本研究提出了一种超像素传播伪标签（SP${}^3$）学习方法，旨在解决弱半监督医疗图像分割中的监督信息不足问题。该方法在肿瘤和器官分割任务中表现优异，仅需3%的标注工作量即可达到80%的Dice分数，验证了其有效性。

本研究提出了一种新型超像素信息隐式神经表示（S-INR），旨在解决隐式神经表示在多维数据恢复中的局限性。S-INR通过使用广义超像素替代传统像素，有效挖掘超像素间的语义信息，展现出更优的应用效果。

本研究提出了一种基于原型的自监督单次学习框架，解决了医疗图像分割中标注数据不足的问题。通过超像素生成伪标签来学习语义分割，并引入了基于相关性的概率评分来生成动态原型。实验结果表明该框架在腹部CT和MR数据集上表现优异。

本文提出了一种基于协作图学习算法的RGB-T图像显着性检测方法，利用超像素作为图节点，共同学习图相似性和节点显着性。实验证明，该方法在对比其他RGB-T显着性检测方法时表现优势。

该论文提出了一种基于预训练模型的多模态语义表示方法，使用超像素和多尺度差异图卷积网络提高视觉语义表达的准确性和精度，在多个下游任务学习方面表现出与其他先进方法的竞争力。

SegCLIP是一种基于CLIP的模型，可以实现无注释的开放式词汇语义分割。该模型使用重构损失和基于超像素的KL损失与伪标签相结合来增强视觉表征。实验结果表明，该模型在PASCAL VOC 2012、PASCAL Context和COCO上实现了相当或更高的分割精度。

该文介绍了一种弱监督学习算法，使用查询点标注训练语义分割算法，减少手动注释的成本和时间。算法使用超像素扩展查询点标签，并使用部分带有超像素伪标签的图像监督模型训练。在基准测试中，该算法表现出与完全监督训练相竞争的性能。