深度学习的成功在很大程度上归功于大规模标注数据集的可用性。因此，当前学习流程中的一个主要瓶颈是耗时的人工数据标注过程。在无法收集输入输出对的情况下，通常会使用模拟方法，这导致了合成数据与真实世界数据之间的域偏移。本研究提出了一种无监督替代方案，该方案依赖于特定任务的能量函数（energy functions）的可用性，以取代通用的监督损失函数。假设给定输入时，这些能量函数的最小值会导致期望的标签。所提出的“深度能量”（Deep Energy）方法训练深度神经网络（DNN），以近似实现这一最小化过程，适用于任何选定的输入。一旦训练完成，简单的前向计算即可提供推断出的标签。这种方法使我们能够在仅使用真实世界输入的情况下进行DNN的无监督训练，而无需手动标注的标签或合成的数据。“深度能量”方法在本文中通过三个不同的任务——种子分割、图像抠图和单幅图像去雾——展示了其通用性和广泛适用性。实验结果表明，网络提供的解决方案通常比直接最小化能量函数获得的解决方案质量更高，这表明我们的方案具有额外的正则化特性。