通过 CCL 方法，我们可以自我学习视频表示，从而在基于视频的应用程序中实现更好的性能。

Oct, 2020

本文提出利用跨实例视觉一致性作为监督信息，通过建立一个包含 4 个环（4-cycle）的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现，并在测试阶段显示出优于先前相关任务的最新成果。

Apr, 2016

本文提出了一种自监督的方法，通过循环一致性来学习视觉对应关系，应用其学到的特征图表示可以在一系列视觉对应任务中取得较好的性能。

Mar, 2019

该研究提出了一种名为 BYOC 的自我监督方法，该方法能够从 RGB-D 视频中学习到视觉和几何特征，而不依赖于真实姿态或对应关系，它将传统的点云配准思路与更近期的表征学习方法相结合，并取得了比传统和学习型描述符更好的性能。

Jun, 2021

通过使用循环数据，本文提出了 CycleCL，一种特定设计用于周期性数据的自我监督学习方法。该方法利用预训练特征从同一个阶段近似采样一对帧以及不同阶段的负对帧，并通过优化特征编码器和重新采样三元组的方式来学习具备所提到的期望特性的特征。在工业和多个人类动作数据集上的评估表明，CycleCL 在所有任务中显著优于以往的基于视频的自我监督学习方法。

Nov, 2023

提出了一种基于多视角和弱标签的纯 RGB 序列的自监督 3D 物体检测方法，其在 KITTI 3D 数据集上的性能与使用激光雷达或立体图像的最先进的自监督方法相当。

May, 2023

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

本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

Apr, 2022

本文提出了一种适用于匹配视频中对应点的特征嵌入的自监督学习方法，其中使用自然的时空一致性训练指针模型，并通过引入信息瓶颈和循环模型等方式来解决跟踪器漂移等挑战，最终取得了在视频分割和关键点跟踪上的最佳效果。

May, 2019

本文介绍了一种基于相对相机位姿的学习框架，采用新的损失函数和模型架构，可以弱监督学习特征描述符，从而避免了精确的像素级匹配，为更大更多样化的数据集训练描述符提供了可能。通过该框架训练的 CAmera Pose Supervised 描述符甚至优于过去的有监督描述符，实现了多种几何任务的最先进性能。

Apr, 2020