本文提出了一种无监督的方法，叫做 uORF，用于从单张图像中推断物体场景表示，该方法整合了神经 3D 场景表示和深度推断网络，能够成功地分解复杂的 3D 场景，并完成诸如场景分割、3D 编辑和新视角合成等任务。

Jul, 2021

本文介绍了物体中心表示学习的概念，并在五个常见的多目标数据集上对最先进的无监督模型进行了训练和评估，研究了分割度量和下游对象属性预测等问题，并探讨了单个对象超出分布，全局属性的改变以及更少结构化的分布转变对其性能的影响。实验结果表明，物体中心表示对下游任务很有用，而且对于大多数影响对象的分布转变通常很坚韧。但是，当输入的分布变化不规则时，在分割和下游任务性能方面的韧性可能会因模型和分布转变而异。

Jul, 2021

我们提出了一种可伸缩的无监督面向对象中心的 3D 场景表示学习方法，通过学习在局部对象坐标系统中视角不变的 3D 对象表示，从而推断和维护 3D 场景的对象中心表示，并优于以前的模型。

Sep, 2023

通过引入组合性和不可约性假设，分析了何时可以在无监督情况下学习对象为中心的表示，并通过在合成数据上的实验验证了结果。还提供了证据表明该理论具有现有对象为中心模型的预测能力。

May, 2023

该论文提出了一种弱监督学习方法，以对象为中心的表示和光流条件模型，可提高现实数据下的实例分割和追踪效果，改进了查询模型的灵活性，并扩展了应用范围。

Nov, 2021

本文提出了一种基于光场的物体中心化组合场景表示法，通过无监督的方式学习神经场景表示，显著提高了场景渲染的速度和质量。

May, 2022

提出一种基于神经辐射场和基于对象的神经散射函数的方法，能够在不重新训练的情况下，对静态及动态场景进行光线追踪模拟，拥有在新光照和新物品排列情况下泛化能力的物理准确的多物体场景组成渲染技术。

Dec, 2020

利用弱监督对比学习的语义引导自监督学习模型，在基于自我监督模型 DINO 的特征编码器上微调，采用主成分分析（PCA）来定位物体区域，实验证明了该解决方案的有效性。

Jul, 2023

该研究提出了一种无监督学习的方法，即利用自监督训练的模型来重构特征，从而在完全无监督的情况下出现物体为中心的表示形式，在模拟数据和实际数据集上表现良好，显示出竞争力。

Sep, 2022

本文提出了一种基于视点分解的新方法，可以从视觉测量中提取抽象模型和目标类别的密集物体中心坐标系，并配有密集等变标记神经网络，可以将图像像素映射到对应的目标坐标系，这种方法可以适用于肢体简单目标和人脸等可变形物体，而不需要手动监督。

Jun, 2017