本研究提出一种新的方法来克服 SLIC 的局限性，该方法允许像素主动搜索其相应的分段，使分段之间自然地实现区域连贯性，并允许高收敛速率。在 Berkeley 分割基准下进行广泛评估，并证明该方法优于竞争方法。同时，在现有方法中时间成本最低。

Dec, 2016

提出了一种称为模糊简单线性迭代聚类（Fuzzy SLIC）的强大的超像素方法，它采用本地空间模糊 C 均值聚类和动态模糊超像素，使用真菌洋葱剥皮算法（OP）精确控制超像素数量，并能够准确消除各种噪声，验证实验表明，与最先进的方法相比，在无噪声和有噪声情况下，这种方法表现出色。

Dec, 2018

本文探讨了超像素方法在肿瘤科学中的应用，并将其与其他方法进行了比较。评估结果表明，基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好，这为高效手动细化切片提供了支持。

Jan, 2022

通过使用迭代聚类对人体动作视频中的类似视频实例进行分组，以改进传统的爬虫视（intra-video）正样本采样，以使用聚类分配的伪标签进行样本较难的正样本和负样本的采用，SLIC 在人体动作视频中实现了优于国家视频检索基线的性能。

Jun, 2022

通过基于结构和颜色的学习图像编解码器（SLIC），将压缩任务分割为亮度和色度，构建具有新颖的多尺度架构的深度学习模型，通过将不同阶段的特征结合以获取潜在表示。通过各种实验研究和分析，与其他图像编解码器进行比较，通过通道脉冲响应、潜在通道和各种消融研究的可视化，说明了该方法的优势。该模型在 MS-SSIM 和 CIEDE2000 度量标准中相对于其他先进参考编解码器获得了 7.5% 和 4.66% 的比特率增益。

Jan, 2024

本文研究了基于 CPU-GPU 异构平台实现的高效谱聚类算法。通过对高维空间中的数据点进行并行处理，建立标准的稀疏相似性图并计算拉普拉斯矩阵的最小 $k$ 个特征向量，同时在 GPU 上实现了快速的 $k$ 均值聚类算法。实验结果表明，该算法比 Matlab 和 Python 的最佳实现方法快得多，并且可以扩展到具有大量聚类的问题。

Feb, 2018

本研究提出基于简单上山式优化的新方法，以追求色彩相似性为基础，使得超像素算法可用于实时应用中。在一系列实验中，得出实时单 CPU 性能与领先技术相当的结论。

Sep, 2013

本文介绍了 cuSLINK，一种在 GPU 上重构 SLINK 算法的新方法，并使用参数 k 来权衡时间和空间，以进行一系列重要应用，包括社交和计算机网络中的聚类分析，自然语言处理和计算机视觉等。

Jun, 2023

通过在推理时间内优化随机初始化卷积神经网络（CNN），我们提出了一种无监督的超像素分割方法，通过 CNN 从单个图像生成超像素，无需任何标签，通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点：（i）利用 CNN 的图像预先知识用于超像素分割，（ii）根据给定的图像自适应地改变超像素数量，（iii）通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。

Feb, 2020

本论文提出了一种基于深度语义分割的分层图像压缩 (DSSLIC) 框架，通过将输入图像的语义分割映射编码为比特流的基本层，并生成编码为第一个增强层的输入图像的紧凑表示，进而获得图像的粗略重构，并额外编码作为另一种增强层与输入图像的差值，该框架可以在 RGB 域的广泛比特率中在 PSNR 和 MS-SSIM 指标方面优于 H.265/HEVC-based BPG 和其他编解码器，并用于图像搜索和基于对象的自适应图像压缩等多项任务。

Jun, 2018