本文提出一种新的图像分割方法，该方法将全卷积神经网络 (FCN) 与水平集模型相结合。相较于单独使用 FCN，该集成方法可以结合平滑和先验信息来实现准确的分割。此外，该模型将水平集模型与训练相集成，从而可以在半监督模式下使用未标记的数据进行训练。本文使用两种医学成像数据（肝 CT 和左腔室 MRI 数据）证明了该集成方法在很少的训练数据可用的情况下也能够取得良好的性能，优于单独使用 FCN 或水平集模型。

May, 2017

研究使用 CNN 进行语义分割时由于输出分辨率较低而损失空间细节的问题，采用基于 level set 理论的新型 loss function：level set loss，将 level set 函数转化为类别概率图，通过加权求和与 cross-entropy loss 进行联合优化，提高了分割结果的空间细节。对比先前的方法取得更好的性能。

Oct, 2019

本文提出了一种新的代数模型，用于处理在不恰当光照条件下生成的灰度图像，并使用向量空间结构来改善图像的对比度和亮度水平从而进行图像增强，通过实验结果证明了其有效性。

Dec, 2014

通过深度学习和基于多集合的方法对图像进行分割，深度学习方法展示了其优势，并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。

Jul, 2023

该论文提出了一种基于 I-divergence-TV 模型的新型变分主动轮廓模型，用于分割具有乘性伽马噪声的合成孔径雷达（SAR）图像，将基于边缘的模型与基于区域的模型相结合。所提出的模型能够在弱或模糊边缘处有效停止轮廓，并能自动检测图像的外部和内部边界。将全局凸分割方法和分裂布雷格曼技术融入所提出的模型，并提出了一种快速固定点算法来解决全局凸分割问题 [25]。合成图像和实际 SAR 图像的实验结果表明，与现有技术相比，所提出的快速固定点算法具有鲁棒性和高效性。

Dec, 2023

该研究提出了一种新的单次盒监督实例分割方法，该方法将经典的水平集模型与深度神经网络结合到一起，提出了一种连续的 Chan-Vese 能量功能，采用简单的盒标注来学习一系列水平集，通过盒投影功能来获得初始边界，并在相应的边界框注释内逐步优化每个实例的水平集。实验结果表明该方法在各种情况下实现了鲁棒的实例分割效果。

Jul, 2022

该论文提出了一种基于变分模型的分割网络，通过将 Mumford-Shah 模型中的手动制定的规则项替换成数据自适应的通用可学习规则项，利用多网格框架进行展开，从而提供更好的普适性和可解释性，实现了可学习先验信息的结构设计，尝试通过这种方法改进图像分割结果。

Jun, 2023

本文提出了一种基于 I - 散度 - TV 去噪模型的新型局部统计变分主动轮廓模型，可用于分割被乘性伽马噪声损坏的图像，并通过向所提出模型的水平集演化（LSE）方程添加扩散项来构建反应扩散（RD）方程，进而将所提出模型转化为经典 ROF 模型。

Jan, 2024

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

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