本文提出了一种名为 deep snake 的新型轮廓方法，它使用神经网络迭代地变形初始轮廓以匹配对象边界。作者使用循环卷积来进行轮廓上的结构化特征学习，并且根据 deep snake 提出了二阶段流程进行实例分割：初始轮廓建议和轮廓变形。 经实验证明，该方法在实时应用中表现出优异的性能。

Jan, 2020

该论文提出了一种结合深度、基于 patch 的表示和主动轮廓框架进行交互式边界提取的方法。作者使用了类别特定的卷积神经网络来训练向量预测器，以便指向感兴趣物体边界最接近的点，并使用 Sobolev 主动轮廓框架来演化轮廓。该方法在计算资源的使用方面非常高效，适合小型图形卡的使用，并在多个医学数据集和 PASCAL VOC 2012 数据集上进行了评估。

Jul, 2016

提出了一种物理启发的对比学习范式（PIE）用于低光增强，通过解决现有学习方法对严格像素对应图像对进行训练的问题，使用非配对图像进行训练；通过物理启发的对比学习模块对低光增强进行负样本生成并设计了曲线包（BoC）方法，以生成更合理的负样本；通过提出无监督的区域分割模块，确保区域亮度一致性并消除对语义真值的依赖。PIE 可以有效地从非配对的正负样本中学习，并实现非语义的区域增强，与现有的低光增强方法有明显不同。在现有的开放数据集上进行训练和广泛的实验表明，我们的方法在六个独立的交叉场景数据集上优于现有的低光增强模型。PIE 在测试时间内运行速度快，计算量合理，易于在移动设备上使用。

Apr, 2024

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

SwIPE 是一种新颖的方法，利用隐式神经表示来进行医学图像分割，以补充传统方法在空间上的不灵活性，并能够同时实现准确的局部边界划分和整体形状的一致性，具有较少参数的优势和数据效率提高的特点。

Jul, 2023

本文提出了一种空间协变像素对齐分类器 (SCP)，以提高计算效率和同时保持或提高对病变分割的准确性。使用 SCP 的神经网络在白质高信号灶分割和肝脏肿瘤分割两个任务中实现了 GPU 内存使用量、FLOPs 和网络大小分别减少 23.8%、64.9% 和 74.7%，同时保持或提高准确性。

Jan, 2023

本文提出了两种卷积神经网络，一种接收多元时间序列信号，另一种接收多通道图像作为输入，并使用它们来计算持续图像。作者在人类活动识别和图像分类等两个应用上实现了持续图像的融合。

Jun, 2019

新的简单视觉上下文学习（ICL）方法 SimICL 结合被设计用于自监督学习的屏蔽图像建模（MIM）对配对图像进行视觉 ICL，成功地在具有有限注释的腕部超声数据集上验证，对于骨骼结构分割取得了非常高的 Dice 系数（DC）和 Jaccard 指数（IoU），并能减少图像标注需要的人工专家时间，提高超声图像分析中人工智能辅助的实际应用。

Feb, 2024

本论文提出了一种由混合符号压力函数驱动的主动轮廓模型，该模型结合全局和局部信息构建。实验和数值分析表明，该模型在处理具有强度不均匀性和噪声的图像的分割任务中具有优异的性能。

Mar, 2024

本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

Jul, 2017