- VPUFormer: 交互式图像分割的视觉提示统一变压器
该论文提出了一个简单但高效的视觉提示统一变压器，利用更深入的交互来提高图像分割性能，并使用高斯映射生成一个统一的一维向量来捕获用户的意图，并利用用户反馈逐渐改进候选语义特征，从而逐步提高图像分割性能。
- LDMRes-Net: 通过高效图像分割实现实时疾病监测
本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性 - 基于通道先验卷积注意力的医学图像分割
本文提出了一种高效的 Channel Prior Convolutional Attention (CPCA) 方法以及基于 CPCA 的医学图像分割网络 CPCANet，通过在通道和空间维度上支持动态分配注意力权重并保持通道优先以及采用多 - 双重自我蒸馏的 U 型网络用于三维医学图像分割
本文提出了一种新颖的双自蒸馏（DSD）框架，该框架适用于 U 形网络进行三维医学图像分割，通过在 U 形网络的背骨架构上附加 DSD，有效地提高了分割性能，其中 Dice 相似度分数提高了 4.25％至 3.15％
- 语义边界辅助的语义分割
本文提出了 Semantic Boundary Conditioned Backbone (SBCB) 框架，该框架是一种简单而有效的训练框架，旨在提高分割性能，尤其是在边界周围，可用于改善各种流行分割头和骨干网络。
- ECCVFew-Shot 分割中的类原型关系
本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。
- ECCV学习质量感知的视频目标分割动态内存
该研究提出了一种质量感知的动态记忆网络方法，该方法考虑了内存帧的分割质量，通过动态更新内存库来提高模型的实用性，并通过广泛的实验验证了其在视频目标分割领域的优越性能。
- 利用潜在原型的对比增强学习进行少样本分割
本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法，通过采样模块生成伪掩模和新的原型，从而提高原型和查询特征之间的相似性信息的利用率，并通过对比增强模块来提高预测性能。实验证明，该方法在 Pascal-5^ - CVPR跨视角规范化用于领域自适应全景分割
本文介绍了一种基于域适应的全景分割网络，利用了样式内一致性和任务间正则化，实现了优异的全景分割表现，相关实验结果优于现有技术。
- 快速视频语义分割的局部内存注意力
本文提出了一种新颖的神经网络模块，可以将现有的单帧语义分割模型转化为视频语义分割流水线，并将过去帧中的语义信息聚合到内存模块中，并通过关注机制来对其进行访问。通过将这些提示与当前帧的编码进行融合，可以改善 Cityscapes 数据集上的分 - nnU-Net 用于脑肿瘤分割
本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排 - 医学图像分割的优化：在评估 Dice 分数或 Jaccard 指数时的理论和实践
本文探讨了利用度量敏感损失函数训练卷积神经网络在分割任务中优于基于交叉熵损失函数的效果，特别是在关注分割性能度量指标如 Dice 分数和 Jaccard 指数时，採用度量敏感损失函数效果更好的结论。
- ECCV上下文关系一致的领域自适应语义分割
本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理 GTA5 到 Cityscapes 和 SYN - 一种基于距离映射正则化的卷积神经网络用于心脏 Cine MR 图像分割
本研究提出一种基于多任务学习的心脏 MR 图像分割正则化框架，通过在现有 CNN 体系结构的瓶颈层中添加距离映射正则化器来优化全局特征学习，使 CNN 的分割性能得到提升。
- 利用松弛上置信区间进行样本选择的多器官分割网络训练
本文利用一种新的样本选择策略，名为松弛上界置信度（RUCB），以强化与探索策略训练深度卷积神经网络，提高医学图像多器官分割的准确性。该方法有效地解决了注释错误对训练的影响，且在 120 个腹部 CT 扫描数据集上获得了显著的表现提升。
- CVPR精度生物医学图像分割的完全卷积网络量化
本文旨在探讨量化技术在深度神经网络（DNN）和全卷积神经网络（FCN）的生物医学图像分割中的应用，而不是仅仅将其用于降低内存和计算复杂度。实验结果表明，在 MICCAI Gland 数据集上，我们的方法不仅优于现有的技术，而且可以使内存使用