本文介绍了一种新型无监督深度学习算法，结合3D卷积自编码器与聚类方法，实现高精度高光谱图像分割。实验结果表明，该算法在特征提取和解混合方面优于现有技术，性能显著提升。

本文回顾了无监督深度学习在图像处理中的重要性，并介绍了基于最优运输和凸分析的学习方案，循环一致性模型和学习对抗规则化方法。还概述了加速图像逆问题求解的学习优化算法和深度降噪器的学习算法。提供了相关无监督学习框架的综述。

该研究使用无监督深度学习开发了一个实时自编码器异常检测系统，能够高效地检测ECAL异常，估计的错误发现率比现有基准提高了两个数量级。该系统在2018年和2022年的LHC碰撞数据中验证了其真实性能，并在LHC Run 3期间在ECAL桶部署了基于自编码器的系统，展示了其在检测现有DQM系统可能忽视的隐晦问题中表现出的良好性能。

本文介绍了一种名为ACE-HetEM的无监督深度学习架构，可在低信噪比和未知姿态条件下从2D图像中重建三维结构，并实现构象分类和姿态估计的解耦。模拟实验结果显示，ACE-HetEM在姿态估计方面准确性可比，重建分辨率高于非摊销方法，适用于真实实验数据集。