该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

Dec, 2022

利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。

May, 2024

本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。

Jul, 2020

我们提出了一个用于无监督语义分割的轻量级聚类框架，基于自监督视觉变换器的注意特征，通过将这些特征聚类成少量的聚类中心，我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力，并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。

Nov, 2023

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

本文介绍了一种有效的感知推断框架，该框架能够显式地处理输入和特征的分割，并通过增强神经网络的表示能力并对对象表示进行迭代分组，以及对其分组迭代推理进行摊销从而实现了快速收敛，相比其他处理多物体场景的方法，该方法不假设输入为图像，因此可以直接处理其他模态，并在处理具有纹理分割的复杂图像时提供更好的分类性能。

Jun, 2016

本研究采用基于图形的算法，通过利用自我监督变压器获得的特征来检测和分割图像和视频中的显着对象，并最终通过经典的归一化割算法解决检测和分割问题，并在多个常见的图像和视频检测和分割任务中实现了最新的结果。

Sep, 2022

本文提出了一种无监督半自动图像分割方法，将图像分割作为基于低级图像线索计算的一元和二元分配概率的推理问题。利用概率图匹配方案来解决推理问题，允许严格的低级图像线索的结合和自动参数调节。实验证明，这种方法在现代最先进的图像集中应用时比现代半监督和无监督图像分割方案具有更好的效果。

May, 2023

本文提出了一种新颖的深度架构用于纯无监督图像分割，通过自编码器将两个全卷积网络进行串联，并在训练期间联合最小化自编码器的重构误差和编码器产生的标准化割。结合适当的后处理，包括条件随机场平滑和分层分割，该算法在基准伯克利分割数据集上取得了出色的结果，优于许多竞争方法。

Nov, 2017

本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。

Mar, 2021