本研究提出了一种自适应增强一致性学习（AACL）的半监督分割框架，旨在解决遥感分割中高质量标记图像稀缺的问题。AACL通过均匀强度增强和自适应剪切混合技术，从未标记图像中提取额外信息，显著提高了遥感分割的准确性，特定类别性能提升20%，整体性能提升2%。

2023年多项研究评估并拓展了Meta的Segment Anything Model（SAM）。SAM基于点、框等提示实现零样本图像分割，精度常媲美甚至超越专用模型，但在航空图像等场景仍会失败。后续工作将SAM与开放词汇检测、3D检测、遥感分割、CLIP等结合，提出Sambor、Open-Vocabulary SAM、GeoSAM等框架，并用于少样本分割和显著目标检测，显著提升性能。

该文综述了Segment Anything Model（SAM）在遥感与视觉分割领域的研究，包括：结合引导掩模的少样本语义分割、航空与轨道影像分析、基于视觉基础模型的高分辨率遥感变化检测、大规模遥感分割数据集SAMRS、SAM零样本分割性能及航空图像局限评估、GeoSAM精细分割地理图像移动设施，以及基于SAM的无监督变化检测与视频对象分割。