本研究提出了一种结合自监督训练与多列卷积神经网络的新方法，针对人群场景分析中的人群计数和异常检测，显著提升了复杂场景的处理能力，性能优于现有方法。

本研究提出了一种名为“消失深度”的自监督训练方法，旨在解决视觉编码器在广义度量深度理解方面的不足。通过新颖的位置信息深度编码技术，该方法显著提升了多个RGBD下游任务的性能，且无需微调编码器。

本文提出了一种新方法，通过第二轮自监督训练解决深度聚类中的特征随机性、漂移和扭曲问题，显著提升了六个数据集的聚类性能。

本研究提出MAGNET方法，旨在增强解码器的双向建模能力。通过自监督训练和结合双向与因果注意力，MAGNET提升了生成文本和填补缺失文本的能力。

本研究提出了一种自监督训练方法$eta$-Diffusion，旨在根据演示视频和场景图像生成自然连贯的视频。实验结果表明，该方法在用户偏好和机器评估中优于相关基线。

本研究提出了一种自监督训练策略，以提高肾细胞癌亚型分类的效率，解决因早期症状不明显导致的诊断延误问题，推动计算机辅助诊断工具的发展。

本文介绍了一种视觉模仿学习方法，机器人通过人类演示学习操作任务，无需先前知识。该方法将模仿学习视为状态估计问题，利用自监督训练和摄像头自动移动，能够从单个人类演示中学习多样技能，生成稳定的控制器。

本研究在无标注数据的情况下，通过将大规模GPS数据建模为停留点事件，并结合变压器等现代序列模型进行自监督训练，探讨如何检测移动行为异常。结合Aleatoric和Epistemic不确定性可提高模型的异常检测能力。

本文介绍了一种视觉模仿学习方法，机器人通过人类演示学习操作任务，无需先前知识。该方法将模仿学习视为状态估计问题，利用自监督训练和摄像头自动移动，实现复杂交互轨迹。实验表明，该方法在多项任务中表现出色，能够从单一演示中学习多样技能并生成稳定控制器。

本研究提出了一种新颖的人脸交换方法，通过自监督训练和特征解耦解决姿态变化、色差和遮挡等问题，实现高保真且逼真的人脸交换。

本文提出了多种跨模态学习方法，包括自监督训练框架和多层次对齐方法，旨在提升文本与视频检索、行为识别等任务的性能。研究表明，这些新方法在多个数据集上优于现有技术，推动了医学机器学习和无监督匹配等领域的发展。

本文介绍了一种新型的远程光电容抗信号分析方法，结合神经网络和自监督训练，验证了其在多个数据集上的有效性。研究强调数据集多样性对模型训练的重要性，并提出改进的深度学习框架以提升模型的泛化能力。此外，利用生理测量进行DeepFake检测的方法表现优越，提出的隐私保护方案有效降低了面部识别准确性。

本文研究了在线定价和广告拍卖问题，提出了一种基于贝叶斯模型的低后悔率算法，优化了动态定价策略。结合监督学习和二次规划，改进了汽车租赁行业的定价模型，并探讨了在线评论对定价决策的影响。此外，研究提出了一种新的自监督训练方法，以有效解决约束优化问题。

本文介绍了多种基于深度学习的歌声合成和转换系统，如NANSY框架、DeepSinger和WeSinger。这些系统通过自监督训练和创新模型设计，显著提升了合成歌声的质量和自然度，适用于多种语言和歌手。同时，研究探讨了在缺乏真实数据情况下的模拟训练方法，以提高音频分离技术的性能。

本文提出了一种自监督训练框架，通过多模态聚类捕捉语义相似性，学习共同的多模态嵌入空间。该方法在文本到视频检索和时间动作定位等领域表现优异，超越了现有技术，并展示了在多个数据集上的最新成果。

本文介绍了一种新的3D场景流估计架构OGSF-Net，能够更准确地预测空间流，并在Flyingthings3D和KITTI数据集中取得了先进成果。研究还提出了自监督训练方法和新型神经网络模型FlowNet3D，旨在高效处理点云数据中的场景流。实验结果显示，该方法在多个数据集上表现优异，超越了传统技术。

本文提出了一种基于认知学“全球工作区”概念的神经网络架构，利用自监督训练进行输入对齐和翻译，应用于分类任务和转移学习。同时，研究了深度增强学习和多模态强化学习方法，以提高机器人技能获取和状态表示的效率，并验证了其在模拟和实际环境中的有效性。

本文介绍了一种基于数学原理的学习优化（L2O）模型，验证了其在连续优化问题中的优越性。研究了现有方案并进行了基准测试，提出了新的算法和自监督训练方法，展示了在噪声环境下的有效性和鲁棒性，同时探讨了机器学习与优化方法的结合，推动了这一新兴领域的发展。

该研究提出了一种名为JSSL的深度学习方法，用于提高MRI重构的质量。实验证明，JSSL方法相较于传统的自监督训练方法有了明显的改进，凸显了该联合方法的有效性。