本文提出了一种用于无监督人脸子部件 - 部分发现的分层解析胶囊网络 (HP-Capsule)，通过 Transformer-based Parsing Module（TPM）将子部分胶囊组装到部分级胶囊中来学习它们之间的组合关系，并将其应用于 BP4D 和 Multi-PIE 数据集上，证明了方法的有效性。

Mar, 2022

该论文研究了 CapsNets（胶囊网络）的吸引人之处，并聚焦于解锁其全部潜能的三个关键问题：路由算法的有效性、提取更有效的第一层胶囊、以及胶囊网络中的部分关系学习。此外，还展示了 CapsNets 在实际应用中的潜力，包括无人机的自主定位、合成数据集中的四元数旋转预测和生物医学成像中的肺结节分割。该论文的研究结果对于深入理解 CapsNets 并突破复杂的计算机视觉挑战具有重要意义。

May, 2024

本文提出了使用胶囊网络处理光流问题的框架，并展示了在小型数据集上胶囊网络的表现优于 FlowNetC 和 PWC-Net 等模型的结果。

Apr, 2023

研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

May, 2021

本文提出了一种新型的 Capsule 网络模型：基于对比损失的 Siamese 风格 Capsule 网络模型 CoCa，将其应用于无监督形象分类任务，如 CIFAR-10 数据集，达到了较高的准确度并在模型参数和计算复杂度上均优于现有的有监督和无监督模型。

Sep, 2022

本研究介绍了一种使用几何关系推断物体的无监督胶囊自编码器（SCAE）。通过该模型，可以恢复物体的各部分的姿态和存在性，并且其物体胶囊存在性与物体类别高度相关，从而在 SVHN（55％）和 MNIST（98.7％）上实现最先进的无监督分类结果。

Jun, 2019

该研究论文提出了一种多原型架构，以指导胶囊网络表示图像部分的变化。通过使用多个胶囊（共组胶囊）捕获一个对象的多个原型，胶囊网络在图像分类准确性方面优于其他模型。

Apr, 2024

本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习，不能为无监督图像分割等需要空间多样的表示的任务带来改进，通过自我监督学习物体部件提出了新的解决途径，并结合目前趋势的 Vision Transformer，利用稠密聚类任务进行空间标记的微调，取得了在语义分割基准测试上超过 17%-3% 的最先进结果，且在完全无监督分割方面也具有重大潜力。

Apr, 2022

本文提出了逆向图形胶囊网络 (IGC-Net)，通过图形胶囊这种新型胶囊进行层级建模和无监督学习，从大规模无标注图像中学习人脸的层级 3D 表示。通过该网络的学习，揭示了神经网络如何将人脸理解为 3D 模型的层次结构。此外，利用学习到的部分可以对无监督的人脸分割任务进行评估，并且具有明确物理含义的部分级描述提供了一些有关人脸分析的洞见。

Mar, 2023

介绍了胶囊网络的基本概念和动机，以及它们在图像识别、视频、自然语言处理、医学成像等领域的广泛应用，探讨了胶囊网络研究中的主要障碍和未来研究的方向。

Jun, 2022