本文提出了一种创新的框架，利用两个分支的自编码器来学习内容和风格分离的表征，并通过多个损失约束辅助无监督学习，最终生成清晰、高质量的 256*256 分辨率的图片。

May, 2019

本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

Nov, 2019

本文提出了一种无监督序列解缠框架，它基于对矩乘自编码器或变分自编码器从下层模型生成、采样和比较实际分布的对比估计方法，而不需要外部信号、使用常见批量大小和来自潜在空间本身的样本。我们在视频、音频和时间序列基准上评估了我们的方法，取得了与现有技术相比的最新结果。

May, 2023

本文介绍了一种基于假设的无监督的 C-S 解缠方法，该方法使用模型归纳偏差并为内容和样式分别分配不同的作用，以近似真实数据分布并实现图像重建，并在几个流行的数据集上进行了实验，验证了方法的有效性。

Feb, 2021

本文提出了一个无监督自我监督框架 DisCont，通过利用图像的结构归纳偏差来解缠多个属性，结合最近对比学习范例的激增，我们的模型弥合了自我监督对比学习算法与无监督解缠之间的鸿沟，我们在四个基准数据集上定量和定性地评估了我们的方法的有效性。

Jun, 2020

自我监督表示学习经常使用数据增强来诱导对数据的 “风格” 属性的某种不变性。然而，由于在训练时通常不知道下游任务，很难事先推断哪些属性实际上是 “风格”，并且可以安全地丢弃。为了解决这个问题，我们引入了一种更有原则性的方法，旨在解开 “风格” 特征而不是丢弃它们。关键思想是添加多个风格嵌入空间，其中：（i）每个空间对除一个增强操作外都不变；（ii）联合熵被最大化。我们从因果潜变量模型的角度形式化了我们的结构化数据增强过程，并证明了内容和（多个模块的）风格变量的可辨识性。我们在合成数据集上通过实验证明了我们方法的好处，然后在 ImageNet 上展示了有限但有希望的结果。

Nov, 2023

本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

Aug, 2021

本文提出了一种基于弱监督的双交换去缠绕方法 (Dual Swap Disentangling, DSD)，它使用标记和未标记的数据共同作用来达到区分属性的目的，该方法采用双自编码器结构，通过编码 - 交换 - 解码的过程来实现样本属性区分。实验表明，该模型在多种图像数据集上取得了最佳的效果。

May, 2018

利用半监督对比学习方法，我们提出一种新的方法来实现属性的稳健控制，并增强内容的保留。通过重新解缠重构的句子并将其与原始潜变空间进行比较，我们实现了一个闭环解缠过程，进一步帮助内容保留。与以往方法不同，对比学习方法能够代替最小化互信息和对抗训练在解缠过程中的作用，从而减少计算成本。我们在三个文本数据集上进行了实验证明了我们模型的有效性。

Dec, 2023

本文研究了如何在无监督学习的情况下，学会将 A 和 B 两个不同的数据领域进行映射，以使得 B 中的信息包含 A 中的所有信息并且增加一些附加信息。为此，采用了一个双通路编码器和一个解码器，并且采用了一些损失函数对两个域进行重建和区分度优化。实验结果表明，该方法比文献导向的翻译方法更为简单，并且在一些视觉领域中取得了令人信服的结果，例如 no-glasses 到 glasses 以及基于参考图像添加面部毛发等。

Jan, 2020