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

FocalClick 提出了一种交互式分割模型，通过两个快速推理处理目标区域与焦点区域的粗分割和局部细分割，采用渐进式合并的方法有效地对预先存在的分割遮罩进行修正，同时在 FLOP 显著更小的情况下实现了与 SOTA 方法相当的结果。

Apr, 2022

我们介绍了交互式图像分割框架，用于提取单个目标和相同类别中的多个目标的满意掩码。通过利用 Transformer 骨干网络从图像和交互中提取特征，我们的模型能够达到比以前方法更好的性能，减少用户的劳动量并具备灵活和实用的注释工具的潜力。

Jun, 2024

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

本文旨在研发一种自动化、不需要交互即可实现目标物体移除的模型，其基于生成对抗网络框架，利用图像级别标签和非配对数据进行训练。通过两个关键贡献：一个由掩膜生成器和图像修复器组成的两阶段编辑器体系结构，以及一种基于 GAN 的先验模型，该模型能灵活地整合物体形状知识。我们在两个数据集上进行实验表明，该方法能够有效地去除各种不同的物体，仅需要较弱的监督学习。

Jun, 2018

本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

Feb, 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

研究提出了一种基于涂鸦的交互式全图像注释框架，将 Mask-RCNN 改进成快速交互式分割框架，并在完整的图像画布上引入像素级别的实例感知损失，实现注释者可将识别错误共享至整张图片中的所有区域并着重核查所有区域中机器产生的最大误差。通过在 COCO 全景数据集上进行实验，证明了该交互式完整图像分割方法实现了 5％的 IoU 增益，在每个区域四次极限点击和四次更正涂鸦的情况下达到了 90％的 IoU。

Dec, 2018