本文提出了一种名为 Object-level Representation Learning（ORL）的自监督学习框架，旨在从场景图像中进行物体级别的表示学习，通过利用图像级别的自监督预训练作为先验，实现物体级别的语义对应。实验结果表明，ORL 在场景图像的自监督学习中显著提高了性能，在某些下游任务中甚至超过了受监督的 ImageNet 预训练，并在更多未标记的场景图像可用时改善了下游性能，展示了它在利用野外未标记数据方面的巨大潜力，希望它能激发未来更多关于从场景数据中进行通用无监督表征学习的研究。

Jun, 2021

通过引入组合性和不可约性假设，分析了何时可以在无监督情况下学习对象为中心的表示，并通过在合成数据上的实验验证了结果。还提供了证据表明该理论具有现有对象为中心模型的预测能力。

May, 2023

本篇论文提出了一种新的框架 ——OCARL，通过利用对象的类别信息来促进感知和推理，包括三部分：具有类别感知能力的无监督对象发现，具有对象类别感知能力的感知以及采用多个独立的对象 - 类别特定网络进行推理的对象中心模块化推理。实验表明，在对象导向的强化学习领域，OCARL 可以提高样本效率和泛化能力。

Oct, 2022

本文介绍了物体中心表示学习的概念，并在五个常见的多目标数据集上对最先进的无监督模型进行了训练和评估，研究了分割度量和下游对象属性预测等问题，并探讨了单个对象超出分布，全局属性的改变以及更少结构化的分布转变对其性能的影响。实验结果表明，物体中心表示对下游任务很有用，而且对于大多数影响对象的分布转变通常很坚韧。但是，当输入的分布变化不规则时，在分割和下游任务性能方面的韧性可能会因模型和分布转变而异。

Jul, 2021

本文提出了一种概率生成模型，用于学习从多个物体场景的部分观察中构建模块化和组合化的三维物体模型，该模型可以推断 3D 物体表示并从任意视角呈现场景。

Jun, 2020

MulMON 基于多视角学习，旨在实现准确和脱耦的多对象场景的目标结构化，克服了单视角方法在物体场景表示中遇到的问题。

Nov, 2021

最近在无监督的物体中心表示学习问题和其在下游任务中的应用方面取得了重大进展。最新研究支持这样一个论点：在基于图像的物体中心强化学习任务中使用解耦的物体表示有助于策略学习。我们提出了一种新颖的物体中心强化学习算法，结合了演员 - 评论家和基于模型的方法，有效地利用这些表示。我们的方法使用转换编码器提取物体表示，并使用图神经网络来近似环境动力学。所提出的方法填补了开发用于离散或连续动作空间环境的高效物体中心世界模型的研究空白。与基于转换器架构的最先进的无模型演员 - 评论家算法和最先进的整合模型为基础的算法相比，我们的算法在视觉复杂的三维机器人环境和具有组合结构的二维环境中表现更好。

Oct, 2023

该研究提出了使用基于物体的表征作为组成性生成世界模型所学习的模块化和结构化观察空间，以帮助自主代理发现和学习有用的技能，并进一步将这些技能组合起来解决复杂的组合任务。

Nov, 2020

本文提出了一个视频字幕生成系统，包括一种新颖的基于对象关系图的编码器和一种有效的训练策略，其中使用了教师推荐学习方法和外部语言模型来解决长尾问题，并在多个基准测试中取得最好的性能，实验证明我们的系统是有效的。

Feb, 2020

通过引入 “对象中心化指导增强 (OCI)” 框架，将高度语义化和信息密集的语言指导与位置提示相结合，利用多模态大型语言模型 (MLLM) 将物体位置知识编织到自然语言指导中，从而帮助政策网络掌握多样操纵的动作，并通过一系列模拟和现实世界的机器人任务，证明使用我们增强的指令训练的机器人操作策略优于仅依赖传统语言指令的策略。

Jan, 2024