本研究提出一种基于迭代式训练策略的交互式对象分割系统，利用用户输入的 clicks 作为卷积网络的输入，相较于现有的启发式 click 采样策略，本方法取得了更优的分割结果。

May, 2018

我们提出了准保拟共形交互分割（QIS）模型，该模型通过正负点击将用户输入融入分割过程，以准确地分割包含噪声或遮挡的图像，同时避免拓扑错误，并在合成、医学、自然和噪声自然图像上进行了有效性验证。

Feb, 2024

本文提出一个名为 PseudoClick 的框架，使得现有的分割网络能够提出候选的下一步点击，从而进一步减少用户交互成本，该框架的目标是通过最少的用户点击来获得精确的对象分割掩码。

Jul, 2022

我们介绍了一种名为 Granularity-Controllable Interactive Segmentation（GraCo）的新方法，通过引入额外参数来精确控制预测粒度，增强了交互系统的自定义性，消除了冗余并解决了模糊性。我们设计了一个任意粒度掩码生成器，利用预训练的 IS 模型的语义属性自动生成丰富的掩码 - 粒度对，以提供必要的引导来控制输出粒度，这使得 GraCo 比先前的方法具有显著优势，展示了它作为灵活的标注工具在各种分割场景中的潜力。

May, 2024

本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

Dec, 2017

本研究介绍一种新颖的基于深度学习的算法来解决交互式物体选择的问题，该算法可以将用户提供的正负反馈转换成欧几里得距离图，并与图像的 RGB 通道拼接，采用多种随机采样策略生成图像和用户交互对，通过 Fine-tune 深度反卷积网络，最终结果融合图像概率图和图切割优化，实现对物体边界的精细提取。实验结果表明，该算法具有较好的泛化能力，优于所有现有的交互式物体选择方法。

Mar, 2016

提出了一种基于交互式分割的语义多样性分割网络 PiClick，利用 Transformer 网络结构实现互动式 mask 查询，设计了 Target Reasoning 模块，能够自动推断出所有建议中最匹配的 mask，显著减少了目标模糊性以及额外人工干预。

Apr, 2023

AdaptiveClick 是一种基于 Transformer 的、面向 Interactive Image Segmentation 的 mask-adaptive 分割框架，它通过引入 CAMD 和 Adaptive Focal Loss 解决了数据标注的不一致性和困难样本问题，实验结果显示其在 9 个数据集上超越了现有的其他方法。

May, 2023

本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。

Mar, 2020

本研究提出了一种精准农业方法，采用弱监督学习技术和点击输入，提出一种高效准确的离线工具 —— 全景一键分割法，它可以在降低标注数据成本的同时，有效地定位和分割所有的作物对象。在糖菜和玉米图像数据上的表现表明，我们的方法不仅与传统的一键分割法比拼，而且训练速度更快，使得我们能够将众多的边缘标记转化为面标记，从而有效地提高了模型的性能

Mar, 2023