本研究提出了一种基于多模态大型语言模型的端到端视频推理分割方法（VRS-HQ），有效解决了现有方法的空间复杂性和运动捕捉不足的问题。VRS-HQ在ReVOS上表现优异，超越VISA，展现出强大的时空特征表示能力。

本研究提出了INTRABENCH，一个交互式放射学基准，旨在解决当前分割方法在临床应用中的局限性。该框架提供全面评估，促进新模型的整合与透明评估，推动3D医学影像的发展。

本研究探讨了睾丸体积评估对男性生育力的重要性，提出了一种基于英国生物库MRI数据的新分割方法，取得了显著的dice评分（0.87），为临床应用奠定了基础。

本文介绍了多种4D LiDAR分割方法，包括4D-StOP、Mask4D和Annotator等，旨在提升自动驾驶中的3D环境理解能力。4D-StOP通过时空提议显著提升分割性能，Mask4D利用Transformer实现高效语义实例预测，Annotator在主动学习和域自适应中表现优异。此外，SegNet4D和Flow4D方法在实时多扫描语义分割中也展现了卓越性能，推动了LiDAR分割技术的发展。

本文探讨了多种基于深度学习的医学图像质量评估和分割方法，包括利用偏好图片训练模型、生成不确定性映射以及多色彩空间融合网络（MCF-Net）。研究表明，这些方法在提高图像质量评估和患者安全性方面表现优越，并提出了新的置信度校准和故障检测方案，以增强深度神经网络的可靠性。

本文介绍了多种先进的3D检测和分割方法，如Omni3D数据集、Cube R-CNN模型、OpenMask3D和Open-Fusion，旨在提升3D场景理解和目标识别的性能。研究还利用零样本学习和开放词汇技术，展示了在机器人导航和操作中的应用潜力。

本文介绍了多种基于深度学习的皮肤病变分割方法，包括半监督学习、UNet技术和卷积神经网络（CNN）。研究表明，这些方法在皮肤病检测和分类中表现优越，尤其在处理不同肤色和复杂背景时，提高了准确性和效率。新框架DermoSegDiff和StyleSeg为医学图像处理提供了新的思路。

本文总结了多种黑色素瘤检测的皮肤病变分割方法，包括Faster-RCNN、U-Net和基于金字塔池化的模型。这些方法在ISBI和ISIC数据集上表现优异，Dice系数和准确率均超过0.9。最新的SLP-Net模型在计算复杂性和速度上具有明显优势，展现了良好的临床应用潜力。

本文介绍了多种医学图像分割方法，如SA2-Net、MFA-Net、MCANet和MS-Twins，利用多尺度特征学习和注意力机制提高分割精度。这些新模型在处理复杂医学图像时表现优于传统方法，能够更好地捕捉上下文信息和细粒度特征。

本文提出了一种新的4D全景LiDAR分割方法，能够为3D点序列分配语义类别和实例ID，提升多点云处理效率。结合LiDAR和图像数据的4D-Former方法在分割任务中表现优异。Lite-HDSeg实时卷积神经网络在SemanticKitti基准测试中表现最佳，适用于机器人和自动驾驶。研究还探讨了基于3D LiDAR的运动对象分割及多模态数据的语义分割，显著提高了分割精度。

本文介绍了一种新的半监督框架，通过稀疏标记的MLS切片和扩散模型，准确测量头部CT扫描中的MLS规模。研究开发了脑出血分割数据集，展示了深度学习算法在自动检测颅内出血方面的高准确率，并提出了改进的分割方法，具有良好的临床应用潜力。

该文章介绍了一种基于能量最小化的新型分割方法，通过引入高阶项来融入对分割形状的先验知识，实现将像素集完全位于一个分割或另一个分割中。该方法在肺动脉-静脉分割中展示了有效性。

该文介绍了一种用于联合像素级语义内部分布和分布外分类的分割方法，旨在解决全景分割在存在分布外对象的情况下受到严重影响的问题。作者提出了新颖的 PoDS 架构，并在 Cityscapes 和 BDD100K 数据集上进行了大量评估实验证明该方法可以有效地解决主要挑战并显著优于基线模型。

该文介绍了 Epistemic Logic Programs 中的自底向上和自顶向下的分割方法，并证明了它们的等价性。作者引入了新的定义和语义属性进行分析。