通过提出的 Gradient Mitigator 方法，我们解决了梯度引导的方式下不相容的多角度元标签之间的 “语义矛盾” 问题，并开发了一种名为 Gradient Filter 的新方法，根据梯度幅度动态筛选具有最具区分性能量的像素对，从而使得经过预训练的模型实现更好的高级语义识别能力。综合实验验证了我们的新方法 GCL：（1）学习了信息丰富的图像表示并显著提高了使用有限标签的分割性能，（2）在分布不一致的数据集上展示了良好的泛化能力。

Sep, 2023

本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

我们提出了一个双对比学习网络，在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段，我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性，并学习全局上下文。然后，在第二阶段，我们提出了一个器官感知的局部对比学习来进一步吸引类别表示。为了减轻计算负担，我们引入了一个掩码中心计算算法，用于压缩局部对比学习的类别表示。我们在公共的 2017 年 ACDC 数据集和内部的 RC-OARs 数据集上进行的实验证明了我们方法的优越性能。

Mar, 2024

本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

Jun, 2023

提出了基于全局和局部特征表示的多网络对比学习框架，通过多个网络引入自监督对比学习的全局和局部特征信息，并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息，并扩展对比样本数，提高了模型的训练效率。在三个基准数据集上的线性评估结果表明，我们的方法优于几种现有的经典自监督学习方法。

Jun, 2023

我们提出了一种多级全局上下文一致性 (MGCC) 框架，它使用由潜在扩散模型 (LDM) 生成的图像作为半监督学习的未标记图像，针对医疗图像分割中全局上下文信息的缺失问题，解决了医疗图像注释工作负担和与其相关的隐私问题，该方法在公开和私人数据集上进行实验，证明了在分割网络中有效传递概率分布知识的能力，从而提高了分割准确性。

May, 2023

本研究考虑应用监督对比学习提高语义分割中多尺度特征的判别能力，并通过有效的采样过程与跨尺度对比学习方法进一步提高模型性能。

Mar, 2022

设计了一种新型的互动图学习（MGL）模型，它可以将图像分解成具有不同任务相关特征的两个特征图，并通过递归推理它们之间的高阶关系进行信息交互，从而实现目标检测和分割，取得了优于现有技术水平的成果。

Apr, 2021

心脏结构分割的多视角方法可优化超声心动图分析的准确性和稳健性，该研究提出了一种全局 - 局部融合（GL-Fusion）网络，通过多视角信息的全局和局部利用来改善分割的准确性，并且在多视角超声心动图数据集上取得了优异的结果。

Sep, 2023

本文提出了一种 GLSCL 任务，旨在促进全局 - 局部对齐和局部 - 局部对齐，该任务包括 MGSC 和 MLTC，可通过跨模式交互补充掩码数据的缺失语义并恢复全局和局部特征，实验结果显示，该方法在多种视觉语言基准测试中获得了最先进的性能。

Jun, 2023