本研究提出了一种无监督的物体中心预测模型，通过学习物体之间的视觉动态来进行未来预测，实验结果表明该模型在生成视觉质量和物理可靠性方面优于现有技术。

Mar, 2024

提出一种物体感知的三维自我中心姿态估计方法，通过运动学建模、动力学建模和场景中物体的信息紧密集成，在物体感知的基础上估计出物理上合理的三维人体 - 物体交互姿态，并在受控实验和现实场景中进行评估。

Jun, 2021

本研究针对无监督的视频对象结构和动态提取及预测的挑战，采用基于关键点的图像表示方法，并在关键点的动力学模型上进行学习，以实现像素空间中的稳定学习和错误复合的避免。该方法在像素级视频预测和需要物体级运动动态理解的下游任务方面均优于非结构化表示，并在多个数据集和任务中进行了评估和验证。

Jun, 2019

提出了一种基于线性运动的单目视频三维物体检测方法，该方法通过将物体方向分解为两个部分并引入自平衡的三维置信度方法，有效地提高了三维定位精度，同时在 KITTI 自动驾驶数据集上取得了最好的表现。

Jul, 2020

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

本文提出了一种名为 OODP 的目标导向动态预测框架，通过将环境分解为对象并预测对象间的动态来提高学习动态模型的泛化性能，该框架使用端到端神经网络实现，并可进行无监督学习。实验结果表明，OODP 在各种不同对象布局的新环境中具有显著的泛化能力，且能够从极少量的环境中学习并可以准确地预测大量未见过的环境的动态，同时它还能学习具有语义和视觉可解释的动态模型。

May, 2018

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

该研究介绍了一种名为 Newtonian Neural Network 的中间物理抽象概念，可以从静态图像中学习物体的动态运动以及感受上的力。通过新构建的 Visual Newtonian Dynamics 数据集测试，显示该方法能够可靠地从单个图像中预测查询物体的动态，并支持以速度和力向量的方式进行预测的物理推理。

Nov, 2015

本文提出了一种采用运动学结构保持无监督学习的 3D 人体姿势估计框架，可以避免使用任何弱监督模型，并通过能量损失和运动学先验知识来训练模型，提高对新环境下的准确性和泛化能力。

Jun, 2020

本文考虑了一个代理与未知和不确定的外部世界交互的情况，我们展示了预测了代理身体固有信息的模型会代表外部世界的对象，并通过积极预测身体信号来学习动态模型的过程具有优异的控制性能，此外还展示了使用相同模型可以回答关于真实世界中对象属性的问题。

Apr, 2018