本文综述了音视频学习的四个子领域：音视频分离、对应学习、生成和表示学习，探讨了先进方法、面临的挑战及相关数据集。研究提出了新框架和方法，如AudioScope和AV-CIL，显著提升了音视频分离和学习效果。

本文介绍了一种无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，并提出了一种驱动学习过程的自然准则。该方法不需要带注释数据，可以利用任何类型的可变形几何数据进行训练。在对应基准测试中，该方法展示了更强的泛化能力和应用于具有挑战性设置的能力。

本文介绍了一种无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，并提出了一种驱动学习过程的自然准则。该方法不需要带注释数据，可以利用任何类型的可变形几何数据进行训练。实验结果表明，该方法在精度、泛化能力和效率方面优于其他方法。