本文提出了一种用于解决任意大小和形状的智力拼图，利用无监督学习从未标记的图像数据中学习视觉特征，可作为网络初始化的可靠方法，适用于图像分类、物体检测和语义分割等几类视觉识别任务。

Dec, 2018

本文介绍了一种新的基于拼图聚类的预处理任务方式，可在降低训练成本的同时充分利用图像内部和外部信息进行训练，实现了与对比学习方法相当的效果，甚至在只使用一半的训练批次时也能够优于其他单批次方法。通过预训练模型，最终在 ImageNet 、CIFAR-10 和 CIFAR-100 数据集上实现了优异的成果。

Apr, 2021

本文研究了无需人工注释的图像表示学习问题，通过自监督学习的方式，构建了一个卷积神经网络，该网络能够以拼图问题作为预文本任务进行训练，从而无需手动标注，并在后续用于解决目标分类和检测问题；同时引入了一种名为 CFN 的无上下文网络，该网络以图像块作为输入，并将其早期处理单元的感受野（或上下文）明确限制为一次一个图像块，以保持跨任务的兼容性。通过训练 CFN 来解决拼图问题，我们学习了对象部分的特征映射以及它们的正确空间排列，实验评估结果表明，所学习的特征捕获了语义相关的内容；本文提出的学习视觉表示的方法在多个转移学习基准测试中胜过现有的最先进方法。

Mar, 2016

这篇研究论文介绍了一种用于医学图像中分类微细病变的细粒度自我监督学习（FG-SSL）方法，通过逐层分块逐渐学习模型，使细粒度拼图与规范原始图像的交叉相关性接近于单位矩阵，并应用于逐步细粒度学习以发现微小差异，该方法不依赖于非对称模型、负采样策略或批量大小，并在使用多种医学图像识别数据集的全面实验中表现出优越性能。

Aug, 2023

本研究提出了一种用于图数据挖掘的无监督学习方法，称为 Graph InfoClust（GIC），该方法利用可微分 K 均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

Sep, 2020

本研究提出迭代分割不变风险最小化（IP-IRM）算法，用于跨越简单的数据增强特征，对抽象语义进行对比学习，以实现对视觉表示力的进一步提升。该算法通过对训练样本的划分和最小化固定子不变对比损失，最终收敛到完全解耦的语义表示，且在各项基准测试中表现良好。

Oct, 2021

本研究旨在将自适应方法应用于不同领域中的对象识别任务。通过受监督的信号和自监督的信号来学习和合并知识，扩展模型对数据的理解并提高分类任务的准确性。经过多次实验验证，本方法相较之前的方法在域通用性和适应性上具有更好的效果。

Mar, 2019

该文章介绍了 Jigsaw 框架，该框架是一种用于将多个部件的物理断裂的 3D 对象组装起来的方法，并且通过分割、匹配和全局对齐的方式来提高其性能。该方法是一种第一次基于学习的方法，专门用于多个部件的 3D 断裂组装。

May, 2023

在本论文中，我们提出了一种循环框架用于深度表示和图像聚类的联合无监督学习 (JULE)。通过在卷积神经网络 (CNN) 输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。我们的主要想法是将两个过程集成到一个模型中，该模型具有统一加权的三元组损失函数，并进行端到端的优化，从而获得更强大的表示和更精确的图像聚类。在广泛的实验中，该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。

Apr, 2016

本文提出了一个像素级聚类框架，用于将图像分割成区域，而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割，以实现准确的无监督分割。此外，我们提出了一种训练策略，利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法，以避免由基于超像素的损失引起的过分分割。最后，我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验，我们证明了所提框架的有效性。实验结果表明，所提框架优于先前的最先进方法。

Oct, 2023