Relation Extraction (RE)-Modelle sind durch ihre Abhängigkeit von Trainingsdaten mit kostspieligen Annotationen herausgefordert. Angesichts dessen, dass Zusammenfassungsaufgaben darauf abzielen, präzise Ausdrücke für synthetische Informationen aus längeren Kontexten zu gewinnen, passen diese Aufgaben naturgemäß zum Ziel der RE, nämlich die Extraktion einer Art synthetischer Information, die die Beziehung zwischen Entitätenbeschreibungen beschreibt. Wir präsentieren SuRE, das RE in eine Zusammenfassungsformulierung überführt. SuRE ermöglicht eine genauere und ressourceneffizientere RE auf der Grundlage indirekter Supervision aus Zusammenfassungsaufgaben. Um dieses Ziel zu erreichen, entwickeln wir Techniken zur Sätze- und Relationenkonvertierung, die die Formulierung von Zusammenfassungsaufgaben und RE wesentlich verbinden. Zudem integrieren wir constraint-decoding-Techniken mit Trie-Scoring, um die auf Zusammenfassung basierende RE durch robuste Inferenz weiter zu verbessern. Experimente an drei RE-Datensätzen belegen die Wirksamkeit von SuRE sowohl in vollständigen als auch in ressourcenarmen Szenarien und zeigen, dass die Zusammenfassung eine vielversprechende Quelle indirekter Supervision zur Verbesserung von RE-Modellen darstellt.