在计算机视觉领域,特征一致性在基于学习的众多方法中有广泛的应用场景和显著的性能提升。本文通过利用特征一致性具体实现像素级场景感知任务——显著性物体检测任务和涂鸦标注语义分割任务。作为计算机视觉领域中基础且极具挑战的任务,像素级场景感知通过将场景中所有物体进行逐像素的类别标注来实现感知的目的。具体地,显著性物体检测根据显著性将图像划分为显著性物体和背景两种区域。显著性检测的结果可以应用于众多计算机视觉任务,例如图像大小调整,缩略图制作,图像分割和对象检测。由于其重要性,显著性检测已经引起了广泛的研究关注,许多算法最近被提出。这些算法中最为优秀的通常都使用基于特征一致性的扩散理论,然而他们对用于扩散矩阵定义的特定特征空间和尺度敏感。本文基于数学分析的扩散过程的工作机制,表明扩散过程实际上是基于扩散图计算节点相对于种子的相似度。根据此分析,我们提出了超级扩散,这是一种新颖的基于包容性学习的显著物体检测框架,它通过集成大量的特征空间,尺度,甚至来源于非扩散方法的显著物体检测的特征,由监督学习确定用于集成的最佳参数的闭式解,最后计算得到最佳性能从而获得鲁棒性。与二值分割的显著性物体检测任务相比,多类感知的语义分割任务更具挑战性。由于不需要高质量的标注信息就能获得可观的分割表现,涂鸦式标注下语义分割任务在近些年获得了广泛关注。由于涂鸦式标注的稀疏性,许多方法被提出来解决直接使用涂鸦式标注训练导致的低效性和错误率。然而,这些方法并没有从训练层面来解决问题。本文在直接使用涂鸦式数据集而不利用额外信息和其他中间处理来实现语义分割任务。提出了一个整体的解决方案,通过最小化熵和网络表示上的随机游走来降低不确定性。给定随机游走的概率转移矩阵后,我们通过在特征空间中的自监督学习进一步训练网络,使相关图像之间的预测具有一致性。我们不仅在主流涂鸦式数据集上对各种方法进行了评估,还通过随机缩短和丢弃图片中的涂鸦来修改数据集来验证我们提出方法的鲁棒性。实验结果表明提出方法的优越性,其性能表现甚至与一些全标注监督的方法相当。最终,从较简单的显著性物体检测任务到复杂的涂鸦式语义分割任务都应用了特征一致性,从模型表现到鲁棒性都证实了特征一致性思想的泛用性以及可靠性。