本文介绍了一种新颖的3D医学图像分割框架，结合少样本学习和自监督策略，显著提升了分割的准确性和效率。该框架通过整合2D和3D网络，减少了对大规模数据集的依赖，优化了模型性能，适用于多种医学图像分析任务。

本文介绍了一种新颖的神经隐式建模方法，通过多种正则化策略实现了大型室内环境的更好重建。该方法利用稀疏但准确的深度先验将场景锚定到初始模型，并引入了一种密集但精度较低的深度先验，以改善几何建模的估计。同时，还提出了一种自监督策略来规范估计的表面法线，并引入了可学习的曝光补偿方案以适应复杂的光照条件。实验结果表明，该方法在具有挑战性的室内场景中产生了最先进的3D重建结果。

该文介绍了一种新颖的神经隐式建模方法，可在仅依赖图像的情况下实现大型室内环境的更好重建。作者提出了多种正则化策略和自监督策略，以及可学习的曝光补偿方案，实现了最先进的3D重建结果。