该研究提出了一种名为SAM-EG的小型息肉分割模型，通过集成边缘信息解决了分割模型在边界问题上的挑战。实验结果显示，该模型能够与最先进的方法相竞争，为医学成像领域的紧凑模型开发提供了有希望的方法。

本文介绍了一种名为SA-ICM的图像编码方法，该方法关注对象图像部分的边缘信息的编码和解码，具有鲁棒性和隐私保护。SA-ICM方法还可用于训练视频压缩模型NeRV，通过使用Segment Anything创建的边缘信息，可以创建适用于图像识别的SA-NeRV模型。实验结果证实SA-ICM在图像压缩方面的优势，并且SA-NeRV在视频压缩中优于普通的NeRV。

该研究提出了一个用于场景文本图像超分辨率的中英文综合基准数据集Real-CE，重点是恢复结构复杂的中文字符。通过基于边缘信息的学习方法，在图像和特征领域提供结构监督，以有效地重建中文字符的密集结构。在Real-CE基准数据集上对现有的场景文本图像超分辨率模型进行了实验和评估。