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

本文提出了一个像素级聚类框架，用于将图像分割成区域，而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割，以实现准确的无监督分割。此外，我们提出了一种训练策略，利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法，以避免由基于超像素的损失引起的过分分割。最后，我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验，我们证明了所提框架的有效性。实验结果表明，所提框架优于先前的最先进方法。

Oct, 2023

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

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

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

本研究提出了一种新的超像素标签软化方法来处理医学图像分割中的不确定性标注问题，将软化后的标签与硬标签一起用于训练分割模型，在 3D 和 2D 医学图像中均取得了相对于基线和对照方法的优异分割表现。

Jul, 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