Dichotomous Image Segmentation (DIS) explores the challenge of balancing semantic dispersion and high-precision details in object segmentation. The paper proposes a parsimonious multi-view aggregation network (MVANet) that surpasses state-of-the-art methods in accuracy and speed.

Apr, 2024

本研究提出了 Dual Swin Transformer U-Net (DS-TransUNet) 框架，它是第一次尝试将 Swin Transformer 的优势同时融入到标准 U 形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet 显著优于现有的医学图像分割方法。

Jun, 2021

本文研究了一项新任务，称为二元图像分割（DIS），目的是从自然图像中高精度地分割对象。我们收集了第一个大规模的 DIS 数据集，称为 DIS5K，包含 5470 个高分辨率图像，并使用极细粒度标签进行了注释。我们提出了一个简单的中间监督基线（IS-Net），用于 DIS 模型训练，并介绍了一个新的度量标准（HCE），用于衡量模型与实际应用之间的差距。最后，我们进行了最大规模的基准测试，评估 16 个代表性的分割模型，并展示了几个潜在的应用领域。

Mar, 2022

本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

Feb, 2022

本文提出了一种基于结构内容的无监督领域自适应语义分割方法，通过 Domain Invariant Structure Extraction (DISE) 框架实现跨领域图像转换和标签转移，大量实验证明该方法在无标注数据情况下具有更高的分割性能。

Mar, 2019

基于医学图像分割任务，我们提出了一种名为 MS-UNet 的新型 U-Net 模型。与 Swin-UNet 和 TransUnet 中使用的单层 U-Net 解码器结构不同，我们专门为 U-Net 设计了基于 Swin Transformer 的多尺度嵌套解码器。我们还提出了一种新颖的边界损失和即插即用微调去噪模块，这不仅有效提高了 MS-UNet 的分割性能，还可以单独应用于其他模型。实验证明，MS-UNet 在更高效的特征学习能力方面有效提升了网络性能，尤其是在少量训练数据的极端情况下，并且所提出的边界损失和去噪模块能显著增强 MS-UNet 的分割性能。

Sep, 2023

本文提出了一种新颖的双自蒸馏（DSD）框架，该框架适用于 U 形网络进行三维医学图像分割，通过在 U 形网络的背骨架构上附加 DSD，有效地提高了分割性能，其中 Dice 相似度分数提高了 4.25％至 3.15％

Jun, 2023

本文提出了一种基于耦合的深度图像先验（DIP）网络的单图像无监督层分解方法，可以用于图像分割、透明度分离、去水印等计算机视觉任务。

Dec, 2018

提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

Jun, 2020

介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

Jun, 2022