本文介绍了一种结合数据和模型的方法来完成面部关键点的检测，即先利用全卷积网络（Fully Convolutional Network, FCN）来生成脸部所有关键点的响应图，再利用 Point Distribution Model（PDM）生成初始面部形状，最后使用加权变体的正则化关键点均值漂移（RLMS）来微调面部形状，实验表明本文提出的方法在面部表情、头部姿态和部分遮挡等挑战性数据集上都能够取得最好的表现。

Nov, 2016

本文利用强化学习将点云配准问题转化为一种规划问题，通过逐步缩小变换搜索空间来获得源点云和目标点云之间的最佳变换，实验结果表明我们的方法可以在无监督学习的情况下产生良好的配准性能。

Aug, 2021

本研究通过引入面部部分分割几何特征并利用 Part Re-projection Distance Loss (PRDL) 来优化点集的分布，从而在面部重建方面展现出最先进的性能。

Dec, 2023

本文提出一种基于点的距离度量学习（PDML）方法，通过鼓励标注点之间的特征保持一致来引导训练过程，使用限定的标注点代替密集标注 mask 进行语义场景解析，最终在 PASCAL-Context 和 ADE 20K 数据集上实验验证结果表明 PDML 方法有效性较高。

Nov, 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

本论文研究了精确形状抽象的显著和高效的基本描述符，提出了一种名为 Deep Deformable Models (DDMs) 的方法。DDM 利用全局变形和微分同胚本地变形来抽象复杂的物体形状，使用较少的基本图元提供更广泛的几何覆盖和更精细的细节，并能学习基于部位的语义对应关系。DDM 在形状重建和部位一致性方面的实验结果表明，较现有方法具有显著优势。

Sep, 2023

利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。

May, 2023

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

基于统计形状建模（SSM）的对应关系是在临床研究中进行形态学分析的一种强大技术。Point2SSM++ 是一种基于深度学习的自我监督方法，从解剖形状的点云表示中直接学习对应点，旨在克服 SSM 在医学研究中的潜力未被充分利用的问题，并通过广泛的验证证明其在临床应用中的显著优势。

May, 2024

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