- 无监督分割任何东西
使用无监督 SAM 模型进行图像分割，通过将图像分割为实例 / 语义级别的片段并形成层次结构的无监督多粒度蒙版，提供了与有监督方法相媲美甚至更好的分割结果，并为有监督模型提供了改进的自我监督标签。
- 捕捉时间序列分类的时间组成部分
通过从连续数据中提取统计一致的成分进行训练的多尺度变化空间上的无监督分段方法，用于时序数据分类的符合组合表示学习的序列编码模型的效果得到广泛实验验证。
- UnSegGNet: 无监督图神经网络图像分割
利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。
- DDSB：超声心动图中无监督和无训练的相位检测方法
通过无监督分割方法提高鲁棒性，减少依赖于初步分割图像的准确性，在保持与学习模型相当的准确性的同时，避免了传统方法对数据、注释、训练资源的大量需求。
- 无需指导的开放词汇语义分割
TAG 是一种新颖的方法，用于在计算机视觉中进行无需训练、注释和指导的开放词汇语义分割，通过利用预训练模型以及来自外部数据库的类别标签检索，达到了在 PascalVOC、PascalContext 和 ADE20K 数据集上的开放词汇分割的 - 对无监督手术器械分割中低质量光流的重新思考
通过我们的方法，在低质量光流的困境下，从光流直接提取边界、选择性地丢弃质量较差的帧，并使用可变帧率的微调过程，我们在 EndoVis2017 VOS 数据集和 Endovis2017 Challenge 数据集上展现了有希望的结果，分别达到 - 大肠镜图像的无监督分割
结肠镜检查在诊断和预测各种胃肠疾病中起着关键作用。我们探索使用视觉变换器中的自监督特征来处理肠镜图像的三个具有挑战性的任务，结果表明与完全监督模型相比，从 DINO 模型学习的图像级特征可以实现相似的图像分类性能，而补丁级特征包含丰富的语义 - 无监督事件驱动独立运动分割
通过几何约束，我们提出了一种基于事件感知的独立运动物体伪标签生成的无监督方法，可以处理任意数量的无先验对象，并能够在缺乏昂贵的物体运动标签的数据集上进行可扩展的评估。我们在 EVIMO 数据集上进行了验证，并从定量和定性上表明其与有监督方法 - 3D-TexSeg: 基于互补式转换学习的 3D 纹理无监督分割
该研究提出了一种原始框架，用于在网格流形上对 3D 纹理进行无监督分割，通过相互变换的系统将网格表面划分为纹理区域和非纹理区域，使用几何图像表示对网格面片进行标记，并在三个公开数据集上进行大量实验证明该框架优于标准和 SOTA 无监督技术， - 电子显微技术中无监督分割的辐射诱导有序 - 无序相变
使用无监督分割方法对电子显微镜图像进行分割，以跟踪用于催化和电子领域的薄膜中辐照引起的非晶前沿，为自动化电子显微镜提供指导。
- 像素级聚类网络用于无监督图像分割
本文提出了一个像素级聚类框架，用于将图像分割成区域，而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割，以实现准确的无监督分割。此外，我们提出了一种训练策略，利用每个超像素内部一致性、相邻超像素间的相似性 - 通过多尺度超像素图上的结构熵最小化进行无监督皮肤病损分割
基于结构熵和孤立森林异常检测的新型无监督皮肤病变分割框架 SLED，通过构建皮肤镜图像的超像素图，最小化结构熵实现皮肤病变的分割，并通过多尺度的异常检测机制增强分割的准确性。实验结果在四个皮肤病变数据集上表明了所提出框架的优越性。此外，对一 - PaintSeg: 通过绘画实现无需训练的分割
本篇论文提出了一种无监督分割方法，使用了基于对抗过程的遮罩对比上色技术，通过 inpainting 和 outpainting 逐步接近真实目标分割遮罩。实验结果表明该方法在不同类型的分割任务方面表现都优于现有方法。
- 无人监督下生成扩散特征用于 3D 分层结构探索
本研究使用生成扩散模型来发现生物医学三维图像中所有内在层次结构，并设计了三种损失来训练预测性的无监督分割网络，使其能够将三维体积分解为具有层次结构的有意义的子体积，取得了优于现有无监督结构发现方法的性能，可在具有挑战性的仿真数据集和真实的脑 - 通过学习超分割和迭代搜索来拟合紧密边界框的分离、合并和优化
本研究提出了一种基于神经网络的过分割和迭代合并和细化的新框架，以找到 3D 形状的一组紧密边界框。通过使用现有的无监督分割网络分割形状并获得过分割，应用具有紧密感知合并和停止标准的分层合并。最后，通过基于 MCTS 的多行动探索进一步改进界 - CVPREFEM：三维物体分割的等变神经场期望最大化方法，无需场景监督
本研究提出一种无需注释或依赖场景训练，利用深度学习进行三维物体分割的算法，通过利用单个物体形状先验信息，采用等变形状表示及新型 EM 算法进行无监督的物体分割。实验结果表明，本算法在有不同物体姿态的场景中表现一致且鲁棒性良好。
- 基于生成式外观回放的持续无监督领域自适应
本文提出了一种基于生成式回放的无监督分割方法 GarDA（用于连续域自适应），通过不断适应一系列新的未标记数据（无需访问旧数据），使得分割模型可以对多个不同的域进行适应，并表现出比现有技术有显著的优势。
- 对比视觉语言模型中的感知分组
本篇论文研究视觉 - 语言模型在理解图像中物体所在区域和组合视觉相关部分方面的表现，提出一种最小的修改方案，获得了先进的无监督分割结果和对冗余相关性的鲁棒性。
- ReCo: 零样本迁移的检索和共同分割
本文提出了一种将语言 - 图像预训练模型（如 CLIP）的检索能力与无监督图像分割方法结合的方法，称为 Retrieve and Co-segment（ReCo）。该方法可构建语义分割模型，无需像素级别的标注，具有词汇表中概念名称的预测方便 - 预测运动的非监督视频和图像分割
本文提出一种融合基于运动和外观的分割方法，利用预测简单运动模式区域对图像分割网络进行监督，使其具备检测和学习静止物体的能力。通过实验发现该方法不仅在无监督视频分割领域表现出色，而且能够适用于包含新颖物体的静态图像分割领域，同时还能够处理多种