本研究提出了一种动态记忆预测框架，解决了现有视频重建方法在复杂场景下对多参考帧的忽视问题。该框架通过引用帧记忆引擎和双向目标预测网络，提高了细粒度视频目标跟踪的精度和鲁棒性，实验结果表明其优于现有自监督技术。

本文介绍了一种无文本语音到语音翻译系统，利用自监督技术优化多说话者语音模型，实现了多语言对的无文本翻译。该系统在语音克隆和风格转换方面表现优异，展示了高质量的翻译和音频效果。

本文介绍了一种基于不对称数据的语音到语音翻译模型Speech2S，该模型通过双语文本数据训练，显著提升了翻译效果。研究还探讨了无监督和弱监督方法，增强了多语言翻译性能，尤其在低资源语言上表现突出。此外，模型利用自监督技术，在无文本情况下实现有效的语音翻译，解决了数据稀缺问题。

本文探讨了提升三维物体检测性能的方法，包括伪标签、半监督学习和自监督技术。ODM3D框架在KITTI数据集上表现优异，SGM3D方法通过多粒度域自适应显著提高检测效果。研究表明，无需三维标签也能实现与先进方法相媲美的性能。

本文介绍了一种多语言语音翻译模型，支持无文本的语音到语音翻译，采用自监督技术优化多说话者语音。研究表明，该模型在多语言翻译中优于传统双语模型，并在不同任务上取得显著改进，展现出强大的翻译能力和效率。

本文提出了一种基于形状约束的循环匹配框架，用于6D物体姿态估计。该方法利用纯RGB图像进行训练，通过几何约束优化姿态估计，显著提高了准确性和效率。实验结果表明，该方法在多个数据集上优于现有自监督技术，无需额外的2D注释或深度图像。

SelfGraphVQA是一种框架，通过预训练场景图生成器从图像中提取场景图，并应用语义保持增强和自监督技术，改进了图表示在视觉问答任务中的利用。实验结果表明，提取的场景图对于视觉问答非常有效，并且通过强调视觉信息的重要性来提升整体性能，为依赖场景图进行复杂推理问题的视觉问答任务提供了更实用的解决方案。

该文介绍了一种基于自监督技术的特征学习方法，适用于无标签传感器数据的人类活动识别。该方法在智能手机环境下表现良好，可被广泛应用于其他领域。