本研究介绍一种新颖的基于深度学习的算法来解决交互式物体选择的问题，该算法可以将用户提供的正负反馈转换成欧几里得距离图，并与图像的 RGB 通道拼接，采用多种随机采样策略生成图像和用户交互对，通过 Fine-tune 深度反卷积网络，最终结果融合图像概率图和图切割优化，实现对物体边界的精细提取。实验结果表明，该算法具有较好的泛化能力，优于所有现有的交互式物体选择方法。

Mar, 2016

该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

Dec, 2022

本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。

Mar, 2020

研究提出了一种基于涂鸦的交互式全图像注释框架，将 Mask-RCNN 改进成快速交互式分割框架，并在完整的图像画布上引入像素级别的实例感知损失，实现注释者可将识别错误共享至整张图片中的所有区域并着重核查所有区域中机器产生的最大误差。通过在 COCO 全景数据集上进行实验，证明了该交互式完整图像分割方法实现了 5％的 IoU 增益，在每个区域四次极限点击和四次更正涂鸦的情况下达到了 90％的 IoU。

Dec, 2018

本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

Dec, 2017

本文提出 Compassionately Conservative Balanced (CCB) Cut costs 算法，可用于解决图像分割问题，该算法基于 NCut 目标函数，针对单一分区得分问题提出了一种新的解决方法，并通过 BSDS500 数据库中的图像测试验证了其在分割准确性和区域大小方面的优越性。

Mar, 2018

通过一种新框架，NeuroCut，结合了神经网络和强化学习，并具有对不可微分函数的优化能力，从而在图分区问题中表现出色，并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。

Oct, 2023

本文提出了一种基于金字塔直方图的置信度图和基于测地距离的动态模型的视频分割方法，使用本地分类器进行不确定性传递来确定图像区域，并通过对不确定区域的精细化加工得到前景分割结果。此方法能极大地减少手动标注，提高分割性能。在两个标准测试集上进行的实验表明，该方法具有卓越的性能，并且相对于现有技术具有较好的计算效率和减少手动标注的性质。

Feb, 2017

该论文介绍了一种名为 SceneCut 的新方法，它使用单个 RGB-D 图像联合推理场景语义和几何学，从而使机器人能够在现代基于深度学习的方法在分离对象实例方面失败或在训练期间未见过的对象上失败的复杂场景中检测和分割对象实例。我们评估了 SceneCut 在几个不同的室内环境中，结果表明 SceneCut 显著优于所有现有的方法。

Sep, 2017

该论文将显著分割重新定义为基于像素对连接性预测的任务，并提出了一种名为 ConnNet 的新方法，该方法通过利用图像中嵌入的多级级联语境和长距离像素关系预测每个像素与其相邻像素的连接概率，成功地实现了显著分割和显著实例级分割。该方法比现有方法更少复杂，具有更好的性能。

Apr, 2018