弱监督对应学习
本文提出了一种使用自监督对应关系用于提高视运动策略学习的泛化性能和样本效率的方法，并通过模仿学习演示了在挑战性的操作任务中使用少量演示即可实现广泛的硬件验证。
Sep, 2019
本文提出了利用动态循环 (Dynamics Cycles) 的方法，通过在两个不同的领域中学习关联来解决机器人学习中的问题，包括模仿学习、模拟到真实世界的迁移学习和不同机器人环境之间的转移学习。该方法可以通过使用来自两个不同领域的非配对和随机收集的数据，对代表 (视觉 / 内部状态)、物理参数 (质量 / 摩擦力) 和形态 (肢体数量) 不同的两个领域进行对齐，最终在不需要任何额外的微调的情况下将一个领域的策略直接转移至另一个领域。
Dec, 2020
本文提出基于自监督视觉对应学习的模型预测方法，证明了这种方法能够在视觉学习的强化学习中实现明显的性能提升，并通过模拟实验和硬件实验的验证显示出在一些情境下，这种预测模型具有更好的泛化性能。
Sep, 2020
通过引入一种新的自监督学习方案，我们提出了一种新的方法来训练特征对应关系，这种方法能够在任意连续的视频上进行特征对应关系的学习，而无需摄像头姿态或深度标签，从而为自监督的对应关系学习开创了一个新时代。在广泛的实验证明中，表现出较高的性能，在特征匹配和姿态估计等任务上，与现有的模型相比，精度提高了 30%。
Dec, 2023
本文提出了一种适用于匹配视频中对应点的特征嵌入的自监督学习方法，其中使用自然的时空一致性训练指针模型，并通过引入信息瓶颈和循环模型等方式来解决跟踪器漂移等挑战，最终取得了在视频分割和关键点跟踪上的最佳效果。
May, 2019
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