胶囊网络（CapsNets）可以利用其建模图像组件之间分层空间关系的能力来适应图像分割任务。与通过池化层丢失精确空间信息的传统 CNN 不同，CapsNets 使用动态路由来保留低级特征（如边缘）与更高级实体（如对象部分）之间的关系。这使得它们非常适合需要像素级精度的分割任务。对于分割任务，CapsNets 可以构建为编码器-解码器网络：编码器识别特征及其空间层级，而解码器通过对胶囊输出进行上采样来重建密集的分割掩码。
CapsNet 的一个主要优势是能够处理对象方向和尺度的变化。例如，在医学影像中，肿瘤可能在不同的扫描中以不同的角度或大小出现。CapsNets 可以显式编码检测到的特征的姿态（位置、方向），从而使模型能够尽管存在这些变化也能一致地分割肿瘤。动态路由机制确保只有相关的特征对更高级别的胶囊做出贡献，从而减少最终掩码中的噪声。实现中通常通过将全连接胶囊层替换为卷积胶囊层来修改原始 CapsNet 架构，从而实现密集预测。例如，SegCaps 是一种基于 CapsNet 的分割模型，它在解码器中使用卷积胶囊对特征图进行上采样，同时保留在编码过程中学习到的空间关系。
然而，CapsNets 面临实际挑战。由于动态路由的复杂性，训练需要大量的计算资源，而且它们通常需要更大的数据集才能有效泛化。开发人员可能还需要调整超参数，例如路由迭代次数或胶囊维度，以平衡准确性和效率。尽管存在这些困难，CapsNets 在医学影像或自动驾驶等需要理解空间上下文的领域中，为分割任务提供了有前途的替代方案。通过关注架构调整和高效的路由实现，可以优化 CapsNets 以与 U-Net 等成熟的分割模型竞争。