Tag · 8 篇
少样本分割
Spatial-SAM：基于 SDF 记忆与半监督学习的空间一致三维电子显微镜分割
Spatial-SAM: Spatially Consistent 3D Electron Microscopy Segmentation with SDF Memory and Semi-Supervised Learning
用 3D U-Net 预计算的有符号距离场（SDF）替代 SAM2 的记忆库，为视频/体数据分割提供几何先验以维持跨切片空间一致性；配合双轨伪标签迭代，可在极少标注下把 SAM2 的少样本能力迁移到 3D 体数据，这套「SDF 记忆 + 伪标签自训练」思路可复用到其他层序切片数据（CT、MRI、显微）的 3D 分割。
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。
SD-FSMIS：适配 Stable Diffusion 实现少样本医学图像分割
SD-FSMIS: Adapting Stable Diffusion for Few-Shot Medical Image Segmentation
把预训练 Stable Diffusion 的条件生成架构改造成少样本分割器：用 Support-Query Interaction 注入支持集特征、用 Visual-to-Textual Condition Translator 把视觉提示转成隐式文本嵌入作为生成条件，为视觉研究者提供了一条「复用生成模型先验做密集预测」的可迁移路径。
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。
从掩码引导自监督中学习可泛化的 3D 医学图像表征
Learning Generalizable 3D Medical Image Representations from Mask-Guided Self-Supervision
把自动生成的类无关掩码当作上下文分割的预训练 pretext task，为 3D 医学体数据提供一种无需标注、可迁移到少样本分割与冻结编码器分类的预训练范式；其「掩码提议即结构监督」的思路也可迁移到自然图像或视频的 3D/时序表征预训练。
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。
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。
Artiverse：一个多样且物理落地的铰接物体数据集
Artiverse: A Diverse and Physically Grounded Dataset for Articulated Objects
为铰接物体理解与生成提供带功能部件、多自由度关节和物理属性（尺度、材质、质量）的标注资源，可直接用于训练部件运动分析、铰接物体生成与物理交互模型；其半自动标注流程（少样本分割+几何推理+多阶段人工校验）也可迁移到其他需要部件级标注的3D数据构建。