本研究提出了一种超像素传播伪标签学习方法（SP${}^3$），有效解决了弱半监督医疗图像分割中的监督信息不足问题。该方法利用超像素结构信息，显著减少标注工作量，仅需全监督方法的3%。在肿瘤和器官分割任务中，达到了约80%的Dice分数，证明了其有效性和高效性。

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。

本文介绍了一种新型自监督少样本医学图像分割方案，利用超像素伪标签和自适应本地原型池化模块，解决前景背景不平衡问题。实验结果表明，该方法在多个医学图像任务中优于传统手动注释方法，显著提高了分割性能。

本文提出了一种多频率极化合成孔径雷达图像分类算法，利用PolSAR分解提取特征，并结合自编码器和超像素生成稳健特征表示。实验结果表明，该方法在Flevoland数据集上表现优于其他方法，分类准确度较高。

本文探讨了基于感知色距离的图像干扰方法，提出了PerC-C&W和PerC-AL，显示出在稳健性和可转移性方面优于传统方法。同时，研究了切片Wasserstein距离在3D点云特征学习和Mesh变形中的应用，提出了Content Disentangle Superpixel算法以提高深度超像素方法的效率，并介绍了一种基于GAN的CT图像去噪方法，取得了良好效果。

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。