基于深度学习的细胞追踪方法，通过细胞的时空领域实现准确追踪，并能学习细胞的运动模式，适用于处理大量带有重要特征的视频帧。

Aug, 2023

通过利用植物细胞的紧密三维结构创建三维图，本研究提出了一种新颖的基于学习的方法来进行精确的细胞追踪，同时提出了细胞分裂检测和有效的三维注册算法，改进了当前最先进的算法，并在基准数据集上展示了算法的效能。

Sep, 2023

本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

Jun, 2024

通过分割选择方法实现大规模三维细胞追踪，该方法在两个方面对大规模显微数据集中的细胞追踪问题具有有效性：（i）能够解决拥有数百万分割实例的 TB 级三维时间数据集的问题；（ii）能够在不依赖稀缺的三维标注数据的情况下与使用深度学习的方法达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割，并通过最大化相邻帧之间的重叠来选择不相交的分割。证明该方法在细胞追踪挑战中实现了最先进的结果，并且拥有更快的整数线性规划公式。此外，我们的框架灵活性强，支持来自现成细胞分割模型的分割，并能够将它们组合成一个提高追踪效果的整体。代码可以在此链接中找到：https:// 此链接网址

Aug, 2023

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

本文提出了一种基于 3D 分割结果的多目标跟踪方法，该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分，该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。

Nov, 2019

无监督学习如何从点云中预测 3D 场景流是许多视觉系统的核心，本文提出了一种新颖的学习框架来改进必要的正则化，并通过引入两种新的一致性损失来扩大聚类，并防止它们扩散到不同的对象上，提高了现有模型的性能。

Dec, 2023

细胞追踪和分割是从大规模显微镜时间序列数据中提取洞见所必需的。本文引入了一种不确定性估计技术，将其整合到我们的新颖的扩展 Poisson 多伯努利混合追踪器中，以解决当前追踪方法长期一致性不足的问题。我们的方法在九个竞争数据集上评估，证明在生物相关指标上表现优于当前的最新技术，并实现了约 5.75 倍的改进。此外，我们还揭示了关于追踪 - by-regression 不确定性行为的新见解。

Mar, 2024

该研究论文提出了一种新的基于经典检测跟踪模式的细胞检测和跟踪方法，通过将细胞形状近似为有方向的椭圆并利用通用有方向对象检测器在每一帧中识别出细胞，再结合全局数据关联算法进行跟踪，结果表明该方法在细胞检测和跟踪方面与需要更多数据标注的最先进技术具有竞争力。

Oct, 2023

通过使用循环一致性思想，引入循环对应损失（CCL）实现视角不变的密集描述符的学习，从而达到优于其他自监督方法且接近有监督方法的性能，无论是在关键点跟踪还是机器人抓取下游任务方面。

Jun, 2024