- PFENet++：用去噪的上下文感知先验掩模提升少样本语义分割
本文提出了一种 Context-aware Prior Mask (CAPM) 和 Noise Suppression Module (NSM) 用于 Few-Shot Segmentation 的 prior mask 生成以提高性能，新 - 基于最优传输匹配和消息流的少样本分割
本文提出了一种支持信息相互利用、弥补之前模型的不足之处的少样本分割算法。通过建立图像间的对应关系和信息传播机制，实现对支持图像的多方面信息的全面利用，达到了最新的相对优良的分割效果。
- ICCV学习元类内存进行少样本语义分割
本文针对少样本语义分割任务提出一种基于元类记忆的新方法（MM-Net），引入可共享的元类概念（例如某些中间级特征），以显式地学习少样本分割任务中的元类表示，对于 $k$-shot 场景，我们还提出了图像质量测量模块来选择支持图像，最后在 P - 利用 Transformer 提升 Few-shot 语义分割
本文提出了一种基于 TRansformer 网络的 Few-shot 语义分割方法（TRFS），它采用全局增强模块（GEM）和局部增强模块（LEM）相结合的方法，可以在 PASCAL-5i 和 COCO 数据集上取得新的最优表现。
- 循环一致变换器的小样本分割
该研究提出了一种新的循环一致 Transformer（CyCTR）模块，通过交叉注意支持和查询图像的特征，聚合像素级支持特征到查询特征中，并使用循环一致的注意机制过滤可能有害的支持特征，最终在所有 few-shot 分割基准测试中实现了显着 - CVPR少样本分割的自适应原型学习和分配
本文提出两种新的模块（SGC 和 GPA）和一种轻量级模型（ASGNet），用于多原型提取和分配，并且通过在 COCO 上的实验结果表明 ASGNet 在 5-shot segmentation 中可以超越现有技术方法的 5%。
- CVPR自导和互导学习用于少样本分割
本篇文章介绍了一种简单但有效的自导学习方法，用于提高查询图像的分割性能，特别是在 few-shot 分割任务中。同时，也提出了一种新的交叉引导模块，用于改善多次采样的分割结果。实验结果表明，该方法在 PASCAL-5i 和 COCO-20i - ICCV挖掘潜在类别用于少样本分割
本研究提出一种新的联合训练框架来缓解现有方法在处理潜在新类别时出现的特征削弱问题，并使用可转移子簇来增强特征嵌入，实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上超过之前的最先进方法，并具有更少的参数和更快的推理速 - CVPR无元学习的小样本分割：良好的瞬态推理是否足以胜任？
本文研究了在执行几次分割任务中进行推理的方式对性能产生了重要影响，并介绍了一种对查询图像进行转导推理的方法，通过优化包含交叉熵、Shannon 熵和 KL 散度规则的新损失函数，实现了具有竞争力的性能，尤其适用于 1-shot 场景以及基于 - CVPR通用少样本语义分割
本文中，我们介绍了一个名为 “广义 Few-Shot 语义分割（GFS-Seg）” 的新基准数据集，用于分析在同时分割具有非常少的示例的新类别和具有足够示例的基础类别的情况下的内在泛化能力。我们提出了一种名为 “上下文感知原型学习（CAPL - BriNet: 在一次分割中架起类内和类间差距的桥梁
提出了一种名为 BriNet 的分割框架，该框架应用信息交换模块和多路径细粒度策略来提高查询和支持图像之间的信息交互，进而实现精确定位查询对象；并且还提出了一种新的在线细化策略，帮助训练好的模型适应未见过的类别，并在 PASCAL VOC - 少样本语义分割的原型混合模型
本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。
- IJCAISimPropNet: 改进的少样本图像分割相似性传播
本文提出了一种叫做 SimPropNet 的框架，利用前景背景关注融合机制，同时预测支持和查询掩模，以共享特征信息来填补现有方法在利用相似性信息方面的不足，其在 PASCAL-5i 数据集上实现了最先进的一次和五次分割结果。
- IJCAI自监督调整用于小样本分割
提出了一个自适应调节框架以改进基于元学习的 few-shot 语义分割问题，其中包括一个新颖的自监督内循环来提取支持图像的潜在语义特征，并支持基于梯度图的元学习以逐步优化分割结果。
- CRNet：用于少样本分割的交叉参考网络
本文提出一种基于交叉参考网络的多类别小样本图像分割方法，通过先前的样本图像和待处理图像之间的交叉引用，同时预测前景目标，经过不断迭代的前景区域优化，实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升，最终在 PASC - 用于少样本分割的样板细化网络
本文提出了一种原型精炼网络（PRNet），通过自适应和融合获取新类别的代表性原型，从而增强了低数据量情况下的原型区分度，实现了少样本分割的挑战，实验结果表明该方法显著优于现有方法。
- 一种新的本地转换模块 用于小样本分割
本文提出了一种基于局部特征关系的转换模块，通过广义逆矩阵将关系矩阵线性转换，可以用于替代现有的 Few-shot 分割框架中的转换模块，并在 Pascal VOC 2012 数据集上进行了验证。
- ICCV特征加权和增强在少样本分割中的应用
使用卷积神经网络（CNN）对支持图像进行特征提取，生成类别特征向量，然后通过余弦相似度将目标物体在查询图像中分割出来，在 PASCAL-$5^i$ and COCO-$20^i$ 数据集上验证了其优越性。
- ICCVPANet: 利用原型对齐进行少样本图像语义分割
本研究提出了一种基于度量学习的原型对齐网络（PANet）来解决仅使用少量样本进行图像分割的问题，它通过学习每个语义类别的原型表示，并通过匹配每个像素到所学习的原型来执行查询图像的分割，最终在 PASCAL-5i 上超越了现有技术达到了 48 - 无监督循环一致形变用于形状匹配
该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Sh