本文提出了一种基于动态内容图像的高保真超声图像视频综合方法，采用自我和全面监督学习，同时采用对偶编码器和 GAN 损失策略，实现了对复杂超声瞬态运动的处理，并在大量临床数据中进行了有效验证。

Jul, 2022

本文提出了一种 USIP 检测器，可在任意变换下从 3D 点云中检测高度重复和准确定位的关键点，而无需任何基础训练数据。通过使用多个验证数据集的实验，我们证明该方法在关键点检测上优于其他手工和深度学习的方法。

Mar, 2019

无需辅助信息，我们提出了一种使用纯 RGB 图像进行训练的 6D 物体姿态估计方法，通过利用来自多个不同视角的合成至实图像对中的几何约束（以像素级流一致性的形式表示）进行精化策略，从合成图像中获得初始姿态估计，并使用动态生成的伪标签。在三个具有挑战性的数据集上进行评估，结果表明我们的方法明显优于最先进的自监督方法，无需 2D 注释或额外的深度图像。

Aug, 2023

从两个或多个视图中提取场景的点对应是一个基本的计算机视觉问题，对于相对相机位姿估计和运动结构具有特殊重要性。我们通过使用对应于传递线上的假设匹配来放宽已有模型需要的先验知识约束，并提出了一种新颖的引导方法，从而无需真实的三维结构信息即可对模型进行微调，并在新数据上获得最先进的结果。

Jan, 2024

本文提出了一种利用自我监督方式从视频中学习可靠密集对应关系的方法，通过跟踪大规模图像区域和建立连续视频帧之间的像素级细粒度关联来实现。该方法利用共享的帧内亲和矩阵来建模两个任务之间的协同作用，在区域级别和像素级别同时建模视频帧之间的转换，从而在视觉对应任务中实现了优异的表现。

Sep, 2019

本文介绍了一种通过自监督学习获得单目序列深度和姿态的方法，该方法不需要基础数据的支持，增加了更强的几何量和时间图像序列内部一致性的约束条件，能够显著提高单目图像序列深度和相对姿态估计的性能。

Sep, 2019

本文介绍了一种基于无监督深度学习的兴趣点检测器和描述器 - UnsuperPoint。使用自监督方法，使用孪生网络和一种新的损失函数，允许兴趣点得分和位置自动学习。而且，该模型不需要生成伪真实点，也不需要从运动中生成的表示，并且只需要一轮训练即可学习。此外，还引入了一种新的损失函数，以使网络预测均匀分布。UnsuperPoint 在 $224 imes320$ 和 $480 imes640$ 分辨率下可以实现每秒 323 帧和 90 帧的实时运行，并在速度、可重复性、定位、匹配得分和单应估计表现方面与最先进的性能相当或更好，在 HPatch 数据集上取得了良好的表现。

Jul, 2019

本论文提出了一种有效的自监督训练方案和新的损失设计用于密集描述符学习。在对比 in-house 鼻窦内窥镜数据集和公共密集光流数据集以及小规模公共 SfM 数据集的实验中，我们证明了我们提出的密集描述符具有更好的泛化性能，显著提高了 Structure from Motion (SfM) 模型的密度和完整性。

Mar, 2020

该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

Apr, 2023

通过无监督学习从大量未标记图像路径中学习特征，对像素进行编码，并进行空间池化以获得补丁层特征，然后将学习到的特征顺畅地嵌入到多层匹配框架中，得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型，并分析了字典学习和特征编码对最终匹配性能的影响。

Jan, 2015