本文提出了音视频分割（AVS）问题，并构建了AVSBench基准，提供声音对象的像素级注释。通过时间像素级音视频交互模块和正则化损失函数，提升了视觉分割效果。研究表明，该方法有效建立了音频与视觉语义之间的联系，取得了良好的实验结果。

该研究提出了一个利用MRI图像注释进行大脑肿瘤分割的学习框架，并比较了两种注释方式对分割质量的影响。该方法在分割质量方面优于传统全监督方法。