量子计算可以应用于图像分割的无监督学习任务，本文提出了两种优化算法（Parametric Gate Encoding 和 Adaptive Cost Encoding）来寻找最佳分割掩膜，并且分析了这些方法与量子近似优化算法的可伸缩性，为量子增强计算机视觉的进一步研究提供了基础。

May, 2024

本文中提出了一种基于量子机制的量子图像分割算法，可解决传统基于灰度形态学的算法在处理大规模数据时的实时性问题，并通过在灰度图像的所有像素上同时执行形态学操作，快速将图像分割为二值图像。通过设计并结合多个量子电路单元，包括膨胀、腐蚀、底帽变换和顶帽变换等，构建了用于分割 NEQR 图像的完整量子电路。对于一个 2^n * 2^n 图像，其复杂度可以降低到 O (n^2+q)，相比传统算法速度提升是指数级的。最后，实验在 IBM Q 上展示了我们的算法在噪声中等规模量子（NISQ）时代的可行性。

Oct, 2023

本文介绍了一种基于绝热量子优化的运动分割算法，它在可映射到现代量子退火器的问题实例上达到了与现有技术相当的性能。

Mar, 2022

提出了一种基于局部自适应阈值的量子分割算法，该算法利用量子机制为灰度图像中的所有像素同时计算局部阈值，并将图像快速分割为二值图像。设计了几个量子电路单元，包括中值计算、量子二值化等，并通过使用较少的量子比特和量子门设计了一个完整的量子电路来分割 NEQR 图像。对于一个具有 2^n × 2^n 个像素和 q 个灰度级的图像，我们的算法的复杂度可以降低到 O (n^2+q)，与经典方法相比具有指数级的加速。最后，在 IBM Q 上进行实验以展示我们的算法在噪声中等比例量子（NISQ）时代的可行性。

Oct, 2023

提出了一种改进的 NEQR 图像的双阈值量子分割算法，利用较少的量子比特将复杂灰度图像分割成清晰的三值图像，并且可以对 n 个阈值进行 n+1 次分割，通过设计可行的量子比较器和可扩展的量子电路对 NEQR 图像进行分割，实验结果表明该算法能够有效地进行图像分割。

Oct, 2023

利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。

May, 2024

本研究旨在实现将深度学习模型直接部署在传感器上，提出了 “Q-Segment” 量化实时分割算法，并在两个低功耗边缘视觉平台上进行综合评估，该模型目标是实现基于血管的医学诊断的端到端图像分割。在 IMX500 平台上部署，Q-Segment 在传感器内仅需 1.9 毫秒的超低推理时间和仅需 5.7 毫焦耳的能耗。与现有网络相比较，该网络采用编码器 - 解码器结构与跳跃连接，性能优于给定的各平台 75 倍（相对于 ERFNet）。在 CHASE 数据集上，该网络具有 97.25% 的二进制准确率和 96.97% 的接收器操作特征曲线下的面积。此研究为边缘图像分割提供了有价值的见解，并为适用于低功耗环境的高效算法奠定了基础。

Dec, 2023

我们提出了首个适用于 AQC 的聚类问题形式，该方法在当前量子计算机代际已经可解，并通过使用整数规划求解器与现有的基于优化的方法相比具有竞争力。

Sep, 2023

CLUSTSEG 是一个基于 transformer 的通用框架，通过统一的神经聚类方案解决不同的图像分割任务，并通过两个创新方面实现。像 EM 聚类一样，这些创新使 CLUSTSEG 成为一个透明而强大的框架，在上述分割任务中产生优越的结果。

May, 2023

本文提出了基于深度学习的端到端的像素度量学习方法，通过优化相似性函数来实现图像内分割和跨图像语义分组，并且采用像素嵌入和聚类的方式进行一致的推理和预测，该方法在无监督的语义分割方面取得了很好的性能并且具有更精确的边界和一致的区域预测，并且可以产生可解释的结果。

Oct, 2019