通过多视角观察实现全局蒙版图构建和聚类，用于 3D 实例分割，并利用 2D 蒙版预测的先验实例知识，消除对 3D 数据的训练需求，实现开放词汇的实例分割和无类别蒙版生成的最新成果。

Jan, 2024

我们提出了一种模型合并的算法，通过使用 TALL-masks 方法识别任务支持，在保留超过 99％的单任务准确性的同时，提高了现有模型合并方法的性能，并且我们的压缩方案将存储减少了 57Gb 到 8.2Gb，保留了 99.7％的原始性能。

May, 2024

本研究提出了基于像素共识投票的实例分割框架，使用广义霍夫变换实现像素投票，利用卷积神经网络实现投票聚合和反向投影，将实例检测改为像素级别的投票共识，实现有效率和统一建模的实例和语义分割的网络结构，最终在 COCO 和 Cityscapes Panoptic Segmentation 数据集上取得优异成果，并将开源代码。

Apr, 2020

本文提出了一种基于金字塔直方图的置信度图和基于测地距离的动态模型的视频分割方法，使用本地分类器进行不确定性传递来确定图像区域，并通过对不确定区域的精细化加工得到前景分割结果。此方法能极大地减少手动标注，提高分割性能。在两个标准测试集上进行的实验表明，该方法具有卓越的性能，并且相对于现有技术具有较好的计算效率和减少手动标注的性质。

Feb, 2017

介绍了一种基于深度学习的图像分割框架，其针对缺失成像模态具有极强的鲁棒性，通过学习每个模态的嵌入向量，实现任意组合的输入，可用于神经疾病 MRI 数据的分割，具有最先进的效果。

Jul, 2016

本文介绍了一种有效的方法 Masked Collaborative Contrast（MCC），以突出弱监督语义分割中的语义区域。MCC 巧妙地将掩蔽图像建模和对比学习的概念结合起来，设计了可诱导关键字收缩到语义相关区域的 Transformer 块。实验表明，MCC 机制有效地对齐了图像的全局和局部视角，取得了令人印象深刻的性能。

May, 2023

利用稳定扩散模型中的自注意力层以及基于测量注意力图之间的 KL 散度的简单而有效的迭代合并过程，我们提出了一种无需训练或语言依赖性，能够从任何图像中提取质量分割的方法。在 COCO-Stuff-27 上，我们的方法在像素准确率和平均 IoU 上都比之前最先进的无监督零样本方法提高了 26% 和 17%。

Aug, 2023

该论文提出了一种称为 sigma-consensus 的方法，用于消除 RANSAC 中需要一个用户定义的内点外点阈值的需要。该方法通过边缘化一系列噪声比例来估计噪声 sigma，并基于所有可能是内点的点的似然性 sigma 的边缘化进行加权最小二乘拟合来优化模型。使用 sigma-consensus，提出了 MAGSAC 方法，无需用户定义 sigma，并显著提高了鲁棒估计的几何精度，优于公开可用的实际数据集上的最新技术，如基线和单应性估计。此外，将 sigma-consensus 仅作为后处理步骤应用于 RANSAC 输出时，始终可以提高广泛的视觉问题的模型质量，几乎不会影响处理时间。

Mar, 2018

该论文提出了一种基于几何一致性的多尺度引导的多视角立体方法，其中利用结构化区域信息采样更好的候选假设，进而推断每个像素的聚合视图子集，以及将 ACMH 与多尺度几何一致性指导（ACMM）相结合，以便在粗略尺度上获取低纹理区域的可靠深度估计并保证它们可以传播到更细的尺度。

Apr, 2019

提出了一种新颖的模板匹配方法，可高效处理部分遮挡，具有可证明的性能保证，并采用共识集最大化的哈希方案来处理遮挡，可显著提高匹配速度和鲁棒性。

Apr, 2018