提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

Apr, 2021

本文提出了一种快速准确的单阶段实例分割方法，通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务，并从物体中心点的表示中采用局部形状信息，成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法，达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外，相较于所有其他单阶段实例分割方法，该方法精度更高，在其它单阶段物体检测器中也表现良好，显示了 CenterMask 的泛化能力。

Apr, 2020

本文提出了一种新的旨在优化实例分割方法的卷积神经网络，该网络称为 BlendMask。BlendMask 可以有效地将实例级信息与语义信息相结合，并能够学习每个实例的注意力图，并且具有较快的推理速度，其可以与最先进的一阶段检测框架轻松集成，同时在相同训练计划下优于 Mask R-CNN，并可以在单个 1080Ti GPU 卡上以 25 FPS 评估时实现 34.2％ mAP，其简单易用而且强大，可用于一系列实例化任务。

Jan, 2020

提出一种 QueryInst 方法，以查询为基础进行实例分割，其实现是通过在动态掩模头上进行并行监督。经过各种实验后，QueryInst 在实例分割和视频实例分割（VIS）任务上达到了最佳表现，在所有在线 VIS 方法中取得了最佳性能并达到适当的速度 - 准确度平衡。

May, 2021

提出了一种新的实例和全景分割框架：CondInst。与传统的 ROI 操作相比，CondInst 利用动态条件卷积设计动态实例感知掩模头，使得实例和全景分割统一成了一个完全卷积的网络，并且提高了推理速度与实例掩码的分辨率。

Feb, 2021

提出了一种简单而有效的实例分割框架 CondInst，通过动态实例感知网络来解决实例分割问题，不需要使用 ROI 操作，而是采用条件卷积，与一些最新的方法相比，在 COCO 数据集上取得了更好的性能和推理速度。

Mar, 2020

本文介绍了一种基于 PolarMask 的实例分割方法，它将实例分割问题作为极坐标系下的实例中心分类和密集距离回归，使用了两个有效的方法分别处理高质量实例中心的采样和密集距离回归的优化问题，可以在 COCO 数据集的单模型和单尺度训练 / 测试中取得 32.9% 的掩膜平均精度 (mAP)，是一种更简单、更灵活且表现优异的单次实例分割框架，为单次实例分割任务提供了一个强有力的基础。

Sep, 2019

本文提出了一种基于全卷积实例感知分割的实例级特征表示方法，通过对分割实例区域进行 ROI 池化，将不同大小和布局的实例表示为具有统一长度的深度特征，并使用可变形 ResNeXt 块进一步增强了表示在挑战测试数据集上具有卓越性能，同时该网络结构的提出也在实例分割任务中表现出了优异的性能。

Jun, 2018

本文提出了一种实时实例分割的概念性新颖、高效并且完全卷积的框架。该框架采用了一种新的目标表示方法 —— 稀疏的实例激活图，通过聚合特征识别和分割前景对象，在一对一的模式下预测物体，避免后处理中的非极大值抑制。该方法在 COCO 基准测试中实现了 40 FPS 和 37.9 AP，速度和准确性均得到显著提高。

Mar, 2022

该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。

Apr, 2022