机器人抓取下游任务方面。

Jun, 2024

通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

Mar, 2023

本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

Sep, 2022