本文研究了关键点检测中使用的无监督学习方法，重点介绍了其不能生成等变中间卷积特征的问题，并提出了一种两步无监督方法，该方法通过首先学习强大的基于像素的特征，然后使用预训练的特征来通过传统的等变性方法学习关键点检测器。在多个挑战性的标志性检测数据集上实现了最先进的结果，例如 BBC Pose 数据集和 Cat-Head 数据集，并在一系列基准测试中表现出色。

Apr, 2021

本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

Sep, 2017

该论文提出了一种将基于实例和空间差异的对比学习相结合的简单而有效的方法，在训练的中间层次中表示对象明显地预测对象地标，通过空间对比学习进一步提高匹配和少量样本标志物回归任务的性能。该方法优于现有同类方法，并在标志物学习的标准基准测试以及该论文提出的新挑战上得到了验证。

Jun, 2020

使用自训练、聚类和伪标注方法，通过扩展传播模型的潜在特性，提出的无监督地标发现方法在多个基准测试中明显优于现有方法。

Mar, 2024

本论文研究对象类别的标志物，提出使用等变性法则与局部图像描述符相结合的方法，使得不同对象实例之间学习到的标记物是具有一致性的。实验表明该方法能够超越现有无监督学习方法的表现。

Aug, 2019

本文提出了一种使用深度神经网络在无监督条件下发现和学习物体类别中的标志的新方法，从而表征它们的结构。我们还展示了这种学习出的标志建立了不同对象实例之间的有意义的对应关系，并可以与高精度回归手动注释的标志。

May, 2017

提出了一种无需手动监督来学习视觉对象（例如面部中的眼睛和鼻子）的地标探测器的方法，通过几何提取过程中引入的紧密瓶颈，结合外观和几何来生成图片，该方法适用于多种数据集，包括人脸、人物、3D 对象和数字，同时在无监督地标检测方面优于现有最先进的技术。

Jun, 2018

本文提出一种基于自动编码器的方法，无需监督信号，从而学习图像模型中的对象结构，发现了与手动注释地标更为相关的语义有意义的地标，这些地标是识别视觉属性的补充特征，并且自然地创建了一个无监督、可感知的界面，用于操纵对象形状和解码具有可控结构的图像。

Apr, 2018

本文提出了一种基于卷积神经网络的联合学习方法，以在语义相似的图像中获得稠密对应和发现对象地标，在解决训练数据不足方面取得了显著成效，并引入了概率学习方法以提高框架的稳健性，该方法在语义匹配和地标检测的多个标准基准测试中取得了最新的最佳表现。

Oct, 2019

介绍了一种采用半监督学习方法，在没有 3D 地标数据集的情况下，通过直接提取（可见的）手工标记的 2D 地标，并确保更好的定义对齐，从而学习 3D 地标。该方法利用 3D 感知的生成对抗网络进行更好的多视角一致性学习，并利用实景多帧视频进行鲁棒的跨领域泛化。实证实验证明，该方法不仅在 2D-3D 地标之间实现了更好的定义对齐，还在 3DMM 标记和摄影测量基准数据集上优于其他监督学习的 3D 地标定位方法。

May, 2024