本研究提出了一种名为BiSeg-SAM的弱监督框架，旨在提高医学图像中息肉和皮肤病变的二元分割精度。该框架结合了SAM模型和CNN模块，通过自动提示框和多选掩模技术，显著提升了分割效果，实验结果优于现有技术。

本研究提出了一种弱监督框架，结合多时相信息，解决了大规模农田制图中对精确标签的需求，显著提升了农田提取的鲁棒性和适应性。

该研究提出了一个新的弱监督框架，使用自注意力模块生成领域不可知的表示，预测湍流图像中的几何失真并提高画廊匹配准确度。该方法无需生成无湍流的图像或真实配对的图像，只需少量注释样本，提高了数据集的实用性和迅速性。

本文提出了一个通用双模分离框架，可以在训练期间无需访问单一源声音数据而对多源音频混合进行有条件的声音分离。实验证明，通过访问预训练联合嵌入模型，可以实现这一目标。该框架显著提高了纯无监督基准的性能，并且在信噪比方面可以实现71%的提升。通过弱监督框架扩充有监督学习，可以进一步提高性能，使其成为强大的半监督音频分离框架。