利用涂鸦标注图片并开发了一种算法，将涂鸦作为监督信息来训练卷积网络的语义分割，并在 PASCAL VOC 数据集上获得较好结果。

Apr, 2016

传统上，分割算法需要密集注释进行训练，特别是在 3D 医学图像领域，这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准，包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失，我们的方法能够在现有的分割方法中融入涂鸦标注，保持原始的损失公式，从而实现了当前最先进性能的一致表现。

Mar, 2024

本文提出了一种基于涂鸦标注的弱监督显著物体检测模型，通过辅助边缘检测任务和门控结构感知损失来改进涂鸦标注的边缘定位问题，同时使用基于结构的损失约束恢复结构的范围，并推出了一种衡量预测显著图的结构对齐度的新度量标准 —— 显著性结构度量。大量实验结果表明，该方法不仅优于现有的弱监督 / 无监督方法，而且与一些最先进的完全监督模型持平。

Mar, 2020

本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

Mar, 2022

本文提出了使用手绘标注直接进行语义分割的方法，通过最小化熵和网络嵌入的随机游走等全局操作来降低不确定性，在神经网络特征空间上进行自监督训练以保持预测的一致性，在随机缩小或丢弃 scribbles 的情况下也能获得上乘的效果。

Feb, 2021

本研究提出了一种名为 Scribble2Scene 的简单而有效的方法，通过将稀疏的涂鸦标注与密集的几何标签相结合，从而弥补了稀疏涂鸦标注和完全监督之间的差距，实现了语义场景的完整性，并通过几何感知自动标注器建立和在线模型训练来提高性能。

May, 2024

本文提出了一种基于草图的体积图像分割方法 Scribble2D5，在 2.5D UNet 中增加了标签传播模块，通过组合静态和主动边界预测来学习感兴趣区域的边界并规范其形状，从而改善了弱标注图像分割的结果。在三个公共数据集上的实验表明，Scribble2D5 显著优于当前的基于草图的方法，并接近完全监督方法的性能。

May, 2022

本文提出了一种基于 scribble annotations 的弱监督 camouflaged object detection 方法，通过构建包括一致性损失和特征引导损失的模型以及引入两个新模块（LCC 模块和 LSR 模块），实现了结构信息和语义关系的学习和利用，并在三个检测基准上的表现均优于其他当前流行方法。

Jul, 2022

本研究提出一种基于线条注释的弱监督学习方法，在不引入辅助模块或依赖预先消息的情况下，通过两个内部结构约束和一个 scribble 约束来完善编码器 - 解码器网络的优化，从而实现遥感图像目标提取的定位和边界描述，实验证明其在此领域优于其他五种最先进的算法。

May, 2023

本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略，并在公共心脏（ACDC）和前列腺（NCI-ISBI）分割数据集上进行评估，结果表明，草图训练的网络与使用完整注释训练的网络相比，其 Dice 系数的下降仅为 2.9％（心脏）和 4.5％（前列腺）。

Jul, 2018