本研究提出了RipVIS，一个大规模视频实例分割基准，解决了潮流识别中的数据不足问题，显著提升了分割性能，促进了海滩安全环境的建设。

本研究提出了一种新颖的L1加权骰子聚焦损失（L1DFL），旨在解决深度神经网络在自动检测和分割转移性前列腺癌病变中的分类困难。通过训练大量PET/CT扫描数据，L1DFL在分割性能上优于传统损失函数，显示出在复杂病变检测中的潜力。

本研究提出了一种新颖的PDZSeg模型，旨在解决内镜手术中因组织类型边界模糊导致的分解区分割问题。该模型通过多种视觉提示优化分割性能，研究结果表明其优于现有方法，为未来研究奠定了基础。

本研究提出DINO-LG模型，通过自监督学习提高冠状动脉钙化评分的准确性，专注于钙化区域，显著改善评分和分割性能，为冠状动脉疾病的预防提供更精确的工具。

本研究提出了一种新型的Couinaud分割模型LiverFormer，结合全球上下文与局部特征，采用3D混合CNN-Transformer架构，提升了肝癌治疗中肝脏亚区域的分割性能，优化了手术与放疗规划。

本研究提出了一种名为MBDRes-U-Net的轻量级脑肿瘤分割模型，旨在降低计算负担。该模型通过多分支残差块和融合注意力的方法，利用多模态图像的局部特征，显著提高了分割性能并减少了计算开销，在脑肿瘤分割挑战赛中表现出高精度。

本文介绍了基于Segment Anything Model (SAM)的医学图像分割方法，包括all-in-SAM流程、SSM-SAM框架和SAMDA模型。这些方法通过减少对手动提示的依赖，提高了分割性能，尤其在少样本和低光照条件下表现优越，推动了生物医学图像处理的发展。

本文介绍了一种结合Segment Anything Model（SAM）和Class Activation Maps（CAM）的方法，提升了弱监督语义分割的伪标签质量，平均提高了6.2%的交并比。此外，研究提出了TinySAM模型和FSS-SAM方法，优化了少样本学习和跨领域分割的准确性，显著提高了分割性能并减少了计算成本。

本研究聚焦于遥感图像的语义分割，提出多种新方法和数据集以提升分割性能。改进的模型和模块在多个数据集上显示出显著的准确性提升，尤其在少样本情况下表现优异，为环境监测等应用提供了重要支持。

本研究提出了SimMAT框架，旨在解决传感器在多领域中难以收集自然图像数据的问题。该框架通过模态无关的转移层，提升视觉基础模型在不同图像模态上的转移能力，实验结果显示其在分割性能上有显著提升，展现了重要的跨模态转移学习潜力。

本文探讨了基于深度学习的医学图像分割中的不确定性评估，提出了一种生成空间不确定性映射的方法，以帮助临床医生理解系统错误。研究表明，现有方法在个体水平存在偏差，需开发个性化评估。通过多层不确定性模块，研究实现了高分割性能和有意义的不确定性图，从而提升医学图像分析的准确性和效率。

本文介绍了针对参考图像分割(RIS)的创新方法，包括两阶段视觉提示增强网络(TV-Net)和双向掩蔽自编码器(BTMAE)。这些方法通过增强视觉信息、跨模态对齐和细粒度对应关系，显著提升了多个基准数据集上的分割性能，解决了视觉线索不足的问题。

本文提出了一种基于深度学习的交互分割框架，结合卷积神经网络（CNN）和图像特定微调，显著提高了分割准确性。同时，研究探讨了多模态脑胶质瘤分割的新方法，利用SAM与投票网络结合，适应资源有限环境，改善临床决策。实验结果表明，该方法在BraTS-Africa数据集上表现优异。

本文研究了Segment Anything Model（SAM）在遥感图像分析中的应用，提出了一种结合CNN检测器和实例分割的新方法，以提升SAM在高分辨率图像上的表现。实验结果显示，该方法在多个遥感数据集上显著提高了分割性能，并计划发布代码以促进后续研究。

本研究探讨了Segment Anything Model（SAM）在机器人手术中的鲁棒性和零样本泛化能力。结果表明，SAM在复杂手术场景中的仪器分割效果不佳且缺乏鲁棒性。提出的SurgicalSAM方法结合LoRA调整，改善了分割性能。适当的提示（如边界框）能显著提升模型表现，但在攻击情况下鲁棒性下降。总体而言，SAM在医学图像分割中仍需进一步优化。

Segment Anything Model（SAM）2在医学图像分割中表现优异，尤其在2D和3D图像处理方面。尽管其零样本能力与最新技术相当，但在某些情况下仍需手动标注以提高准确性。新模型MedSAM-2展现了卓越的分割性能和广泛的泛化能力，表明SAM在医学图像分割领域具有良好的适应性，未来有望成为半自动分割工具。

本文探讨了合成图像在数据收集和标注中的应用，提出通过合成数据生成模型来提高医学图像和城市场景的分割性能。研究表明，合成数据能有效提升模型准确性，减少对真实数据的依赖。

本文探讨了自监督学习（SSL）在医学图像处理中的应用，尤其是在儿童腕部超声扫描和内窥镜视频分析中。研究表明，改进的嵌入和损失函数能够显著提升分割性能，减少对标记数据的需求，并在不同医疗场景中表现优异。

本文讨论了音频-视觉分割（AVS）技术的新方法，包括双向生成框架、音频-视觉解码器和像素级音视频交互模块。这些方法增强了音频与视觉的关联性，提升了分割性能，并在AVS基准测试中表现优异。此外，研究还提出了新的数据集和策略，推动了音频-视觉模型的发展。

本文介绍了一种基于深度学习的机器人物体分割方法，该方法通过自我监督学习和与环境互动自动生成训练数据，显著提高了分割性能。研究表明，该方法在复杂场景下的精度优于现有算法，且无需人工标注数据。