本文提出了一种自监督的图像表示学习方法，利用三维几何一致性来指导学习过程，并在对比学习框架中引入三维几何一致性作为约束，成功学习出既具有一般性，又能够在各种下游任务中取得优越性能的图像表示。

Mar, 2022

自监督表征学习在提取图像特征方面取得了近期的进展，但在面对对称性和重复部分等具有挑战性的图像特征时仍存在限制。为了解决这些限制，本文提出一种新的语义对应估计方法，将有区分度的自监督特征与三维理解相结合，通过弱几何球面先验进行补充。与更复杂的三维流程相比，我们的模型仅需要弱视点信息，我们球面表示的简单性使我们能够在训练过程中注入信息丰富的几何先验。我们提出了一个更好地考虑重复部分和对称性误差的新评估指标。我们在具有挑战性的 SPair-71k 数据集上呈现结果，表明我们的方法能够在许多物体类别上区分对称视图和重复部分，并且还证明我们能够推广到 AwA 数据集上的未见类别。

Dec, 2023

本文提出了针对五种不同的自监督学习方法的三维版本，利用这些技术进行神经网络特征的学习，通过对三维图像的预处理，显著提高语义表示的精确性，从而在医学成像领域实现了数据效率、性能和收敛速度的提升，具有较高的竞争力和可扩展性。

Jun, 2020

本文介绍了一种可解释的图像嵌入方法，通过对已知具有 3D 可视表面重叠的训练示例进行测量，从而学习场景特定的相似度，并通过简单且快速的方式减少了在不同比例下的查询图像匹配和几何验证中的搜索成本。

Aug, 2020

本文介绍了自监督学习在减少人工标注数据用于训练深度神经网络方面的应用，并指出了该方法对于几何定向任务，如语义匹配和部件检测的可扩展性，同时展示了自监督预训练网络在学习语义对象部件方面相较于其它预训练选项所需较少的监督，并且这种预训练对于语义对象匹配非常优秀。

Apr, 2018

本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

Feb, 2023

最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

Jun, 2024

文章介绍了一种利用自监督学习的图形结构来学习具有不变性特征的视觉表示，并应用该表示在不同的识别任务中取得了显著性能提升。

Aug, 2017

本研究提出了一种自我监督学习的深度模型，命名为 Semantic Genesis，通过自主发现、自我分类和自我恢复医学图像下的解剖学，来学习语义丰富的视觉表征，具有较高的性能表现，适用于医学分类和分割。

Jul, 2020

本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

Dec, 2022