- 通过分割引导的多单应性变换，实现容忍视差的图像拼接
通过使用图像分割引导的多单应性变换，本文提出了一种新颖的图像拼接方法，解决了图像间的大视差问题，并且在公共数据集上的综合实验结果表明，相较于现有方法，我们的方法具有更高的对齐精度。
- 自动图像数据标注的分段模型：基于 Grounding DINO 的文本提示的实证研究
通过对八个公开数据集的实证研究，揭示了参考表达理解 (REC) 框架在特定领域中存在的预测错误问题，并提出了一种简单的策略来减轻这些错误，进而改进了基于 REC 的检测和自动分割，同时报告了在多个专业领域中使用 SAM 技术进行分割的性能显 - CVPR基于主成分聚类的合成数据生成中的语义分割
使用潜在扩散模型生成合成数据集的方法，通过自我关注来实现基于头部信息的语义信息提取，从稳定扩散潜变量中直接获取类别无关的图像分割，并利用文本到像素的交叉关注进行先前生成掩膜的分类，最后通过仅使用稳定扩散输出图像进行掩膜精化步骤的提出。
- 为科学图像集分割死海古卷片段
本文介绍了一种用于从以色列古物管理局（IAA）策划的图像中分割手稿碎片的定制流水线，并通过隔离和解决每个困难的定制方法来解决标尺、颜色、号码栏以及黑色背景等难题。此外，我们创建了一个带有条形码检测和碎片分割真值信息的数据集，并在该数据集上定 - MiSuRe 可解释图像分割的全能者
本文提出了 MiSuRe 算法，用于生成图像分割的显著性图，并在三个数据集上进行了分析，探讨了这些显著性图在分割模型的后续可靠性评估中的潜在用例。
- 基于一致的图像分割进行层次语义分类的学习
层次化语义分类需要预测一个层次结构树而不是单个层级的树，通过训练分类器来实现不同层级的准确性和一致性，同时结合图像分割以提高一致性和准确性，并引入树路径 KL 散度损失以强制实现跨层级的一致准确预测和预测层次结构树的准确性。
- CVPRRobustSAM: 在退化图像上鲁棒地分割任何物体
RobustSAM 是一种改进的 Segment Anything Model (SAM) 方法，通过增强 SAM 在低质量图像上的性能，同时保持其可提示性和零样本泛化能力。其在各种分割任务和数据集上的广泛实验证实了其卓越性能，特别是在零样 - 基于图像增强方法的肿瘤分割研究
通过图像增强和深度学习技术，对肝脏分割进行精确处理，以提高肝癌识别准确性和召回率。
- U-KAN 为医学图像分割和生成提供了强大的骨干
我们通过将 KAN 层整合到中间表示中，探索了 Kolmogorov-Arnold 网络（KANs）在改进视觉任务的骨干网络中的潜力，并证明了 U-KAN 在医学图像分割中的优越性。
- 一种带有转换总变差的图像分割模型
使用基于转换的 l1 正则化的转换总变差 (TTV)，提出了带模糊成员函数的 TTV 正则化 Mumford--Shah 模型进行图像分割，并通过交替方向乘子法设计了求解算法。数值实验表明，在图像分割中使用 TTV 比传统的 TV 和其他非 - 基于语言大模型和图书知识的肾脏数字病理学视觉知识搜索平台
基于大型模型的图像分割和语义检索，构建了一个检索系统，通过文本描述来检索肾脏病理图像。
- 深度卷积神经网络满足变分形状紧致先验的图像分割
我们提出了两种新的算法来解决图像分割问题，并达到了更高的数值效率和效果，尤其在基于 DeepLabV3 和 IrisParseNet 网络的嘈杂虹膜数据集上进行训练时，IoU 提高了 20%。
- 智能医学图像分析中的多尺度图像融合系统探索
这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以 - 量子效率高的变分量子算法用于图像分割
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 - UnSegGNet: 无监督图神经网络图像分割
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。
- DynaSeg：一个融合特征相似性和空间连续性的无监督图像分割的深度动态融合方法
我们的工作解决了计算机视觉中图像分割的基本挑战，提出了一种增强的无监督卷积神经网络算法 DynaSeg，通过自动化参数调整来灵活适应图像细节，并通过引入 Silhouette Score Phase 解决了动态聚类的挑战，同时整合了 CNN - TinySeg：用于小型嵌入式系统上图像分割的模型优化框架
TinySeg 是一个优化模型的框架，可以在小型嵌入式系统中实现内存高效的图像分割，通过分析目标模型中张量的生命周期并识别长期存在的张量，利用张量溢出和合并提取技术将目标模型的峰值内存使用率降低了 39.3%。
- CVPR使用扩散模型在图像中自动进行虚拟产品放置和评估
介绍了一种新颖的三阶段全自动虚拟产品放置系统，通过语言引导图像分割模型识别出图像中适合进行产品修复的区域，并使用经过微调的 Stable Diffusion 算法将产品修复到先前识别出的候选区域中，最后引入一个 “对齐模块” 有效地筛选出质 - CVPRASAM：通过对抗调整提升片段任意建模
本研究介绍了 ASAM，一种通过敌对调整增强 SAM 性能的新方法，利用稳定性扩散模型增加 SA-1B 数据集子集的敌对实例，展示更真实且与原始标注一致的分割结果，从而在不需要额外数据或架构修改的情况下，显著提高了各种分割任务的表现，为计算 - ATOMMIC：一种提供医学图像一致性多任务工具箱，促进从获取到磁共振成像分析的人工智能应用
AI 正在改变 MRI 的采集和处理过程，ATOMMIC 是一个开源工具箱，通过实现 DL 网络和多任务学习 (MTL) 来应用 AI 于加速 MRI 重建和分析，结合物理模型与分割网络可以提高 MRI 重建和图像分割的性能。