本文提出自适应分段（Ada-Segment）方法，通过自适应地调节多个培训损失，以涵盖多个目标，并以一个端到端的架构来概括性地处理分段任务，从而实现了对各种数据集的可靠泛化，成为目前的最优解。

Dec, 2020

我们提出了一种无监督的三维形状协同分割方法，通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状，这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力，我们引入了一个逐部位变形网络，以便对具有实质几何变化的多样部件进行建模，同时对变形能力施加约束，以确保对最初表示的部件的准确性。我们还提出了一种训练方案，有效地克服局部最小值。从体系结构上看，我们的网络是一个分支式自编码器，具有以体素形状为输入的 CNN 编码器，产生逐部位变换矩阵、潜在编码和部件存在评分，以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net，可以实现无监督的三维形状协同分割，从而产生细粒度、紧凑且有意义的部件，并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验，展示了优于之前方法的性能。

Nov, 2023

本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

Mar, 2021

本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

Jul, 2020

提出一种基于 smoothness-based methods 的 DAT（Dual Adaptive Transformations）模型，通过在点级和区域级上执行对抗性策略，以强制实施 3D 点云的局部和结构光滑约束，从而有效地利用未标记的 3D 点，并在大规模数据集上取得了显著的性能提升，实现了无监督点云分割的新的最先进性能。

Jul, 2022

本文研究了在 3D 点云中使用 Approximate Convex Decompositions（ACD）进行自我监督训练的方法，以实现标签高效的学习点云表示。结果表明，ACD 提供了一种极佳的自我监督信号，可以有效地学习 3D 点云表示，并在下游任务中获得卓越的性能，例如 ModelNet40 形状分类数据集的无监督表示学习，并在 ShapeNetPart 数据集上获得显著的少样本部件分割增益。

Mar, 2020

本文提出了一种用于 3D 医学图像分割的半监督学习方法 --TraCoCo，并将传统的均方误差 Semi-Supervised Loss 替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过 CutMix 数据增强进一步提高预测的泛化能力。结果表明，该方法在 Left Atrium 和 Brain Tumor Segmentation 数据集中取得了最先进的效果。

Mar, 2022

该研究提出了一种名为 AUGCO 的算法，在无源数据的情况下，利用模型的像素精度在目标图像的多样化自动生成视图下的预测一致性以及模型置信度来识别可靠的像素预测并进行有选择性的自我训练，最终在三种标准的语义分割基准测试中取得了最先进的无源自适应结果，这是一种易于实现和快速收敛的方法。

Jul, 2021

该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法，特别是在少量标注样本的情况下。

Jul, 2019

本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型，通过高层节点提供的强有力上下文线索来约束低层级别的分割，并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分，对细颗粒度和语义分割具有 state-of-the-art 的性能。

Mar, 2019