骨架融合：一种无监督对准关键点检测器
提出了一种新方法来从噪声、降采样和任意旋转的实际场景中对任意对象类别进行关键点推断的方法，该方法是完全无监督的，关键点位置误差低，对点云数据扰动具有弹性，关键点保持其索引的语义一致性，且靠近点云数据表面，并在对象的三维形状下游任务中具有改进的覆盖范围和语义一致性。
Aug, 2023
我们提出了一种新颖的无监督骨架动作识别系统，该系统基于编码器 - 解码器递归神经网络，可以无需提供任何标签或摄像头深度输入，并可在各维度的身体关键点（2D 或 3D）和附加提示描述移动的情况下操作，并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能，且与有监督骨架动作识别表现相似。
Nov, 2019
本文提出一种基于自监督学习的方法，通过使用由直线相连的 2D 关键点图解开结构与外观的耦合，进而学习物体的结构表达，并利用所学习的结构表达实现自动人体姿态估计等任务。
May, 2022
介绍一种新的无监督方法 KeypointDeformer，通过自动发现的 3D 关键点进行形状控制，并通过比较两个对象的潜在表示来分析其形状差异，并通过 3D 关键点和形状变形算法将源对象变形为目标对象。
Apr, 2021
本文介绍了一种利用骨架表征进行点云配准的新方法 SPEAL，通过提取点云的骨架特征和拓扑结构，获得点云的几何复杂性，进而提高点云配准的性能。作者还构建了一个名为 KITTI CrossSource 的大规模跨源点云数据集，用于评估该方法在跨源和同源数据集上的优越性和鲁棒性。据我们所知，这是第一个利用骨架几何先验进行点云配准的方法。
Dec, 2023
稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。
Sep, 2023
本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。
Feb, 2018
本文提出了 UKPGAN，一种基于自我监督的 3D 关键点检测器，通过生成对抗网络与显著信息提炼模块，定位出重要的关键点，进而对物体进行对齐和重建，实验结果表明本方法能够在不同的非刚性变形下处理 SMPL 人体，并具有较好的稳定性和几何注册性能，同时适用于真实场景下的物体检测。
Nov, 2020
本文提出了一种新颖的深度学习框架，用于不需要明确匹配训练集中运动对之间的数据驱动运动重定位，其利用不同同构骨架通过边合并操作可以简化为一个共同原始骨架并转化为一组关联于原始骨架关节的深度时态特征，从而实现简单的运动重定位，同时本方法是第一种能够在没有一对一匹配的情况下在不同采样运动链之间执行重定向的方法。
May, 2020
使用无监督学习方法，通过中轴变换来捕捉点云的内在几何和拓扑特性，从而产生更为通用的骨架结构，并利用此学习结果可以促进点云的表面重建和分割。
Dec, 2020