本研究提出了一种自监督框架，用于空间物体行为特征化，解决了行为分析基础模型不足的问题。该模型基于光曲线，能够有效进行异常检测和运动预测，支持空间安全与可持续性监测。

本研究提出了LLM-EvRep，一个自监督框架下的事件表示生成器，旨在提高事件驱动视觉内容处理的效率。实验结果表明，LLM-EvRep在事件识别任务中相较于E2VID方法性能显著提升，具有广泛的应用潜力。

本研究提出了一种名为FEMBA的自监督框架，旨在提高脑电图（EEG）分析在资源受限环境中的效率。FEMBA通过双向状态空间建模，实现了线性时间和内存复杂度的扩展，展现出良好的性能，具有广泛的临床和可穿戴应用潜力。

本研究提出了一种自监督框架，旨在解决复杂胃肠道条件下内窥镜的深度与姿态估计问题。实验结果表明，该方法在准确性和真实感方面显著优于现有技术，具有重要的临床应用潜力。

本文研究三铰链回旋体（3HG）的解剖嵌入，提出了一种自监督框架，通过Kolmogorov-Arnold网络增强结构相似性，建立不同大脑之间的对应关系。实验结果表明，该方法有效克服了传统方法的局限性。

本研究提出了自监督框架RealDiff，用于点云补全。通过模拟缺失物体部件的扩散过程和几何线索，RealDiff在处理噪声观测数据时表现出色。实验结果表明该方法优于当前最先进的点云补全方法。

我们提出了一种自监督框架，通过脑电信号学习图像表征。实验证明该方法在脑电图像数据集上取得了最先进的结果，并在零样本任务中达到了较高准确率。这些结果对神经解码和脑-计算机界面的应用有价值。

我们提出了一种自监督框架，从脑电信号中学习图像表征，并在最广泛的脑电图像数据集上取得了最先进的结果。通过对配对图像刺激和脑电反应进行特征提取，然后使用对比学习来对齐这两种模态。在200种零样本任务中，我们达到了15.6%的top-1准确率和42.8%的top-5准确率。对脑电信号的时间、空间、频谱和语义方面的广泛实验表明了良好的生物合理性，这些结果对神经解码和脑-计算机界面的现实应用提供了有价值的见解。

该研究提出了一种自监督框架，利用脑电信号学习图像表征，并在脑电图像数据集上取得了最先进的结果。该方法在200种零样本任务中达到了较高的准确率，对神经解码和脑-计算机界面的应用提供了有价值的见解。