CGRclust 是一种结合了无监督孪生对比聚类和卷积神经网络的创新方法，用于 DNA 序列的图像分类聚类，能够准确地对各种 DNA 序列数据集进行聚类，并在 18.70% 的准确性上超过其他三种 DNA 序列聚类方法。

Jul, 2024

单目人体姿态估计（HPE）是从相机捕捉的单个 2D 图像中确定人体关节的 3D 位置。本研究提出了一种 EPOCH 框架，利用完整的透视相机模型进行姿态估计，并通过无监督学习得到比现有方法更好的泛化性能和最先进的结果。

Jun, 2024

该综述论文总结了流行的无监督学习方法，并概述了这些方法在天文学中的过去、现在和未来的应用。无监督学习通过组织数据集的信息内容，以便能够提取知识。传统上，这是通过降维技术的实现，如主成分分析或使用自编码器，或者通过高维空间的简化可视化，例如使用自组织映射等。无监督学习的其他可取属性包括识别集群，即类似对象的组群，这传统上是通过 k 均值算法或最近通过密度聚类如 HDBSCAN 实现的。最近，出现了将降维和聚类方法链结在一起的复杂框架。然而，现在没有数据集是完全未知的。因此，目前有很多研究致力于自监督和半监督方法，它们既受益于有监督学习又受益于无监督学习。

Jun, 2024

GANs 的统计一致性研究：通过导出有限样本集中不等式，扩展了 $(f,\Gamma)$-GANs 理论的适用领域，同时在适当的极限情况下，与基于积分概率度量的 GANs 结果相符，并展现出在多个应用中提供提升性能的能力。

Jun, 2024

通过最小化二阶 Wasserstein 损失（即 $W_2$ 损失），该论文处理无监督学习问题。论文证明了方式一通过分布相关的常微分方程（ODE）动力学的超限势潜力近似估计当前分布与真实数据分布之间的关系。主要结果显示 ODE 的时变边界概率收敛到真实数据分布。为了证明 ODE 具有唯一解，首先明确构造了与关联的非线性 Fokker-Planck 方程相关的解，并证明它与 $W_2$ 损失的唯一梯度流相吻合。基于此，通过 Trevisan 的叠加原理和指数收敛结果，构建了 ODE 的唯一解。该论文提出了一个分布相关 ODE 的欧拉方案，并在极限情况下正确恢复了 $W_2$ 损失的梯度流。通过遵循该方案和应用持久训练，设计了一个算法，其自然地适用于梯度流框架。在低维和高维实验中，我们的算法通过适当增加持久训练水平，比 Wasserstein 生成对抗网络收敛更快且性能更好。

Jun, 2024

在无监督学习中研究双重下降现象，通过使用欠完备的自编码器进行实验，发现双重下降现象存在于多个应用中，并对异常和领域转移进行检测和缓解，结果表明过参数化模型不仅在重构方面表现出更好的性能，还增强了下游任务的能力。

Jun, 2024

通过使用增强学习引导图像编辑方法（InstructRL4Pix）来生成由目标对象的注意力地图引导的图像扩散模型，该方法通过计算注意力地图之间的距离作为奖励函数来最大化奖励模型的输出，并使用邻近策略优化（PPO）对扩散模型进行微调，以实现基于自然人命令的准确图像编辑。实验证实 InstructRL4Pix 突破了传统数据集的限制，利用无监督学习来优化编辑目标，并实现了精确的图像编辑。

Jun, 2024

我们提出了一种使用自监督从 LiDAR 数据学习连续的 4D（时空）占据场的无监督世界模型，该模型可以轻松有效地迁移到下游任务，并在点云预测和 BEV 语义占据预测方面取得了最先进的性能，特别是在标注数据稀缺时。此外，在与先前的时空几何占据预测的最新技术进行比较时，我们的 4D 世界模型对于与自动驾驶相关的类别的对象的召回率要高得多。

Jun, 2024

基于预训练网络提取的图像深层特征被认为包含丰富且信息量大的表达方式。本文介绍了一种名为 Deep Degradation Response（DDR）的方法，用于量化在不同降解条件下图像深层特征的变化。通过文本驱动的提示，我们的方法实现了灵活且适应性强的降解过程，能够控制地合成图像降解。广泛的评估表明 DDR 作为图像描述符具有多种用途，与复杂性、色彩丰富性、清晰度和整体质量等关键图像属性之间存在强相关性。此外，我们还展示了 DDR 在多个应用领域的有效性。作为盲目图像质量评估度量，DDR 优于现有的方法在多个数据集上的表现。此外，DDR 作为一种有效的无监督学习目标，可在图像恢复任务中取得显著进展，包括图像去模糊和单图像超分辨率。我们将提供代码。

Jun, 2024

本文介绍了一种新颖的逼真分离数据生成器（RealDGen），该生成器是为了解决现有图像超分辨率技术在复杂实际环境中泛化效果不佳的挑战所设计的。通过精心设计内容和降解提取策略，并将其整合到一种新颖的内容降解分离扩散模型中，从不成对的实际低分辨率和高分辨率图像中创建逼真的低分辨率图像。大量实验证明了 RealDGen 在生成大规模、高质量的配对数据方面的出色表现，模拟了真实世界的降解情况，并显著提升了各种真实世界基准测试中流行的超分辨率模型的性能。

Jun, 2024