Topic · 101 篇
图像分割
与输入同分辨率的掩码。语义、实例、全景、可提示分割。
这个方向的收录判据
像素级或区域级的密集预测。包括语义/实例/全景分割、SAM 类可提示分割、 抠图 matting、显著物体分割、医学图像分割、视频分割与跟踪。 判据：输出是与输入同分辨率的掩码。
本方向全部 101 篇
VideoMaMa：基于生成先验的掩码引导视频抠图
VideoMaMa: Mask-Guided Video Matting via Generative Prior
利用预训练视频扩散模型的生成先验，将粗分割掩码细化为像素级 alpha matte，并构建大规模伪标签视频抠图数据集，为视频抠图提供可扩展的监督信号。
VidEoMT：你的 ViT 其实也是视频分割模型
VidEoMT: Your ViT is Secretly Also a Video Segmentation Model
把视频分割的时序建模从专用跟踪模块转移到 ViT 编码器内部：复用上一帧的 query 做传播、再与时序无关的可学习 query 融合，可直接迁移到任何基于 query 的视频分割/跟踪管线，用极简结构换取 5-10 倍加速。
V^2-SAM：将 SAM2 与多提示词专家结合用于跨视角目标对应
V^2-SAM: Marrying SAM2 with Multi-Prompt Experts for Cross-View Object Correspondence
把 SAM2 从单视角分割迁移到跨视角对应，关键手段是两类提示生成器：基于 DINOv3 特征的坐标式锚框提示（首次让 SAM2 支持跨视角坐标提示）与特征/结构双重对齐的视觉提示匹配器，并用循环一致性做专家选择，可直接复用到 ego-exo 分割、跨视角跟踪等需要把基础分割模型扩展到多视角设定的场景。
VIRST：面向时空分割的视频指令推理助手
VIRST: Video-Instructed Reasoning Assistant for SpatioTemporal Segmentation
将分割感知的视频特征通过时空融合注入视觉语言主干，并用时序动态锚框更新器在大运动、遮挡与重现下维持稳定时序线索，为指代视频分割与推理式分割提供可复用的端到端范式。
VGGT-Segmentor：几何增强的跨视角分割
VGGT-Segmentor: Geometry-Enhanced Cross-View Segmentation
VGGT-Segmentor 将 VGGT 的跨视角几何特征与像素级分割头结合，通过掩码提示词融合、点引导预测和迭代掩码优化，解决了跨视角密集预测中的投影漂移问题；其单图像自监督训练策略无需配对标注，可推广到其他需要跨视角对应关系的分割任务。
UniGeoSeg：面向地理空间场景的统一开放世界分割
UniGeoSeg: Towards Unified Open-World Segmentation for Geospatial Scenes
该工作构建了百万级遥感指令驱动分割数据集与统一框架，其任务感知文本增强、潜变量知识记忆与渐进式训练策略可直接迁移到开放世界分割与指代/推理分割任务中，为视觉研究者提供可复用的多任务分割基线与评测基准。
面向未对齐 RGB-T 显著性目标检测的不确定性感知模态融合
Uncertainty-Aware Modality Fusion for Unaligned RGB-T Salient Object Detection
把像素特征建模为高斯潜变量分布来估计局部不确定性，从而在特征空间内实现免配准的隐式跨模态对齐，并用置信度图调制融合权重；这套「不确定性驱动对齐+融合」思路可直接迁移到其他未配准多模态密集预测任务（如 RGB-D 分割、多光谱检测）。
基于细粒度对象绑定与自适应混合提示词的训练无关开放词表伪装目标分割
Training-Free Open-Vocabulary Camouflaged Object Segmentation via Fine-Grained Object Binding and Adaptive Hybrid Prompt
提出训练无关的开放词表伪装目标分割框架，利用MLLM生成细粒度文本描述，并通过语义探针和语义一致性排序实现视觉块与类别的精确绑定，结合熵引导的文本嵌入调整和自适应混合提示词生成，为SAM提供更准确的提示，可复用于其他开放词表分割任务。
面向流式指代视频分割的大语言模型方法
Towards Streaming Referring Video Segmentation via Large Language Model
把图像级指代分割模型通过语义嵌入复用与在线掩码一致性感知扩展成流式视频分割，无需额外参数即可在单卡上以 7 FPS 流式推理，为实时指代视频分割与 MLLM 的在线部署提供可复用范式。
迈向高质量图像分割：通过惩罚邻居像素提升拓扑准确性
Towards High-Quality Image Segmentation: Improving Topology Accuracy by Penalizing Neighbor Pixels
SCNP 是一种即插即用的损失函数增强策略，通过惩罚像素与其最差分类邻居的 logits 来提升分割的拓扑正确性，可方便地集成到现有分割训练流程中，适用于需要保持连通分量数量的医学或遥感等分割任务。
先验的力量：基于LLaVA的免训练开放词表语义分割
The Power of Prior: Training-Free Open-Vocabulary Semantic Segmentation with LLaVA
利用LLaVA内部层产生的局部化特征作为免训练开放词表分割的像素级激活，并生成视觉提示引导SAM，为无需微调即可复用MLLM空间先验提供了可操作路径。
通用图像分割中视觉 Transformer 缺失的一环
The Missing Point in Vision Transformers for Universal Image Segmentation
把掩码生成与掩码分类解耦，用 ViT 做点基分类器作为免预训练适配器，可直接插到现有 mask-based 分割流程中提升边界模糊与类别不均衡下的分类精度，并支持用粗标注/边界框标注替代精细标注。
面向开放词表遥感图像分割的测试时多提示词自适应
Test-Time Multi-Prompt Adaptation for Open-Vocabulary Remote Sensing Image Segmentation
提出一种即插即用的测试时多提示词自适应方法，利用大语言模型生成上下文感知的类别描述，并通过视觉引导的测试时自适应策略和熵最小化像素级损失优化提示词表示，可灵活集成到现有开放词表分割方法中提升性能。
TF-SSD：通过协同掩码筛选构建免训练协同显著性目标检测的强流水线
TF-SSD: A Strong Pipeline via Synergic Mask Filter for Training-free Co-salient Object Detection
展示如何免训练地协同 SAM 与 DINO：用 SAM 生成候选掩码池，再用 DINO 注意力图做图像内显著性筛选、用跨图像原型相似度做图像间选择，可直接迁移到其他需要跨图像一致性的分割任务。
面向微小密集目标分割的结构感知表征蒸馏
Structure-Aware Representation Distillation for Tiny-Dense Object Segmentation
把教师特征的结构重要性（边界显著性、几何复杂度、局部特征变化）做成加权图来引导蒸馏损失，可直接迁移到任何密集预测任务的师生对齐中，替代逐像素 mask 模仿。
SkySense-VITA：面向多模态遥感影像的通用上下文分割
SkySense-VITA: Towards Universal In-context Segmentation of Multi-modal Remote Sensing Imagery
论文提出的提示与预测解耦策略（VITA-Former 负责融合多模态提示，VITA-Decoder 负责预测）以及语义粒度退火（SGA）的由粗到细课程，可直接迁移到其他需要同时支持视觉提示、文本提示与融合提示的通用分割框架中。
Simple-ViLMedSAM：简单文本提示结合视觉语言模型用于医学图像分割
Simple-ViLMedSAM: Simple Text Prompts Meet Vision-Language Models for Medical Image Segmentation
用 CLIP 文本嵌入隐式生成位置先验图来替代 SAM 的几何提示，并通过双向交叉注意力把该先验与 SAM 像素特征对齐，这一「文本→位置图→分割」的提示替代思路可直接迁移到其他需要免手工提示的开放词表分割任务。
选择性、正则化与校准：利用视觉基础模型进行跨域少样本语义分割
Selective, Regularized, and Calibrated: Harnessing Vision Foundation Models for Cross-Domain Few-Shot Semantic Segmentation
对做分割的人，这篇给出了一个在冻结 VFM 特征上做测试时适配的完整范式：用数据相关的 Exemplar Transfer Risk 自动挑层、再用先验引导正则化与像素级校准修正交互图，且只微调不到 2.7% 参数，可直接迁移到其他少样本/跨域密集预测任务。
SegGBC：面向聚类图像分割增强的可解释由粗到细粒度球计算
SegGBC: Justifiable Coarse-to-Fine Granular-Ball Computing for Enhancing Clustering Image Segmentation
把粒度球（GB）多粒度聚类表征做成可插拔前端，用直觉模糊集量化像素归属的不确定性，可作为基于聚类的分割方法在输入表征层面的通用增强模块。
SegCompass：利用稀疏自编码器探索可解释对齐以增强推理分割
SegCompass: Exploring Interpretable Alignment with Sparse Autoencoders for Enhanced Reasoning Segmentation
用稀疏自编码器将思维链与视觉 token 映射到共享稀疏概念空间，为推理分割提供可解释、可微的对齐路径，可复用于需要透明推理的视觉-语言任务。
兼顾双向：面向开放词表伪装目标分割的双向语义对齐
Seeing Both Sides: Towards Bidirectional Semantic Alignment for Open-Vocabulary Camouflaged Object Segmentation
提出双向跨注意力实现视觉-文本特征互校准，并将精炼后的文本嵌入转为自适应提示词驱动 SAM 生成掩码，可直接用于开放词表分割与跨模态提示学习。
超越视野：外推式域自适应全景分割
Seeing Beyond: Extrapolative Domain Adaptive Panoramic Segmentation
针对透视训练、全景测试的跨视角几何偏移，提出带角度间隔的注意力调制与高阶图匹配适配器，可复用于任何需要视角不变语义表征的跨域分割或开放集识别任务。
以场景为中心的无监督视频全景分割
Scene-Centric Unsupervised Video Panoptic Segmentation
利用无监督深度、光流与视觉线索从场景视频中生成时序一致的全景伪标签，并用 Video DropLoss 训练，为无标注视频的密集预测提供了一套可复用的伪标签构建与评测协议。
SPAR：面向开放词表分割的单次任意分辨率视觉 Transformer
SPAR: Single-Pass Any-Resolution ViT for Open-vocabulary Segmentation
SPAR 通过特征回归蒸馏，将滑窗教师的空间推理能力迁移到单次前向的学生模型，使 ViT 无需架构改动即可高效处理任意分辨率输入，可直接用于开放词表分割等密集预测任务的高分辨率推理。
SAQN：面向三维指代表达分割的语义自适应查询网络
SAQN: Semantic-based Adaptive Query Network for 3D Referring Expression Segmentation
用每个语义类一个可学习查询向量替代从点云生成查询，把查询数量从数万级降到类别级，并用隐式类别对齐绕开匈牙利匹配；做 3D 指代分割或点云开放词表分割时可直接复用这套查询构造与补充查询融合策略。
SAMIX：以语义适配器与参考选择策略强化 SAM2 用于混合监督分割
SAMIX: Reinforcing SAM2 with Semantic Adapter and Reference Selecting Policy for Mix-Supervised Segmentation
把 SAM2 通过轻量语义适配器改造成语义感知伪标签生成器，并用强化学习训练的 SPNet 为每张查询图像检索语义相关且互补的参考图像-掩码对作为密集上下文提示，这一「参考检索 + 可验证奖励」的伪标签提纯思路可直接迁移到任何需要从弱标注或无标注数据中挖掘高质量掩码的半监督/弱监督分割流程。
S2C2Seg：面向开放词表分割的语义-空间一致性与类别优化
S2C2Seg: Semantic-Spatial Consistency and Category Optimization for Open-Vocabulary Segmentation
免训练即插即用的类别子集筛选与置信度加权融合模块，可直接叠加到 SCLIP/ProxyCLIP/CorrCLIP 等 CLIP 密集预测方法上，缓解开放词表下的类别冗余与空间精度不足。
RobotSeg：面向图像与视频中机器人分割的模型与数据集
RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video
把 SAM 2 改造成面向机器人本体的自动视频分割器：结构增强的记忆关联器处理关节形变，机器人提示词生成器免去人工提示，标签高效训练策略降低逐帧掩码标注需求，可直接迁移到任意需要免提示视频分割的类别。
RoadGIE：面向可泛化交互式道路提取的全球尺度航空基准
RoadGIE: Towards A Global-Scale Aerial Benchmark for Generalizable Interactive Road Extraction
RoadGIE 提出连通性感知的交互式分割范式，支持点击和涂鸦提示，并引入专家引导提示策略与骨架召回损失，可直接用于遥感道路提取及其他需要保持拓扑结构的线状目标分割任务。
Rewis3d：三维重建提升弱监督语义分割
Rewis3d: Reconstruction Improves Weakly-Supervised Semantic Segmentation
把前馈三维重建得到的点云作为辅助监督信号，通过双师生架构在2D图像与重建3D点云之间施加语义一致性，从而把稀疏标注传播到整个场景；做稀疏标注分割或想利用视频几何线索补监督的人可直接复用这一思路。
重新审视完全精度的必要性：面向错位建筑标签的弱监督目标级偏移校正
Revisiting the Necessity of Full Accuracy: Weakly Supervised Object-Level Offset Correction for Misaligned Building Labels
针对标注与影像存在空间错位时分割性能下降的问题，提供了一套可复用的两阶段流程：先用先验正则化的自对齐生成高置信度的目标级偏移伪标签，再训练实例级偏移回归模型来精修标签；可直接用于遥感建筑分割等存在标注错位的数据集构建与域自适应。
检索与分割：少量示例足以弥合开放词表分割中的监督差距吗？
Retrieve and Segment: Are a Few Examples Enough to Bridge the Supervision Gap in Open-Vocabulary Segmentation?
提出检索增强的测试时适配器，通过融合文本与视觉支持特征学习轻量级逐图像分类器，为开放词表分割提供可复用的少样本融合思路，并支持支持集持续扩展与个性化分割。
重新审视 MLLM 自身作为分割器：仅用一个分割嵌入
Rethinking MLLM Itself as a Segmenter with a Single Segmentation Token
对做分割的研究者，这篇给出了一个可复用的思路：把 MLLM 的压缩图像特征与原始分辨率残差特征融合，并用像素反洗牌放大细节，再通过双通路注意力掩码让单个分割 token 直接输出掩码，从而省掉 specialist mask decoder。
重新审视框监督：无偏的弱监督医学图像分割
Rethinking Box Supervision: Bias-Free Weakly Supervised Medical Segmentation
把边界框监督中的框形偏置显式建模为「掩码→框」对齐变换，并配合多尺度一致性自监督，这套训练期即插即用模块可直接迁移到任何只有框标注的密集预测任务（如病灶分割、伪装目标分割），且推理零开销。
强化视频目标分割在分割之前先思考
Reinforcing Video Object Segmentation to Think before it Segments
把 GRPO 强化学习与思维链初始化引入视频推理分割，用整体奖励同时约束空间对齐与时序一致性；对做指代分割或视频 grounding 的研究者，这是一套可直接迁移的「先推理再出掩码」训练范式，也提供了抑制 LVLM 幻觉的奖励设计思路。
ReSAM：精炼、重查询与强化——面向遥感图像的自提示词点监督分割
ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images
把 SAM 的交互式提示词从人工输入改为自生成循环（点→伪掩码→自构框提示词→重查询），并用软语义对齐约束嵌入，这套自提示词自训练流程可直接迁移到任何缺乏密集标注的专业成像域分割任务。
ReAttnCLIP：通过重新定义CLIP中的注意力实现免训练开放词表遥感图像分割
ReAttnCLIP: Training-Free Open-Vocabulary Remote Sensing Image Segmentation via Re-defined Attention in CLIP
通过重新定义CLIP的注意力矩阵（替换patch-to-patch子矩阵、优先中间层注意力、禁用[CLS]自注意力）来提升开放词表分割的patch级表征质量，该思路可迁移到其他基于CLIP的密集预测任务。
RS-SSM：在状态空间模型中细化被遗忘的细节以用于视频语义分割
RS-SSM: Refining Forgotten Specifics in State Space Model for Video Semantic Segmentation
把 Mamba 类状态空间模型中固定尺寸状态导致的「遗忘」显式建模为可逆的遗忘门矩阵，并用通道级幅度感知做对齐，这一「反演遗忘门补全细节」的思路可直接迁移到视频分割、视频目标跟踪等需要长时序像素级一致性的任务。
RMAE-ProGRess：推进非结构化环境中的语义分割
RMAE-ProGRess: Advancing Semantic Segmentation in Unstructured Environments
提出ProGRess解码器，通过渐进式跳跃融合（PLF）实现非连续特征图的自顶向下多尺度融合，并引入轻量级通道注意力门控（LCAR）和瓶颈特征融合（BFF），为语义分割解码器设计提供了可复用的模块化思路。
REL-SF4PASS：基于REL深度表示与球面融合的全景语义分割
REL-SF4PASS: Panoramic Semantic Segmentation with REL Depth Representation and Spherical Fusion
提出基于柱面坐标的REL深度表示和球面动态多模态融合（SMMF），为全景语义分割提供更有效的几何表征和融合策略，可迁移到其他全景感知任务。
PromptMoE：利用混合专家改进提示的分割细化框架
PromptMoE: A Segmentation Refinement Framework Leveraging Mixture of Experts for Improved Prompting
把 MoE 与动态专家选择引入提示词生成环节，用图像+粗掩码预测专家得分图并自适应放置点提示词，可作为即插即用的分割细化模块，替换 CascadePSP/SegRefiner 类固定提示规则，对医学、质检等边界敏感场景的掩码后处理有直接复用价值。
PRUE：一种可规模化落地的田块边界分割实用方案
PRUE: A Practical Recipe for Field Boundary Segmentation at Scale
在遥感田块边界分割任务上，系统对比了18个分割模型与地理空间基础模型（GFM），结论是U-Net语义分割骨干配合复合损失与针对性数据增强，在精度与部署指标上优于实例分割和GFM方案，为遥感密集预测的模型选型与鲁棒性训练提供了可复用的基线配方。
PR-MaGIC：通过掩码解码器梯度流进行提示词精炼的上下文分割
PR-MaGIC: Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation
提出一种无需训练的测试时提示词精炼框架，利用 SAM 掩码解码器的梯度流优化提示词，可无缝集成到现有上下文分割方法中，提升分割质量。
PEARL：几何对齐语义的免训练开放词表语义分割
PEARL: Geometry Aligns Semantics for Training-Free Open-Vocabulary Semantic Segmentation
提出一种免训练、即插即用的两阶段推理框架：在自注意力块内用正交Procrustes对齐旋转key到query子空间，再用文本感知的拉普拉斯图求解细化像素logits，可复用于其他需要跨模态对齐的密集预测任务。
PCA-Seg：重新审视开放词表语义分割与部件分割中的代价聚合
PCA-Seg: Revisiting Cost Aggregation for Open-Vocabulary Semantic and Part Segmentation
把开放词表分割中「空间聚合→类别聚合」的串行代价体处理改为并行双流（语义流+上下文流）加正交化解耦，并用系数映射器做像素级自适应加权；做开放词表分割或需要从图文代价体中抽取对齐线索的工作可直接复用该并行聚合块（仅增 0.35M 参数）。
OpenDPR：基于视觉中心扩散引导原型检索的遥感影像开放词表变化检测
OpenDPR: Open-Vocabulary Change Detection via Vision-Centric Diffusion-Guided Prototype Retrieval for Remote Sensing Imagery
将扩散模型作为离线原型生成器，在视觉空间进行开放词表检索，为视觉基础模型（SAM、DINOv2）与视觉语言模型（CLIP）的类别识别瓶颈提供免训练解决方案；S2C 弱监督模块可复用为适配 VFM 空间先验的通用变化定位方法。
城市场景分割中的开放词表域泛化
Open-Vocabulary Domain Generalization in Urban-Scene Segmentation
把状态空间模型（SSM）用于修正 VLM 在域偏移下的文本-图像相关性，这一思路可迁移到任何依赖 CLIP 类图文对齐的开放词表分割、检测任务中，用于缓解分布变化导致的图文错配。
MixerCSeg：一种基于解耦 Mamba 注意力的高效裂缝分割混合器架构
MixerCSeg: An Efficient Mixer Architecture for Crack Segmentation via Decoupled Mamba Attention
TransMixer 把 Mamba 的潜变量注意力拆成局部纹理、全局依赖与序列上下文三条并行通路，配合方向引导边缘门控卷积，为细长/不规则结构（裂缝、血管、道路）的像素级分割提供了一个低算力（2.05 GFLOPs）可复用的编码器设计范式。
缓解开放词表全景分割中的物体性偏差与区域-文本错位
Mitigating Objectness Bias and Region-to-Text Misalignment for Open-Vocabulary Panoptic Segmentation
针对开放词表全景分割中掩码选择偏差和区域-文本对齐不足的问题，提出模块化的 COAT 和 OVR 组件，可复用于其他开放词表分割任务，以较低内存成本提升 CLIP 的区域级对齐能力。
MatAnyone 2：通过学习型质量评估器扩展视频抠图
MatAnyone 2: Scaling Video Matting via a Learned Quality Evaluator
提出无真值质量评估器（QE）生成像素级评估图，可用于训练时在线抑制错误区域或离线筛选数据构建大规模视频抠图数据集，为视频抠图提供可复用的质量反馈与数据扩展方案。
让免训练扩散分割器随生成能力扩展
Making Training-Free Diffusion Segmentors Scale with the Generative Power
针对免训练扩散分割器中交叉注意力图与全局语义不一致、文本token分数不平衡的问题，提出自动聚合与逐像素重缩放两种技术，使分割性能随生成模型能力提升而提升，为利用更强扩散模型做判别任务提供了可复用方案。
MUFASA：面向槽注意力的多层框架
MUFASA: A Multi-Layer Framework for Slot Attention
把槽注意力从只在ViT最后一层做，扩展到多层特征上分别做再融合，这个即插即用模块可以直接套到现有无监督目标分割/目标中心表征方法上，用极小的推理开销换取分割提升和更快收敛。
MM-OVSeg：面向遥感开放词表分割的多模态光学-SAR 融合
MM-OVSeg: Multimodal Optical-SAR Fusion for Open-Vocabulary Segmentation in Remote Sensing
对做开放词表分割的人，这篇给出了把 SAR 结构先验注入 VLM 文本对齐分割头的双编码器融合方案，可作为恶劣天气/光学缺失场景下扩展 OV 分割输入模态的参考；其跨模态表征统一流程也可迁移到其他传感器组合。
MARSS：基于模块化注意力与状态空间模型的雷达语义分割
MARSS: Radar Semantic Segmentation via Modular Attention and State Space Models
面向雷达距离-多普勒频率图这类各向异性、稀疏含噪输入，给出可复用的模块化设计：用轻量通道自注意力+深度可分离卷积编码噪声特征、用区域级注意力做多尺度融合、用状态空间模型结合轴向自注意力在解码端建模各向异性与时序一致性，可迁移到其他非相机模态的密集预测任务。
MARIS：海洋开放词表实例分割
MARIS: Marine Open-Vocabulary Instance Segmentation
针对水下场景的开放词表实例分割，提出几何先验增强模块（GPEM）利用部件级结构线索保持退化视觉下的物体一致性，以及语义对齐注入机制（SAIM）用域特定先验丰富语言嵌入以识别未见类别，为跨域开放词表分割提供了可复用的设计思路。
M4-SAM：面向 RGB-D 视频显著性目标检测的多模态混合专家与记忆增强 SAM
M4-SAM: Multi-Modal Mixture-of-Experts with Memory-Augmented SAM for RGB-D Video Salient Object Detection
把 SAM2 的线性 LoRA 换成带卷积专家的模态感知 MoE-LoRA，并用伪掩码引导记忆库实现无提示初始化，这套 PEFT + 记忆引导思路可直接迁移到其他需要多模态适配的 SAM2 下游分割任务。
超越窗口：全局-局部对齐CLIP用于免训练开放词表语义分割
Looking Beyond the Window: Global-Local Aligned CLIP for Training-free Open-Vocabulary Semantic Segmentation
提出全局-局部对齐的CLIP框架，通过跨窗口键值令牌交换和代理锚点解决滑窗推理中的语义不一致问题，可直接用于提升免训练开放词表分割方法的高分辨率处理能力。
用于视频分割的实时交互式训练
Live Interactive Training for Video Segmentation
LIT-LoRA 在推理时利用用户修正在线更新轻量 LoRA 模块，使视频分割模型能持续适应同一视频中的目标外观变化，为交互式视觉工具提供了一种低开销的在线自适应范式。
利用 CLIP 中的类别分布进行弱监督语义分割
Leveraging Class Distributions in CLIP for Weakly Supervised Semantic Segmentation
利用 CLIP 的 patch 级类别分布（JS 散度）生成更完整的 CAM，并用 DINO 的结构知识做边界超类原型监督，可直接用于弱监督分割的伪标签质量提升。
学习并对齐点击感知形状先验用于交互式非模态实例分割
Learning and Aligning Click-Aware Shape Prior for Interactive Amodal Instance Segmentation
将用户点击作为交互信号，通过三元组损失学习点击感知的形状先验，并用可变形注意力对齐先验与目标实例，为遮挡下的非模态实例分割提供可复用的先验检索与对齐框架。
InterRVOS：交互感知的指代视频目标分割
InterRVOS: Interaction-Aware Referring Video Object Segmentation
将交互关系显式建模引入指代视频目标分割，要求分别分割动作执行者与目标对象，并设计了交互感知特殊 token 与注意力掩码损失；对做视频理解、指代分割和多模态推理的研究者，提供了可复用的角色区分分割范式与配套数据集。
面向胸部X光的指令引导病灶分割及自动构建的大规模数据集
Instruction-Guided Lesion Segmentation for Chest X-rays with Automatically Generated Large-Scale Dataset
把指代图像分割（RIS）迁移到胸片病灶分割，用自动化多模态流水线从图像-报告对生成 110 万条指令-答案对，并微调 LISA 类多模态大模型实现指令驱动的像素级病灶定位与文本解释，为视觉研究者提供了「用报告自动造分割监督」的可复用范式。
INSID3：基于 DINOv3 的免训练上下文分割
INSID3: Training-Free In-Context Segmentation with DINOv3
利用冻结的 DINOv3 密集自监督特征直接进行语义匹配和分割，无需微调或辅助模型，为少样本分割提供了极简且强泛化的新范式。
HySeg：为结构感知遥感分割学习生成式先验
HySeg: Learning Generative Priors for Structure-Aware Remote Sensing Segmentation
把分割后验推理建立在生成式结构先验之上：用 MeanFlow 学习语义拓扑的连续随机场，再投影成类别条件亲和度去引导分割头，这个「先验→亲和度→后验」的插件式设计可以迁移到任何需要边界连贯性的密集预测任务。
基于希尔伯特曲线的注意力实现语义分割网络的拓扑保持图像张量表示
Hilbert Curve-Based Attention Enabling Topology-Preserving Image Tensor Representation for Semantic Segmentation Network
把 Hilbert 曲线空间填充顺序引入解码器的注意力计算，用一维连续索引保持二维张量的空间邻接关系，可作为通用手段替换分割/检测解码器中的展平或窗口划分方式，以改善边界与细结构的连续性。
基于深度完整性先验与细粒度图像块策略的高精度二值图像分割
High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy
把单目深度估计模型输出的伪深度当作「完整性先验」注入分割网络，用深度一致性损失约束分割结果，并用自适应图像块选择精修边界——这套思路可直接迁移到高分辨率抠图、显著目标检测等需要锐利边界的密集预测任务，且无需扩散模型即可逼近其精度。
HOPS：基于注意力感知过滤与亲和度引导增强的层次化开放词表部件分割
HOPS: Hierarchical Open-vocabulary Part Segmentation with Attention-Aware Filtering and Affinity-Guided Enhancement
将 CLIP 的语义对齐与 DINO 的结构感知通过双向注意力融合，并用注意力感知过滤抑制物体过分割、用亲和度引导增强缓解部件欠分割，这套两阶段流程可直接迁移到开放词表部件/属性分割与细粒度掩码生成任务。
通过混合内容-风格调制实现可泛化的共显著目标检测
Generalizable Co-Salient Object Detection via Mixed Content-Style Modulation
该文将CLIP语义嵌入与交叉注意力结合提取域不变场景结构先验，并通过合成特征统计量（均值/方差）做源域风格增强，为视觉分割任务在未见域上的泛化提供了一套可复用的内容-风格调制思路。
GenMask：通过直接掩码生成适配 DiT 的分割方法
GenMask: Adapting DiT for Segmentation via Direct Mask Generation
将分割视为生成任务，直接用 DiT 在 RGB 空间生成二值掩码，省去特征提取流程；其针对二值掩码的极端噪声时间步采样策略可复用于其他生成式密集预测任务。
GeCo：面向域泛化语义分割的几何一致性正则化
GeCo: Geometry-Consistent Regularization for Domain Generalized Semantic Segmentation
针对在 DGSS 中用 PEFT 微调 VFM 时适配器过拟合源域、破坏预训练几何结构的问题，GeCo 用曲率引导扰动和测地线正则化在保持流形结构的前提下扩展表征，可直接迁移到其他基于 VFM 微调的密集预测任务（如深度估计、开放词表分割）的正则化设计。
从 Softmax 到 Dirichlet：面向半监督语义分割的证据学习
From Softmax to Dirichlet: Evidential Learning for Semi-supervised Semantic Segmentation
用狄利克雷分布对类别概率建模，从分布视角给出原则性的不确定性估计，替代 softmax 置信度做伪标签筛选；HESS 将排他证据与集体证据解耦，可直接嵌入现有半监督分割框架提升伪标签可靠性。
频率感知亲和力用于弱监督语义分割
Frequency-Aware Affinity for Weakly Supervised Semantic Segmentation
利用频域分解（低频语义对齐、高频边界修正）生成更完整的亲和力矩阵，并通过最优传输直接生成高质量 CAM，可复用于其他弱监督定位任务（如弱监督目标检测、点监督分割）。
聚焦背景：以背景为中心的提示词探索 SAM 在少样本医学图像分割中的潜力
Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting
把 SAM 的少样本分割重新表述为「提示词定位」任务，用类别无关的背景提示约束 SAM 的过分割；这一思路可迁移到任何需要抑制 SAM 过度分割的开放词表/少样本分割场景。
FlowDIS：基于流匹配的语言引导二值图像分割
FlowDIS: Language-Guided Dichotomous Image Segmentation with Flow Matching
把流匹配的时变向量场用于从图像分布到掩码分布的传输，为高精度分割提供了一条不依赖判别式解码器的新范式；其位置感知实例配对训练策略与文本条件控制可直接迁移到开放词表分割、交互式分割等需要像素级可控性的任务。
面向图像与视频的快速推理分割
Fast Reasoning Segmentation for Images and Videos
把推理分割的推理链蒸馏进 0.6B 小模型，用数字孪生表征解耦感知与推理，再以分割精度+推理质量联合奖励做强化微调，为边缘端实时开放词表分割提供可复用范式。
F2Net：用于超高分辨率遥感分割的频率融合网络
F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation
针对超高分辨率图像分割，提出频率分解与多分支处理框架，通过跨频率对齐损失和平衡损失解决梯度冲突，可复用于其他需要同时保留细节和全局上下文的高分辨率视觉任务。
EReCu：面向无监督伪装检测的伪标签进化融合与多线索学习精炼
EReCu: Pseudo-label Evolution Fusion and Refinement with Multi-Cue Learning for Unsupervised Camouflage Detection
针对无监督伪装目标检测中伪标签噪声和边界模糊问题，提出多线索原生感知与伪标签进化融合框架，其教师-学生伪标签精炼和频谱张量注意力融合策略可迁移到其他弱监督/无监督分割任务。
双层适配器提升无提示曲线结构分割
Dual-level Adapter Boosting Prompt-free Curvilinear Structure Segmentation
在冻结的 SAM 上插入块内与块间双层适配器，实现无提示、仅需 18 张标注图像的跨域曲线结构分割，可直接迁移到医学/遥感细长目标（血管、道路、纤维）的少样本分割场景。
通过锚定描述实现判别性感知以用于推理分割
Discriminative Perception via Anchored Description for Reasoning Segmentation
用描述性 caption 与上下文做语义对比来构造判别性奖励，可作为一种可复用的 RL 奖励设计思路，用于任何需要模型聚焦目标区域的 grounding/分割任务，同时产出与分割对齐的可解释理由。
发现、分割与选择：面向零样本伪装物体分割的渐进式机制
Discover, Segment, and Select: A Progressive Mechanism for Zero-shot Camouflaged Object Segmentation
把「发现-分割」两阶段换成「发现-分割-选择」三阶段：用视觉特征而非 MLLM 生成候选，再用 MLLM 做语义打分选掩码，这一「候选生成与语义筛选解耦」的思路可直接迁移到开放词表分割、指代分割等需要从多候选中挑最优掩码的任务。
面向免训练开放词表语义分割的免 logits 优化直接分割方法
Direct Segmentation without Logits Optimization for Training-Free Open-Vocabulary Semantic Segmentation
把视觉-语言 logits 与真值的分布差异直接取解析解当作语义图，省掉迭代训练和模型特定的注意力调制，可直接套用到任意 CLIP 类骨干的免训练开放词表分割流程中。
可微拉普拉斯矩阵引导的超像素分割
Differentiable Laplacian Matrix Guided Superpixel Segmentation
提供一种模型无关、完全可微的图拉普拉斯损失，可直接嵌入现有超像素网络训练中替代不可微的连通性后处理，做密集预测或区域划分的研究者可复用该正则项与新增的杂散像素/多余连通分量评测指标。
去噪与对齐：面向鲁棒全景语义分割的无源无监督域自适应
Denoise and Align: Towards Source-Free UDA for Robust Panoramic Semantic Segmentation
针对全景分割中的几何畸变和域偏移，提出无源域自适应框架，通过置信度引导的伪标签去噪和跨分辨率对抗对齐来提升伪标签质量与类别平衡性，可直接复用于其他密集预测任务的无源域自适应场景。
DeRVOS：解耦一致轨迹生成与多模态理解用于指代视频目标分割
DeRVOS: Decoupling Consistent Trajectory Generation and Multimodal Understanding for Referring Video Object Segmentation
将 RVOS 解耦为预训练实例轨迹生成与多模态理解两个分支，并用 TAIS 模块做跨帧对齐与隐式轨迹选择，为视频分割中轨迹一致性与语言对齐的分离建模提供了可复用范式。
DIMOS：解耦实例级运动目标分割
DIMOS: Disentangling Instance-level Moving Object Segmentation
双解耦特征提取把图像与事件模态各自拆成外观流和运动流，再配合多粒度跨模态对齐做融合；这套「先解耦再对齐」的流程可直接迁移到其他事件-图像融合任务（如事件辅助的检测、深度估计），也为小目标运动分割提供了可复用的特征增密思路。
D-Convexity：面向数据驱动图像分割的、基于拟凹性的统一可微凸形状先验
D-Convexity: A Unified Differentiable Convex Shape Prior via Quasi-Concavity for Data-driven Image Segmentation
把凸性先验转成无需阈值的可微卷积损失（基于拟凹性与超水平集凸性），可直接嵌入任意分割网络输出端，用于视网膜血管等管状/凸结构分割的形状正则化，替代离散线约束或图割凸性建模。
基于多视图渐进自适应的跨域少样本分割
Cross-Domain Few-Shot Segmentation via Multi-view Progressive Adaptation
把「渐进增强 + 多视图预测一致性」作为无标注目标域自适应的通用手段，可直接迁移到其他跨域密集预测任务（如跨域检测、跨域深度估计）的目标域微调阶段。
CrackSSM：通过动态扫描让状态空间模型重焕生机用于裂缝分割
CrackSSM: Reviving SSMs for Crack Segmentation via Dynamic Scanning
把 SSM 的静态多向扫描换成由高层语义方向响应驱动的动态词元重排，使裂缝相关区域在序列中相邻，这一思路可直接迁移到其他细长/不规则结构（血管、道路、裂纹）的分割与序列化建模；小波高频引导的解码也可作为边缘细化模块复用。
对话式图像分割：以可扩展监督对抽象概念进行视觉定位
Conversational Image Segmentation: Grounding Abstract Concepts with Scalable Supervision
把「意图/可供性/物理常识」这类抽象概念作为分割查询，并用无需人工标注的数据引擎自动生成 prompt-mask 对，为语言引导分割提供了可扩展的监督构造范式，可直接迁移到开放词表与指令式分割的数据扩增。
CDICS：通过组合式提示与分阶段解耦探索上下文分割中的细粒度属性
CDICS: Delving Into Fine-Grained Attribute for In-Context Segmentation via Compositional Prompts and Phased Decoupling
提出组合式提示（语义、部件、颜色图像）控制上下文分割，并采用两阶段解耦架构先粗定位后细粒度属性匹配，为细粒度可控分割提供了可复用的提示设计与训练策略。
通过蒸馏辅助的测试时自适应引导视频语义分割模型
Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation
将图像语义分割模型通过蒸馏 SAM2 的时序知识并配合轻量时序融合模块，在测试时自适应为视频语义分割模型，为无标注视频分割提供可复用范式。
自举你的音视频代理：面向音视频分割的自适应对比与原型学习
Bootstrap Your Own AV-Proxies: Adaptive Contrastive and Prototype Learning for Audio-Visual Segmentation
论文提出的自监督音频增强模块通过对比学习对齐音频与梯度阻断的视觉嵌入，以及动态原型约束模块利用动量更新原型增强像素级类别感知，这两者均可作为跨模态对齐与分割的通用技术手段，尤其适用于需要抑制融合噪声的多模态分割任务。
BiPA：面向水下实例分割的双层提示词适配
BiPA: Bilevel Prompt Adaptation for Underwater Instance Segmentation
把 SAM 的稠密提示词学习建模成双层优化，并用贝叶斯优化在冻结主干的前提下先搜提示词、再微调模型，这套「先优化提示词、后调参数」的两阶段流程可直接迁移到其他严重域偏移场景（如医学、遥感）的 SAM 适配。
超越弱监督：多模态大语言模型引导的分级知识蒸馏用于无监督伪装目标检测
Beyond Weak Supervision: MLLMs-Guided Graded Knowledge Distillation for Unsupervised Camouflaged Object Detection
提出利用多模态大语言模型（MLLM）结合思维链生成高质量伪标签，并通过分级知识蒸馏训练学生网络，为无监督密集预测任务提供了一种可复用的弱监督替代方案。
超越文本：面向基于 CLIP 的弱监督语义分割的概率模型视觉描述组装
Beyond Text: Visual Description Assembly by Probabilistic Model for CLIP-based Weakly Supervised Semantic Segmentation
用概率模型把 CLIP 视觉特征映射到结构化潜空间、动态组装实例级视觉描述原型来替代静态文本原型查询，可直接迁移到任何依赖 CLIP 文本-图像对齐生成 CAM 的弱监督定位任务。
超越外观：基于几何结构的伪装目标检测
Beyond Appearance: Camouflaged Object Detection via Geometric Structure
把单目深度估计模型通过稀疏混合专家适配器迁移到伪装目标检测，并用几何-语义融合模块把深度几何线索注入分割特征，为「深度先验跨任务迁移」提供了一个可复用的适配与融合范式。
面向少样本语义分割的贝叶斯分解与语义补全
Bayesian Decomposition and Semantic Completion for Few-shot Semantic Segmentation
将少样本分割分解为先验、似然和类一致性三项，并用轻量类无关定位模型并行评估 SAM 生成的碎片区域，把分割转化为二分类；这种贝叶斯分解思路和语义补全模块可复用于其他基于 SAM 的开放词表分割任务。
BackSplit：细分背景在生物医学病灶分割中的重要性
BackSplit: The Importance of Sub-dividing the Background in Biomedical Lesion Segmentation
将二分类分割中的背景细分为多个解剖结构类别，利用现有分割模型自动生成辅助标签，在不增加推理成本的情况下提升小病灶分割性能，可推广到其他密集预测任务。
以攻为守：赋能分割一切模型的点提示优化对抗智能体
Attack for Defense: Adversarial Agents for Point Prompt Optimization Empowering Segment Anything Model
把点提示词的选择建模为双空间图上的强化学习博弈，用攻击者-防御者范式自动精化粗提示集，可直接套用到 SAM 类分割模型的提示词工程与鲁棒性提升上。
AD-GBC：用于基于UNet的医学图像分割的各向异性粒球跳跃连接细化器
AD-GBC: Anisotropic Granular-Ball Skip-Connection Refiner for UNet-Based Medical Image Segmentation
AD-GBC 将原型推广为可学习的各向异性几何区域，并以全可微分方式聚合与重分配特征，为 UNet 类分割网络提供了一种即插即用的几何感知细化模块；其 Wasserstein 多样性损失和尺度一致性损失可防止中心坍缩，这种区域级表示思路可迁移到其他密集预测任务。
αMatte4K与μMatting：面向超微精度Alpha视频抠图的数据集与模型
$\alpha$Matte4K & $\mu$Matting: Dataset and Model for Ultra-Micro Precision Alpha Video Matting
提出分辨率无关的两阶段视频抠图框架，利用掩码自编码器定位粗哑光区域并用稀疏3D卷积精修，同时构建基于PBR的4K高质量数据集，为高分辨率视频抠图提供可复用的数据生成与模型设计思路。