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

该研究提出了一种基于迭代算法的学习方法，利用像素点之间的强关联性来生成密集分割地图，并通过信任区域来确保像素关联的可靠性以在没有准确标记的情况下学习亲和力矩阵，实验表明该方法在 PASCAL VOC 2012 和 COCO 数据集上性能优越。

Feb, 2020

我们提出了一种新的用于语义分割的算法 —— 自适应亲和场（Adaptive Affinity Fields, AAF），通过在训练过程中学习空间结构验证，能够捕捉和匹配相邻像素之间的语义关系，实现更高效的分割性能和跨领域的鲁棒性。

Mar, 2018

提出了一种利用弱监督学习的多任务、利用显著性检测和多标签图像分类作为辅助任务的新型网络框架 AuxSegNet，借助显著性检测作为辅助任务提高了基于图像级原始标注来执行语义分割任务的准确度，实现了在 PASCAL VOC 2012 和 MS COCO 数据集上表现最佳的弱监督分割性能。

Jul, 2021

我们提出了一种基于像素亲和力信息的示例分割方案，其中像素亲和力是两个像素属于同一个实例的关系。通过使用两个具有相似结构的神经网络，一个用于预测像素级语义分数，另一个则用于推导像素亲和力，并将像素视为顶点和亲和力视为边，我们提出了一个简单而有效的图并算法将像素聚类到实例中，实验结果表明，我们的方案可以生成细粒度的实例掩码。使用 Cityscapes 训练数据，该方案在测试集上达到 27.3 AP。

Nov, 2018

文章提出了一种结合亲和预测和区域聚合的方法，通过 3D U-NET 训练预测像素之间的亲和性，从而显著提高电子显微镜（EM）中的神经元分割准确性和可扩展性，通过实验表明，该方法在三个不同 EM 数据集上的表现相对于之前的结果提高了 27％，15％和 250％。

Sep, 2017

采用转移学习方法，使用大规模数据源自动估算源类和目标类之间的关系，建立类亲和矩阵并将其作为源模型的第一层，然后将源模型进一步微调来适应目标领域，并应用于基于 GAN 和扩散的体系结构，实现语义图片合成技术的迁移，该方法在现有的生成图像模型的迁移方法上实现了显著改进。

Apr, 2023

本文提出了一种基于跨图像关系的亲和力模块的方法，该方法在仅使用图像级标签进行弱监督语义分割时实现了最新的、具有优势的 64.3% 和 65.3% mIoU，在结构上更好地利用了单个图像内部和图像间的关系。

Nov, 2018

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有 1,464 个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了 60.8％和 67.6％的高精度分割效果，成为当前最优秀的模型。

May, 2018