本研究介绍了一种基于弥散模型的自监督预训练协议，用于X射线图像中的地标检测。结果表明该自监督框架在少量可用的已注释训练图像上能够提供准确的地标检测，优于ImageNet有监督预训练和最先进的自监督预训练方法。这是首次探索了弥散模型在自监督学习中应用于地标检测，有望成为缓解数据稀缺问题的宝贵预训练方法。

我们提出了一种句子层面的解析聚焦方法，通过减少每个句子的解析池，提高了性能，同时减少了方差和对简单解析的偏好。

领域自适应方法的三个分支存在挑战，但使用适当的验证分割和验证指标可以改进性能。改进的流程可以推动领域自适应研究进展。

斯坦福大学科学家开发了一种基于机器学习的新方法，能够更快、更准确地预测导致更好抗体药物的分子变化。他们结合了蛋白质骨架的3D结构和基于氨基酸序列的大型语言模型，在几分钟内找到罕见且理想的突变。这种方法有助于应对新出现或正在发展的疾病，并降低了制造更有效药物的门槛。

本文提出了一个基于扩散的无监督框架，将可解释的 Retinex 理论与扩散模型结合，进行低光图像增强，名为 LightenDiffusion。通过在潜在空间而非图像空间进行 Retinex...

本文介绍了一种在自动驾驶场景中进行无监督对象检测的方法，通过点聚类、时间一致性、CNN 的平移等性质以及自我监督来改进算法。新的规划感知度量更好地衡量模型在自动驾驶场景中的性能。在数据集上展示了该方法优于无监督基线的性能，证明了自我监督与对象先验相结合的潜力。

SCPNet是一种新型的无监督跨模态单应性估计框架，通过自监督学习和特征映射投影实现。在GoogleMap数据集上，SCPNet相对于有监督方法MHN在128x128图像上的平均角点误差(MACE)提高了14.0%。在其他跨模态/光谱和手工不一致的数据集上，SCPNet的性能优于其他无监督方法，MACE相比有监督方法MHN降低了49.0%、25.2%、36.4%和10.7%。

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。该方法通过迭代改进生成私人未标记乳腺超声数据集的伪掩膜，提高了分类模型的解释性和诊断的效果和可靠性。

本研究提出了一种名为UnmixingSR的高光谱图像超分辨网络，利用无监督学习感知材料成分并提高解决超分辨问题的稳定性。实验证明，将无监督感知作为辅助任务嵌入超分辨问题是可行和有效的。

从无人监督的以物体为中心的视频中学习估计类别级三维姿态，使用多视角对齐和密集对应的方法，我们的模型在无人监督下表现出色，提供了准确可靠的预测结果。