10%合成图像就够？nnU-Net心脏分割MRI提升0.27个百分点
全心脏分割（ Whole-Heart Segmentation，WHS ）是医学影像分析中的一项经典任务：给定一张心脏区域的CT或MRI扫描图，模型需要把七个关键结构完整勾画出来——左心室心肌（ Myocardium，M。
标签：图像分割
共 63 篇
告别人工框选！Mac mini实时跑通束流ROI检测，推理超10Hz
大型加速器里，束流图像分割以前还得靠人工框选，现在机器学习直接像素级搞定，IoU冲到0.96，还能实时跑在一台Mac mini上。这波操作，值得一看。
机器人看懂房间的起点：伯克利用HHA编码让检测AP提升56%
先花十秒钟想一个场景：一台扫地机器人走进一个从来没去过的房间，它需要知道哪里有桌子、哪里有椅子、哪个是垃圾桶，最好还能知道每件东西具体占了多大面积——注意，是像素级的轮廓，不是一个框就算完。
拒绝内卷！北大CVPR 2026新作ExtrinSplat：3D语义理解不嵌特征，存储直接砍到MB级
3D高斯泼溅遇上开放词汇理解，过去大家往点云里硬塞特征，结果存储爆表、边界糊成一片。北大这篇CVPR 2026新作反其道而行，把几何和语义彻底解耦，用VLM生成文本假设做外置索引，直接让特征存储从GB级砍到MB级。思路清奇，落地极香，值得一读！
分割精度大涨10个点？被引1647次的UC Berkeley经典只用一招
这是一篇被引1647次的深度学习经典之作。当所有人都在用CNN最后一层特征时，UC Berkeley团队提出“超列”表示，将多层特征融合用于像素级定位，在分割、关键点、部件标注三大任务上全面领先，至今仍是多尺度特征融合的思想源头。
KAIST&MIT最新：无需训练！0.4秒搞定任意特征上采样，各项SOTA
不用训练、不用改模型，单张图优化不到半秒，就能把基础模型低分辨率特征放大成高分辨率特征，还在分割、深度、概率图上一口气刷到SOTA。想给视觉基础模型做“像素级复活”的同学，这篇绝对是宝藏基线。
西安交大M-Net：条件数+散度+旋度，医学分割新范式
纯数据驱动的医学分割模型已经够卷了，但几乎没人把线性代数和矢量微积分“硬塞”进网络。M-Net直接给出答案：把条件数、散度、旋度当先验注入U-Net，肝脏分割Dice比基线猛涨12.37%，还能端到端训练。想了解“数学+深度学习”还能玩出什么花活？这篇值得细品。
北航北邮提出GeoUP：一个骨架统一三大3D感知任务，五大驾驶基准SOTA
自动驾驶3D感知，向来是深度、检测、占用各学一套。北航与北邮提出的GeoUP，直接把视觉几何基础模型VGGT改造成统一3D感知骨架，一个模型三大任务全包，在nuScenes、Waymo、Argoverse 2、KITTI、DDAD五大基准拿下SOTA。思路清奇，落地潜力值得关注。
医学分割新范式：把JEPA搬进KAN函数空间，UUEKAN也被甩开
KAN架构虽然把可学习的函数搬到了每条边上，但训练时却只盯着聚合后的节点输出，边函数本身一直缺一个直接的优化目标。哈工大与港大这篇FS-JEPA，直接把自监督预测学习搬进了KAN聚合前的函数空间，用多半径签名当预测目标，把最强KAN方法平均Dice拉高2.25个百分点，思路清奇又扎实。
UCLA最新：体积视频流实时“隐身术”，私物秒删还能保持30FPS？
想象你在家里开着VR远程会议，头顶一圈RGB-D相机从六个角度同时拍摄。你以为自己只是坐着聊天，实际上，你手边的手机、墙上的照片、桌上的文件，甚至镜子里一闪而过的倒影，都正被多台相机同步捕捉，并实时融合成一个可自由旋转视。
遥感分割的黑盒难题，被熵中心XAI破解了？
深度模型在遥感分割里跑得欢，可它凭什么这么分？黑盒不拆，谁敢拿去搞灾情评估和土地利用监测？本文提出熵中心XAI方法，用熵不确定性给分割模型的决策画热力图，还顺手设计了一个H-SIT评估框架揪出“假重要区域”，在WHU数据集上把Grad-CAM、Score-CAM和Seg-Sobol都甩在身后，值得一读。
北大东北大学最新CoInS-Net：医学插值分割一步到位，PSNR最高涨1.67dB
医学影像里，插值和分割各干各的，就像分手后非要各自忙活，结果边界糊了、病灶漏了。这篇论文让两个任务在一套网络里双向打配合，四个数据集上插值PSNR最高涨1.67dB、分割Dice最高涨2.9个百分点，推理还省了一半时间，临床落地够实在。
