概念掩模：基于语义概念的大规模分割
该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法，其利用大规模的共同分割框架从网络图像中生成标签，获得了56.9的交并比，在语义分割方案中取得了最新的性能。
May, 2017
本文提出了一种用于弱监督下的图像标注的全新框架——AffinityNet。该框架通过训练一个深度神经网络，使其能够预测一对相邻图像坐标之间的语义亲和性，从而通过随机游走来实现语义的传播，以生成图像的分割标签。实验表明，使用我们的方法生成的分割标签训练的DNN，甚至比其它依赖于更强监管的模型表现更为优秀。
Mar, 2018
本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。
Apr, 2018
本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。
May, 2020
本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。
Feb, 2021
该论文提出一种基于视觉-语言嵌入模型和测试时增强技术的无监督伪标记方法，可以在不需要训练语义分割网络或看到任何分割掩码的情况下为每个对象创建语义分割遮罩。
Dec, 2021
本文提出了一种基于图像文本交互的语义分割模型ViL-Seg，通过无需密集标注的方式，利用网络上自然存在的图像和文本数据，学习到能够直接分割任意开放世界类别对象的能力，实验结果在三个基准数据集上优于需要数据标注的零样本分割方法。
Jul, 2022
我们提出了一个新的训练框架，用于解决Heterogeneous Training of Semantic Segmentation (HTSS)问题，可以同时训练多个具有不同标签空间和标注类型的数据集，以提高Semantic Segmentation在性能、泛化和可识别的语义概念等方面的表现。
Jan, 2023
基于图像级标签的弱监督语义分割是有效的避免昂贵标注的解决方案。本文首先对传统方法进行全面调研，然后研究了在弱监督语义分割中视觉基础模型（如SAM）的适用性和挑战，为该研究领域的未来发展提供了深入的见解。
Oct, 2023