本研究提出了一种新的可逆解耦网络（RDNet）架构，解决了单幅图像反射去除中的信息压缩和交互模式问题。通过可逆编码器保留重要信息，灵活解耦传输和反射特征，并使用提示生成器动态校准特征，显著提升去除效果。实验结果表明，RDNet在五个基准数据集上表现优于现有方法。

提出了一种新型的医学图像分割方法MaskSAM，通过设计提示生成器生成辅助分类器令牌、辅助二进制掩模和辅助边界框，利用适配器使2D SAM模型适应3D医学图像。在AMOS2022上，Dice系数为90.52%，比nnUNet提高了2.7%。在ACDC和Synapse数据集上，分别超过了nnUNet 1.7%和1.0%。

MaskSAM是一种新型的无需提示的医学图像分割框架，通过与SAM中的图像编码器结合设计了一个提示生成器，解决了额外提示的要求。利用3D深度卷积适配器和3D深度MLP适配器使预训练的2D SAM模型适应3D医学图像。在AMOS2022上，MaskSAM的性能达到了最先进水平，Dice系数为90.52%，相比nnUNet提高了2.7%。在ACDC和Synapse数据集上，MaskSAM的性能分别超过了nnUNet 1.7%和1.0%。