本研究提出自适应掩模补全网络（AMI-Net），旨在改善无监督视觉异常检测方法在恢复异常区域的不足。通过多尺度语义特征提取和随机掩模训练，该方法有效掩盖异常区域并保留正常信息，提升缺陷重建效果。实验表明，该模型在准确性与实时性能之间取得良好平衡，适用于工业应用。

该研究提出了多种新型YOLO架构（如RCS-YOLO、BGFG-YOLO、YOLO-OB），在脑肿瘤和息肉检测中实现了高准确性和实时性能。通过多尺度特征提取和注意力机制，显著提升了医学影像分析中的目标检测效果。

本文提出了一种新颖的基于注意力的YOLO框架（ASF-YOLO），用于细胞实例分割。该框架结合多尺度特征提取和注意机制，显著提高了检测和分割性能。在2018年Data Science Bowl数据集上，ASF-YOLO实现了0.91的框mAP和47.3 FPS的推理速度，优于现有方法，验证了其在细胞分割中的有效性。

本文介绍了多种新型深度学习模型在医学图像分割中的应用，如PMFSNet、DA-TransUNet和MADGNet。这些模型通过引入注意力机制和多尺度特征提取，显著提升了分割性能，尤其在处理复杂影像时表现优异。实验结果表明，这些方法在各类医学图像分割基准测试中均优于现有技术。

该文综述了多种视网膜血管分割深度学习方法，如RV-GAN、MRC-Net、FES-Net、IterNet、StyleGAN2结合SA-Unet及RRWNet等，采用编码解码、生成对抗网络、多尺度特征提取和迭代细化等技术，在DRIVE、STARE、CHASE等数据集上取得高AUC和准确率，提升拓扑一致性，推动临床应用。

该文介绍了GeoAgent框架，用于遥感图像分析。该框架自适应地捕捉图像块外的合适尺度上下文信息，并通过尺度控制代理进行尺度选择动作来切换分割网络的尺度和上下文分支，实现了多尺度图像块特征的提取和融合。实验证明GeoAgent在大规模制图应用中优于传统分割方法。