提出一个基于形状先验知识的可见可切割分割方法，通过集中在可见区域和内存中的形状先验知识，该方法可以消除背景和遮挡区域的影响，提高分割效果。

Dec, 2020

基于形状先验的半监督学习方法通过使用形状模型，只需要少量的实际或合成形状数据，从而实现与全面访问训练数据的监督方法相媲美的结果，并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。

Sep, 2023

该研究使用单视角三维形状检索，通过系统性评估考察了目标 3D 形状数据库中的物体遮挡、未见过的 3D 形状数据以及输入图像中的未见过的物体对性能的影响，并提出了合成数据集生成流程。实验结果表明，通过在具有遮挡的合成数据集上进行预训练，然后在真实数据上进行微调，可以显著提高模型性能，并且对于未见过的 3D 形状和未见过的物体具备鲁棒性。

Dec, 2023

该文利用不同层次的位置先验信息从输入的深度图中提取详细的局部信息并进行组合，从而改进了新颖形状的泛化能力，具有更好的泛化性能。

Apr, 2021

该研究针对自动驾驶技术中单目序列所含信息研究了单目深度估计、相机自身运动估计和连续帧中的光流估计，并提出了基于三个区域模型、OCCLUSION 区域的完整显式分割以及相应的无监督学习方法， 显著提高了三项任务的性能。

Mar, 2020

介绍了一种名为 ShapeMask 的解决利用对象的形状中间概念来解决在实例分割中应用于新类别的问题的方法。与现有方法相比，该模型通过学习形状先验和实例嵌入来捕获对象形状和外观信息，并取得了 6.4 到 9.4 的 AP 值提高。

Apr, 2019

研究论文旨在通过 SAM 方法提出了一种新的分层焦点框架，应用先验知识进行图像的完整形状预测，提高精度和性能。

May, 2024

本研究提出了一种基于人脸分割和三维人脸重建的面部去遮挡模型，通过预测面部先验和遮挡掩码实现了对所有种类的面部遮挡（包括毛发等较模糊的边界）的自动去除，并为了监督训练进一步构建了一个大型遮挡数据集。实验证明，该方法有效且鲁棒。

Dec, 2021

通过两种方法预测局部空间占用与直接确定性预测，提高不确定区域的分割准确性、完成物体形状，增加抓取质量。

Aug, 2023

本文提出了一种分层可变形部件模型，用于面部检测和地标定位，能够明确地模拟部件遮挡，这允许我们使用大量的合成遮挡样本数据，以灵活地整合遮挡模式的统计，从而使检测系统在顶部准确性方面胜过传统系统，同时在未遮挡的情况下保持了竞争力。

Jun, 2015