本文介绍了语义场景补全（SSC）技术的最新进展，包括点-体素聚合网络、深度卷积神经网络SSCNet和自我监督方法S4C等。这些方法在多个基准测试中表现优越，有效捕捉3D场景的语义信息和结构细节，推动了基于单目摄像机的三维场景重建研究。

本文介绍了一种新的自我监督方法用于边缘检测，通过多级、多同态变换技术将注释从合成数据集转移到真实世界数据集，并开发了SuperEdge模型，可在像素级和对象级粒度上提取边缘。在BIPEDv2数据集上展示了边缘检测改进。

本文提出了一个自我监督方法，用于自然环境下高保真面部模型。通过训练神经网络，从单个2D图像驱动面部模型，并通过连续帧纹理的一致性进行自适应，克服了实验室和无控制环境之间的域不匹配问题。实验结果表明，手机相机下能够驱动高保真面部模型，无需新领域标记数据。

提出了一种适用于极小标注数据集的自我监督方法SS-StyleGAN，通过在StyleGAN体系结构中集成一个学习嵌入到StyleGAN潜空间的编码器，利用学习的潜空间智能选择代表性数据进行标注以提高分类性能。在50个甚至10个大小的标注数据集上取得强大的分类结果，特别适用于COVID-19和肝肿瘤病理鉴定任务。

本文介绍了一种自我监督的方法（LPD），用于发现2D图像中物体的三维部件，并学习适合匹配物体形状的简单且准确的部件形状先验。实验结果表明，该方法具有更好的重构精度，优于现有方法。

本文介绍了一种音频-视觉建模方法，可定位超声成像中的解剖区域。该自我监督方法学习到的解剖表征可提高下游临床任务性能，超过完全监督的解决方案。

该文介绍了一种自我监督方法，通过三个前置任务指导自动边界分离，并与下游节点分类任务一起训练，以提高通道的捕获能力。实验结果表明，DisGNN在六个真实世界数据集上取得了显着的性能提升，为边缘分离和图学习提供了新的解决方案。

本文提出了一种基于注册模型的自我监督方法，用于提取具有统计形状模型和点分布模型基础的关键点。该方法能够更准确地建立解剖上一致的预测关键点，并在骨关节炎进展预测任务中取得比现有方法更好的效果。