本论文提出了 Dense Siamese Network（DenseSiam），这是一种针对密集预测任务的简单的无监督学习框架，通过最大化图像两个视图之间的相似性（包括像素和区域一致性），学习视觉特征表示，并证明了其在图像分类和语义分割任务中的有效性。

Mar, 2022

该研究提出了一种新的自监督学习方法 Siamese Image Modeling，它通过预测同一图像的不同视图的表示来达到语义对齐和空间敏感的目的，这种方法在 ImageNet 微调和线性探测、COCO 和 LVIS 检测以及 ADE20k 语义分割等多项下游任务中都取得了更好的效果。

Jun, 2022

自主驾驶是一个备受关注的领域，但标记数据的收集过程非常困难，自监督学习可能是提高模型性能的一种有效方式。本文提出了一种名为 MultiSiam 的方法，解决了多示例情况下的自监督学习存在的问题，包括跨视图一致性和相似度度量。该方法在公开数据集上具有很强的性能表现，并显示了特定领域预训练的潜力。

Aug, 2021

该论文提出了一种基于语义实例掩模的箱式监督实例分割方法，能够更好地处理对象之间的遮挡区域，并通过语义级假标签及自校正机制识别前景对象。

Mar, 2023

本文提出了一种名为 EnSiam 的方法，基于教师 - 学生框架和集成学习思想，使用多个表示来改进对比学习，并提供稳定的伪标签，以提供更好的性能。实验证明，在大多数情况下，EnSiam 能够胜过以往最先进的方法，包括在 ImageNet 上的实验，表明 EnSiam 能够学习到高质量的表示。

May, 2023

SAM++ 是一个能够在医学图像中学习外观和语义嵌入的框架，其固定点匹配机制能够克服原来方法中的一些限制，并取得了比现有方法更好的结果。

Jun, 2023

本文通过研究，展示出使用 Siamese 网络进行图像无监督表示学习的含义，并阐述了在该情况下级联网络的基本角色，并提出了一个新的基于停止梯度的理论，通过实验证明了其正确性。

Nov, 2020

自我监督学习（SSL）可以用于解决复杂的视觉任务，该论文研究了实例分割的自我监督表示，发现不同 SSL 方法的特征在实例感知水平上存在差异。

Nov, 2023

SAMScore 是基于高性能的 Segment Anything 模型（SAM）设计的一种通用的语义结构相似度指标，可用于评估图像翻译模型的可靠性，并应用于 19 项图像翻译任务中，发现其能够胜过所有竞争指标，是一种有价值的工具，有助于推动图像翻译领域的发展。

May, 2023

Self-supervised Anatomical eMbedding (SAM) is introduced to extract semantic embeddings for imaging pixels with intrinsic structures, which can be used to locate body parts in other images by nearest neighbor searching, surpassing supervised methods trained on 50 labeled images with only one labeled template image and being effective in improving image registration and initializing CNN weights.

Dec, 2020