综述了近期基于深度学习的三维物体分割，涵盖了 150 多篇文章，总结了最常用的算法流程、讨论了它们的优缺点，并分析了这些分割方法的竞争结果，最后提出了未来的研究方向。

Mar, 2021

本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

Jan, 2020

本研究从分析角度探讨深度学习技术在图像分割领域的应用，以提升读者对各种图像分割方法内部机理的直观理解。

Jul, 2019

该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

May, 2023

该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用，并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。

Jun, 2024

该论文综述了应用于各种应用领域的基于深度学习技术的图像语义分割方法，描述了该领域的术语和必要的背景概念，并评估了现有方法的贡献和意义，并给出了相应的定量结果和讨论。

Apr, 2017

该论文提出了一种基于变分模型的分割网络，通过将 Mumford-Shah 模型中的手动制定的规则项替换成数据自适应的通用可学习规则项，利用多网格框架进行展开，从而提供更好的普适性和可解释性，实现了可学习先验信息的结构设计，尝试通过这种方法改进图像分割结果。

Jun, 2023

本文研究了从单幅图像进行无监督物体分割的问题，通过系统地研究现有无监督模型在具有挑战性的现实世界图像上的有效性，发现现有无监督模型在真实世界的图像上无法有效地分割普通物体，因此需要在网络设计中利用更明确的对象性偏差。

Oct, 2022

本调查总结了涵盖二十年的 SiS 研究，并提出了文献综述以及使用转换器的深度学习方法的最新趋势，并强调了 DASiS 技术的影响，其中包括多域学习，域泛化和在对新环境进行分割时削减域。项目还介绍了几个与语义图像分割相关的任务和应用，如医学图像分割。

Feb, 2023

该研究论文介绍并应用了一种基于熵的图像分割方法，能够有效地将数字图像分割成不同的区域和对象，尤其是对来自谷歌地球的彩色图像进行了处理，可大大提高生态灾害、城市增长、农业活动、海洋污染、气候变化和一般的监控的自动化监测准确性。研究结果发现，与灰度图像相比，彩色信息对于获得准确的图像分割至关重要。

Nov, 2009