تهدف التعرف البصري بقليل من الأمثلة إلى تحديد فئات جديدة غير مرئية باستخدام عدد قليل من التسميات، مع تعلم معرفة سابقة عامة من الفئات الأساسية. اقترح بعض الأفكار الحديثة استكشاف هذه المشكلة في بيئة غير مراقبة، أي دون أي تسميات في الفئات الأساسية، مما يقلل من الاستهلاك الكبير للتعليقات اليدوية. في هذه الورقة، نبني على رؤية ذاتية المراقبة ونُقدّم منهجًا جديدًا للتعلم غير المراقب يجمع بين تمثيل ثابت وتمثيل متسق (InCo) للوظيفة ذات القليل من الأمثلة. بالنسبة لعملية تمثيل الثبات، نقدّم وحدة تمايز هندسي لبناء تنبؤات الدوران لكل مثيل، والتي تتعلم التباين الداخلي للمثيل وتحسّن تمييز الميزات. ولبناء تمثيل متسق بين المثيلات بشكل أكبر، نقترح وحدة التماسك الزوجية من جهتين للتعلم التبايني: تعلم تبايني شمولي باستخدام صفوف تدريب تاريخية، وتلقي تبايني محلي لتعزيز تمثيل العينات الحالية في التدريب. علاوة على ذلك، لتمكين التعلم التبايني بين الميزات بشكل أفضل، نُقدّم بنية مُحددة بالتحولات المُتعددة (asymmetric convolutional architecture) لترميز تمثيلات عالية الجودة. أظهرت التجارب الشاملة على 4 معايير عامة فعالية منهجنا وتقدّمه مقارنة بالأساليب الحالية.