Google DeepMind发布Nano Banana Pro图像生成模型，支持4K和多语言文字。Meta推出SAM 3图像分割模型，提升创作效率。美国专利局计划限制IPR复审，可能加剧专利滥用。Valve推动Linux游戏生态，AI被认为宣传过度，实际效用有限。OpenAI推出GPT-5.1-Codex-Max，提升代码生成能力。高通收购Arduino引发隐私担忧。

Meta推出的SAM 3模型实现了通过语言提示在图像中识别和分割多个实例。该模型支持多模态提示，具备快速处理和高准确率，但对复杂语言的理解能力有限。

华中科技大学与金山办公团队提出的多模态大模型LIRA，通过语义增强特征提取器和交错局部视觉耦合模块，提升了图像分割和理解的精度，解决了现有模型的不足。LIRA在多个基准测试中表现优异，已被ICCV 2025录用。

PAM（Perceive Anything Model）模型通过3B参数实现图像和视频的分割、识别与描述，支持多种输出，且数据已开源。该模型在多个基准测试中表现优异，具备高效推理和轻量化特点，适用于AR/VR等场景。

本研究利用神经网络提高下颌关节MRI图像分割的准确性和速度。分析了94幅图像，比较多种模型，发现Roboflow模型在分割中表现优异，为病理诊断奠定基础。

本文介绍了OpenCV中的连通组件标记算法，包括不带统计信息和带统计信息的API。该算法用于分析二值图像中相同像素值的集合，统计数量、面积、周长、质心和形状特征等，广泛应用于图像分割、目标检测和医学图像分析。

本文探讨了传统矩形图像补丁注意机制在复杂视觉任务中的局限性，提出了一种基于图像分割的原型对象方法。该方法通过使用原型对象，显著降低了表示复杂性，并在参数更少、训练时间更短的情况下，实现了与最新补丁方法相当或更好的性能。

本研究提出了一种混合Dense-UNet201优化方法，克服了传统Pap涂片图像分割模型在复杂细胞结构上的局限性。实验结果显示，该模型在图像分割中的精度达到96.16%，对医学图像分析具有重要意义。

本研究提出了改进版SAM2模型，旨在提升图像和视频分割模型在跨领域适应性和泛化能力方面的表现。尽管特定领域适应性仍需进一步研究，但其在医疗成像等专业领域的应用潜力巨大。

本研究提出了一种新架构SpliCER，旨在解决自监督表示学习在复杂特征学习中的不足。通过图像分割提取信息，提升下游应用表现，尤其在医疗和地理空间成像领域展现出良好潜力。

本研究推出肾脏病理图像分割挑战（KPIs Challenge），并引入包含10,000个肾小球标注的CKD大鼠模型数据集，旨在建立肾脏病理分析的新基准，以促进疾病研究与诊断。

本研究提出了一种新颖的测试时间训练框架，解决了4D医学图像插值中的分布变化问题，提升了时间分辨率和诊断精度。实验结果表明，该方法在多个评估指标上表现优异，为图像分割和配准提供了有效的适应模板。

本研究提出了量子特征提取模块QuFeX，旨在解决传统量子卷积神经网络的高计算需求。QuFeX通过降维显著减少评估次数，Qu-Net在图像分割任务中优于传统U-Net，展示了其在精准特征提取方面的应用潜力。

本文提出了一种名为SINE的图像分割框架，通过上下文示例解决任务模糊性。SINE基于Transformer结构，利用上下文交互模块和匹配Transformer生成多个任务特定的输出掩码，适用于多种分割任务。实验结果表明，SINE在少样本分割和视频目标分割等任务中表现优异。

本研究提出了Spike2Former架构，以提升脉冲神经网络在图像分割中的性能。通过优化关键模块和归一化整数脉冲神经元，增强了训练的稳定性。实验结果表明，Spike2Former在多个数据集上显著提高了分割精度和效率。

本研究评估了旋转等变性在U-Net架构中的有效性，特别是在图像分割任务中的表现。通过与标准U-Net对比，探讨了旋转等变性对性能和可持续性的影响，发现其在更广泛应用中具有潜在优势。