本文介绍了FocalClick、PseudoClick和AdaptiveClick等多种交互式分割模型的进展。这些模型通过优化用户交互和提高分割精度，显著提升了分割效果，尤其在处理复杂场景和减少用户点击方面表现出色。此外，研究提出了新的鲁棒性评估方法，强调了交互式分割模型的有效性和实用性。

FocalClick 提出了一种交互式分割模型，能够通过快速推理实现目标区域的粗细分割，显著降低 FLOP，并优化点击率预测的无模型预训练框架。研究还介绍了多尺度特征传播网络和基于变分推断的概率融合网络，提升了语义分割的性能和鲁棒性。

该文综述交互式分割研究，涵盖GPCIS利用高斯过程提升精度、PseudoClick预测下一步点击、白盒攻击评估鲁棒性、遥感基准显示SimpleClick优于SAM并推出CFR与RSISeg工具，以及迭代训练、弱监督RIS、AGILE3D点云分割、FocalClick和对比学习WSIS等方法。

该文综述深度学习图像分割研究，涵盖多种方法：RescueNet结合局部相关二值交叉熵损失同步分割建筑并评估损毁；多流注意力算法融合双骨干特征提升预测；Q-Segment实现传感器端1.9毫秒实时分割；边界感知网络用于显著与伪装目标分割；RMSIN处理遥感文本查询分割；Transformer盲图像质量评价引入注意力面板；两步智能系统检测遥感图像质量；密集连接解码器提升建筑分割效率；基准评估五种交互式分割方法，发现SAM在遥感中表现不佳而SimpleClick最优，并开发RSISeg工具；BiSeNet V2双分支实现高效实时语义分割。

本文汇总多项计算机视觉研究：动态混合尺度Vision Transformer提升图像分类效率；交互式分割应用于医学、遥感及通用目标分割，并发布数据集与评估工具；将SAM与事件数据、点云集合Transformer结合；MTI-Net建模多尺度任务交互；基准测试显示SimpleClick在遥感分割中优于SAM，并开发RSISeg工具；另有token剪枝降低计算成本及MAS算法综述。

本研究评估了五种基于深度学习的交互式分割模型在遥感图像分析中的性能，并开发了一个名为 RSISeg 的在线工具。RSISeg 具有较强的交互性、可修改性和适应性。

深度学习在遥感应用中的重要性不断增强。本研究评估了五种交互式分割方法，发现基于点的SimpleClick模型表现最佳。研究团队开发了名为RSISeg的在线工具，具有更强的交互性、可修改性和适应性。

该研究论文提出了一种新的SGISRF方法，用于光辐射场中的交互式分割。该方法通过少量用户交互点击对新场景进行3D物体分割，并通过三种特别设计的技术解决了关键挑战。实验结果证明了该方法的有效性和适用性。