该研究提出了一种新颖的单阶段共享高效框架EOV-Seg，旨在提升全景分割的效率。通过引入词汇感知选择模块和双向动态嵌入专家，EOV-Seg在开放词汇环境下显著提高了处理速度和性能，其推理速度比现有方法快4到21倍。

本文介绍了一种名为Panoptic FCN的全监督和弱监督全景分割方法，使用点注释，可以高效地分割物体实例和场景杂物类别。经过广泛实验，Panoptic FCN在多个数据集上展现出了吸引人的效率和效果，是全监督和弱监督全景分割的新方法。

我们提出了一种名为kNN-CLIP的新型连续语义和全景分割策略，能够在计算和内存成本最小化的情况下适应不断扩大的词汇，并在大词汇语义和全景分割数据集上取得了最先进的性能表现，为实现更高效、可适应性强的连续分割方法迈出了一步。

该研究提出了一种多任务框架，联合执行三维物体检测和全景分割，利用分割信息指导检测过程，解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。实验表明，该方法在 nuScenes 数据集上取得了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

Mask4D是一种基于Transformer的LiDAR点云4D全景分割方法，能够直接预测语义实例及其时间关联，无需非学习关联策略。在SemanticKITTI测试集上，Mask4D取得了68.4 LSTQ的最优效果，相较于已发表的表现最佳方法提高了至少4.5%。

该文介绍了一种使用有限数量标量量化（FSQ）替代向量量化（VQ）的方法，实现离散表示。作者在图像生成、深度估计、上色和全景分割等任务中使用了该方法，并获得了竞争性表现。