PartImageNet: 一个大型、高质量的零件数据集
本文提出了一种同时处理语义对象和部件分割的联合解决方案，其中提供了更高级的对象级上下文来引导部件分割，并利用更详细的部件级定位来改进对象分割。所提出的方法在三个不同的数据集上进行了广泛的评估，证明它可以相互增强对象和部件分割的性能，并在两个任务上都优于现有技术水平。
May, 2015
本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。
Dec, 2018
本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习，不能为无监督图像分割等需要空间多样的表示的任务带来改进，通过自我监督学习物体部件提出了新的解决途径，并结合目前趋势的Vision Transformer，利用稠密聚类任务进行空间标记的微调，取得了在语义分割基准测试上超过17%-3%的最先进结果，且在完全无监督分割方面也具有重大潜力。
Apr, 2022
本文提出了一个具有部分分割能力的检测器，可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割，并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法，并且具有更好的数据通用性。
May, 2023
本文提出了 iPOSE 方法，利用预先定义少量的部分支持地图来学习一个 PartNet，从而推断部分并将其应用于语义图像合成，其中还引入了部分语义调制，通过实验结果表明该方法在 qualitativer 和 quantitativer 方面都优于其他方法。
May, 2023
使用CLIP等强大的预训练图像语言模型在很少标记样本的情况下，开发了一种名为PartSeg的新方法，用于基于多模态学习的少样本部件分割任务，该方法利用部件感知提示学习生成部件特定的提示，从而使CLIP模型更好地理解“部件”的概念并充分利用其文本空间，实验结果在PartImageNet和Pascal_Part数据集上证明了该方法的最新性能。
Aug, 2023
我们提出了一个开放词汇的部分分割(OV-PARTS)基准测试，涵盖了对象级开放词汇语义分割、部分分割和少样本适应能力等三个任务，并分析和使用现有方法的两个流行范例为OV-PARTS提供基础模型。
Oct, 2023
PartSLIP++通过使用预训练的2D分割模型和改进的EM算法，取代其前身的启发式3D转换流程，用于开放世界的3D部分分割任务，表现出更好的性能。
Dec, 2023