本文评估了Meta AI Research发布的SAM模型在医学成像中的息肉分割性能，提出了结合迁移学习的Poly-SAM模型，显著提升了结肠息肉分割效果。还探讨了传统与深度学习算法的比较，提出了SAM-guided Collaborative Learning Network方法，展示了在弱监督分割中的优势，并分析了深度学习在息肉分割中的挑战与机遇。

该研究提出了一种全卷积3D点云实例分割方法，结合逐点预测和最优传输技术，显著提高了分割精度。新架构如PointGroup和3D-BoNet在ScanNet和S3DIS数据集上表现优异，计算效率也有所提升。此外，研究还探讨了弱监督分割和基于空间关系的HAIS方法，均展现出良好的性能和泛化能力。

本文介绍了多种基于卷积神经网络（CNN）的语义分割方法，包括弱监督分割、无监督域自适应和改进的学习图像压缩技术。这些方法通过引入新型约束和优化策略，显著提高了分割精度和计算效率，尤其在标注数据稀缺的情况下表现优异。

本文介绍了音频-视觉语音识别和源定位的新方法，包括半监督学习框架Dual Mean-Teacher（DMT）和弱监督音视频分割框架WS-AVS。这些方法通过生成高质量伪标签和多尺度对比学习，显著提升了识别和定位性能，解决了过拟合和定位不准确的问题。

该文综述了少样本分割与实例分割的多项研究，涵盖全向导网络、广义基准数据集GFS-Seg、上下文感知原型学习、自监督细胞核分割、集成少样本分类分割框架iFSL及ASNet、元学习医学图像分割、超像素伪标签方法、循环学习弱监督核分割，以及结合base learner提升泛化性能的新方法。

本文综述医学图像弱监督与半监督分割方法，包括循环学习、自监督尺度三元组学习、对比学习、部分点注释及区域相关性网络，应用于核实例分割、癌症组织分割和多器官分割，在减少标注需求的同时达到与全监督方法相当的性能。

该文汇总多篇实例分割研究，涵盖：INSTANCE挑战赛推动颅内出血分割（最佳DSC 0.6925）；iSAID数据集表明航拍图像分割仍需专门方法；对象分层、FreeSeg弱监督框架、CRF语义分割、多任务三维标记、彩色分配归约法；MEDPSeg用于COVID-19肺部CT多结构分割；以及LVIS长尾数据下分类校准提升性能。

该文综述了细胞核分割与分类的深度学习方法，包括DTALE、NuClick、CellViT、Mask-RCNN及弱监督分割框架，应用于乳腺癌等病理图像分析，旨在提升标注效率、分割精度与模型透明度，推动数字病理学临床应用。

该文综述弱监督与少样本语义分割及噪声标签处理研究：MetaSegNet利用元学习实现少样本多目标分割；借助显著性等低级线索生成代理标签并过滤噪声；通过跨模态伪标签提升开放词汇实例分割；采用软标签与元学习增强标签噪声鲁棒性；以图像级标签作注意力实现端到端弱监督分割；利用空间重加权平衡干净与噪声像素；以超像素指导生成噪声标签并用于OCT分割；MSLG端到端生成软标签；利用网络先记忆干净标签的特性纠正噪声标注；DenoiSeg以自监督实现少标注高质量分割。

该文综述隐蔽场景理解与隐蔽物体分割的深度学习方法，涵盖弱监督分割、开放词汇伪装物体分割及OVCamo数据集、多图像共分割、统一多任务框架UFO、可解释检测Rank-Net、3D场景分割OmniSeg3D、仿生PFNet、COD10K数据集与SINet基线，以及视频对象分割HCPN；多项方法在各自基准上达到领先性能。

该文综述深度学习在医学影像中的应用：利用符合性预测提升决策透明度与可靠性，用于皮肤病变分类及不确定性量化；自动检测头颅CT的颅内出血、骨折、中线移位；弱监督分割出血区域；MRI研究显示扩大训练图像分布可提升模型泛化能力；并提出基于可靠性的训练数据清洗方法纠正标签错误。

本文提出了一种利用亲和建模技术进行弱监督分割的方法，通过局部和全局成对亲和项生成软伪标签，降低了像素级标注成本，并开发了高效算法。实验证明该方法在标签有效分割任务中表现出卓越性能。