本文采用多智能体强化学习方法，将交互式图像分割的动态过程建模为马尔科夫决策过程，并利用相对交叉熵增益奖励策略进行自我训练，提高交互式分割效率，改善结果，结果显示，本方法在医学数据集上远优于现有技术。

Nov, 2019

提出了一种基于决策的掩蔽图像模型（drawing-based mask image model, MIM）方法，利用强化学习自动搜索最佳图像掩蔽比例和掩蔽策略，并通过多主体协作捕捉体素间的依赖关系，从而在神经元分割任务上显著优于其他自我监督方法。

Oct, 2023

基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题，本研究提出了一种动态交互学习框架，通过将交互式分割与端到端弱监督学习和流式任务集成，解决了这些挑战。我们开发了新颖的重放和标签平滑方案，克服了灾难性遗忘并提高了在线学习的鲁棒性，并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图，我们训练的分段器明确地指导下一步的用户干预，从而实现了弱监督信号的蒸馏。通过在三维分割任务（NCI-ISBI2013 和 BraTS2015）上的评估，我们的框架生成了与离线训练基准相匹配的在线学习性能。此外，我们的框架减少了 62% 的标注工作量，并且在与具有完整 ground truth 的在线和离线学习进行对比时，生成了具有竞争力的 dice 分数。此外，由于其灵活性和响应能力，这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。

Dec, 2023

策略是通过使用深度强化学习对语义分割进行主动学习实现的，该方法比最有竞争力的基线数量少约 30％的附加标签数据，提高模型对不足表达类别的分类性能。

Feb, 2020

AGILE3D model supports simultaneous segmentation of multiple 3D objects, yields more accurate segmentation masks with fewer user clicks, and offers faster inference, setting a new state of the art in interactive segmentation of 3D point clouds.

Jun, 2023

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

本文介绍了一种基于前向传递的点击交互式分割模型，无需额外的优化技巧即可实现最新的最佳结果，并且对于性能的分析表明，使用 COCO 和 LVIS 的训练数据集所训练的模型表现最佳。

Feb, 2021

我们提出了一种新颖的弱监督分割方法 Boundary-RL，该方法只利用补丁级别的标签进行训练。我们将分割视为边界检测问题，而不是像之前的工作那样像素级别的分类。我们的方法通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数，从而定位感兴趣区域的边界。我们的方法在经直肠超声图像的前列腺分割这个临床相关任务上表现出了比其他弱监督方法更好的性能。

Aug, 2023

通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。

Jan, 2022

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