利用无卷积迭代方法和学习后处理技术，本研究提出了对不同观测可视范围适应，无需或最小限度微调的训练策略，以解决干涉天文望远镜的高效重建问题。无卷积迭代方法在网络内包含望远镜测量运算符，能够以最优的重建质量和计算时间适应不同的可视范围，并且对真实的无线电观测结果也有良好的推广能力，能恢复图像的高动态范围。

May, 2024

使用自监督学习的方式学习天文学中的巨大数据源，通过图像表示的学习，可以在不需要过多标记的情况下获得与使用有监督学习方法获得的结果相当甚至更好的效果，可能可以有效减少标记数量。

Dec, 2020

我们提出了一种针对遥感数据的高效半监督学习方法，通过适应 FixMatch 框架以及消除训练数据中的偏差，使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升，以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。

Dec, 2023

我们提出了 PolarRec，这是一种用于干涉可见性数据的重建方法，它由一个以极坐标表示的变换器条件化神经场管道组成，可以有效地重建频率信息，显著减少计算成本，并在成像结果上取得明显的改进。

Aug, 2023

该研究提出了 MaxRay 数据集和基准测试，以便了解通过提取无标签的自我坐标来训练无监督的无线电定位器网络如何在精确目标定位方面表现。结果表明，可以实现精确的无线电目标定位，这对于实现统一通信感知基础架构上的强大的无线电感知至关重要。

Jun, 2022

自主车辆的感知问题中，使用雷达来感知的能力使其引起了研究人员的兴趣，然而，由于昂贵和难以标注大规模雷达数据，训练雷达模型一直存在困难。为了解决这个瓶颈问题，我们提出了一种自我监督学习框架，利用大量无标签的雷达数据来预训练仅用于自动驾驶感知任务的雷达嵌入。该方法结合了雷达对雷达和雷达对视觉的对比损失，从配对的无标签雷达热图和相应的相机图像中学习出一种通用表示。在下游目标检测任务中应用时，我们证明了该自我监督框架能够提高现有监督基线方法的 mAP 准确度 5.8%。

Dec, 2023

本文介绍了一种多模态学习方法，称为 Dual Optimal Transport Label Assignment（DOTLA）框架，用于学习无标签跨模态数据集中的多模态特征。同时，本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块，以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。

May, 2023

提出了一种新型的稀疏视角下的 3D 重建框架，它通过将占据区域和反照率区域与额外的能见度场密切结合，解决了多视角特征聚合中的遮挡模糊性，能够评估自遮挡重照的光衰减。通过渲染启发式损失，它能够隐式地强制能见度和占据场之间的对齐，使得最终的联合训练效果优越于现有的技术，能够同时实现比光线追踪更为准确的重建和重照。

Apr, 2023

本文提出了一种新的自监督训练方法，利用来自多个传感器的共同数据来学习每种可能的组合的有用表示，该方法在遥感分类任务中优于全监督 ImageNet 权重，并随着越来越多的传感器融合而改善。

Aug, 2021

我们提出了一种用于优化实时合成孔径采样的引导策略，通过预扫描的点云数据来实现无人机的遮挡去除。利用深度信息可以计算空中单个无人机位置对地面上点的可见性。受到亥姆霍兹互易定律的启发，我们引入了互易可见性来确定双重情况 - 从地面上给定的兴趣点，推断空中潜在采样位置的可见性。生成的可见性图编码了地面上的哪个点可以从空中的任何位置通过多大程度的可见。基于这样的图，我们展示了一种贪婪采样优化的方法。

Feb, 2024