Aug, 2024

基础模型时代的图像分割：综述

HTML
PDF
TL;DR本研究针对图像分割领域的现有研究不足之处，系统回顾了基础模型驱动的图像分割的最新进展与挑战。通过分析通用图像分割与可提示图像分割的研究，并深入探讨基础模型如CLIP和Stable Diffusion在图像分割中的应用，该综述为未来的研究方向提供了宝贵的见解和参考。研究结果显示，基础模型不仅显著提升了分割性能，还可开启深度学习中前所未有的分割能力。
发现论文，激发创造
  • 超越像素：从底层到语义图像分割和共分割的综合调查

    本篇论文介绍了计算机视觉中图像分割的研究进展及方法，概述了底层的分割方法和最近发展的超像素、交互式方法、对象提案、语义图像解析和图像共分割，并对现有的数据集和评价指标进行了评估和总结，最后提出了面向未来研究的设计方向和研究方向。

    Feb, 2015

  • 利用深度学习进行图像分割：综述

    本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器-解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

    Jan, 2020

  • 关于视频分割的深度学习技术调查

    该论文综述了在视频分割中使用的深度学习算法，其中包括了对象分割和语义分割，同时提供了这两种方法和数据集的详细概述，以及在几个知名数据集上的性能评估和未来研究的机会。

    Jul, 2021

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • 语义图像分割：二十年的研究

    本调查总结了涵盖二十年的SiS研究，并提出了文献综述以及使用转换器的深度学习方法的最新趋势, 并强调了DASiS技术的影响，其中包括多域学习，域泛化和在对新环境进行分割时削减域。项目还介绍了几个与语义图像分割相关的任务和应用，如医学图像分割。

    Feb, 2023

  • 基于Transformer的视觉分割：一份综述

    本文综述了基于transformer的视觉分割技术，总结了近期的进展，详细介绍了各种方法设计和应用，并对该领域的未来研究方向进行了探讨。

    Apr, 2023

  • 医学图像分割的分割全模型：现阶段的应用与未来发展方向

    通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

    Jan, 2024

  • 基于基础模型时代的少样本语义分割新基准

    在计算机视觉中，我们比较了四种著名的视觉基础模型（DINO V2，Segment Anything，CLIP，Masked AutoEncoders和在COCO数据集上预训练的ResNet50），发现DINO V2在各种数据集和适应方法上始终优于其他模型，突出了其在语义分割任务上的优越适应能力。此外，我们观察到各种适配器方法表现相似，强调了选择稳健特征提取器比适应技术本身的复杂性更为重要，这一发现揭示了在少样本语义分割情境中特征提取的关键作用。此研究不仅为少样本语义分割领域的视觉基础模型的比较性能提供宝贵见解，还强调了稳健特征提取器在该领域的重要性。

    Jan, 2024

  • 通过扩散特征上的递归规范化切割实现零样本图像分割

    利用扩散 UNet 编码器和 DiffCut 方法，本研究在无监督零样本分割任务中对基于图的分割算法进行改进，显著优于现有的先进方法。

    Jun, 2024

  • 基于基础模型的高性能小样本分割：实证研究

    本研究针对现有小样本分割方法受限于分类任务预训练模型的性能问题，提出了一种基于基础模型的小样本分割框架。通过从基础模型中提取隐含知识并构建粗略对应关系，并引入轻量解码器进行精细分割，实验证明该方法在COCO-20i数据集上超越了之前的最佳方法17.5%。

    Sep, 2024