基于点和形状正则化数据合成的显微镜图像分割
本研究提出了一种合成数据生成方法，结合小规模真实数据集，通过生成的合成场景数据和深度信息，训练出在物体识别、姿态估计和图像分割等方面表现优越的机器人抓取算法。
Jan, 2024
本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。
Jan, 2018
本研究提出了一种基于对比的变分模型，用于生成组织病理学图像分割效果，旨在作为弱监督深度学习分割模型的可靠补充监督，并证明其在组织病理学图像分割方面的有效性和效率。
Apr, 2023
本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。
Jun, 2020
通过少量局部标注创建的弱监督学习模型在神经科学研究中的电子显微镜（EM）图像的精确细胞器实例分割任务上取得了显著的性能提升，比无监督域自适应方法更具实际应用价值。
Mar, 2024
本文提出了一种较少注释的、基于点的核分割方法，引入了一种叫做 PseudoEdgeNet 的辅助网络，可以引导分割网络识别核边缘，提高整个系统的性能。实验表明，在两个公共数据集上，该方法始终优于其他弱监督方法。
Jun, 2019
本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
Jul, 2020
基于形状先验的半监督学习方法通过使用形状模型，只需要少量的实际或合成形状数据，从而实现与全面访问训练数据的监督方法相媲美的结果，并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。
Sep, 2023
使用合成图像来缓解数据收集和标注流程的负担，该方法通过基于真实数据集提供的语义掩码合成丰富的训练图像，通过与合成图像的训练，可以达到与真实图像相当的性能。
Oct, 2023