摘要
无监督图像分割在标注数据稀缺的诸多现实应用场景中具有重要意义。本文提出了一种新颖的方法，通过端到端的方式结合互信息最大化（Mutual Information Maximization, MIM）、神经超像素分割（Neural Superpixel Segmentation）与图神经网络（Graph Neural Networks, GNNs），充分利用近年来无监督学习的最新进展，这一方法尚未被以往研究探索过。我们利用超像素的紧凑表示特性，并将其与图神经网络相结合，以学习图像中具有强语义意义的表征。具体而言，实验表明，基于GNN的方法能够有效建模图像中远距离像素之间的交互关系，为现有CNN模型提供有力先验，从而显著提升分割精度。在四个主流数据集上的实验结果表明，所提方法在定性和定量两个方面均优于当前最先进的技术。