本研究探讨了分布外（OOD）检测中的标签盲点问题，指出在无标签情况下算法失效的条件。通过引入邻近分布外检测的概念，理论与实验证实了现有无标签OOD方法的局限性，为未来研究提供了重要启示。

本研究提出了一种基于大型语言模型的零样本3D关键点检测方法，首次在没有真实标签的情况下提取和命名3D模型的关键点。实验结果表明，该方法在标准测试中表现出竞争力，展示了语言模型在3D计算机视觉中的潜力。

本研究通过PHI标准化技术解决了视觉基础模型在无标签情况下进行异质多教师知识蒸馏时的分布不均问题，提升了学生模型的质量。结果表明，该方法在多种模型中表现最佳，具有重要应用潜力。

本文提出了一种自监督学习框架，通过三个自监督任务实现颜色和纹理感知特征学习，无需标签，性能较好。