本文提出了一种使用简单的全卷积网络预测超像素的新方法，以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进，实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能，并且在公共数据集上能够获得更好的视差估计精度。

Mar, 2020

通过基于超像素采样的方法和使用统计过程控制的梯度来训练和测试，该论文提出了一种在 Pascal Context，SUN-RGBD 数据集上性能优于或等于传统方法的语义分割网络，减少了上采样运算的复杂度。

Jun, 2017

提出了一种基于无监督学习的 CNN 超像素分割方法 LNS-Net，利用轻量级特征嵌入器和自适应的渐变重缩放技术，在三个基准测试中取得了比其他最先进方法低约十倍的复杂度和显著更好的性能。

Mar, 2021

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

通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。

Sep, 2023

本研究提出了一种从头开始训练仅使用 0.048％其他深度显著对象检测网络参数的内存高效网络的方法，该方法使用保留常规像素的对象边界和连接规则的网格化超像素将图像进行编码，实现与最先进的深度显著对象检测方法相媲美的准确性，更快速、更节省内存并适用于内存受限的设备。

Dec, 2017

本研究采用基于超像素的语义分割，考虑三种不同级别的邻域上下文，采用最大投票和加权平均等集成方法，利用 Dempster-Shafer 理论分析各类别之间的混淆，并在相同数据集上证明我们的方法优于其他现代方法。

Mar, 2018

该论文提出了一种基于预训练模型的多模态语义表示方法，并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度，从而在多个下游任务学习方面表现出与其他先进方法的竞争力。

Oct, 2023

本文提出了一种叫做 Super Hierarchy (SH) 的算法，它能够准确地生成不同尺度下的超像素，比现有的技术快 1-2 个数量级。本文在多个计算机视觉应用中进行了定量和定性评估，证明该算法是最优的，并可以直接与最新的高效边缘检测器结合以显著优于现有技术。

May, 2016

本文提出了插入自适应采样层到现有深度神经网络中以提高效率的 SSBNet，该方法在 ImageNet 和 COCO 数据集上达到了竞争性的图像分类和目标检测性能。

Jul, 2022