本文提出了一种基于扩散模型的高效图像隐藏方法，通过编辑分数函数实现在特定时间步嵌入秘密图像。该方法采用混合参数高效微调策略（PEFT），结合梯度参数选择和低秩适配技术，仅需微调少量参数即可完成图像隐藏。实验表明，该方法在32×32和256×256图像上分别达到52.90dB和39.33dB的峰值信噪比，保持与原始模型相近的生成质量（FID变化<0.1），且嵌入时间仅需0.04-0.18GPU

摘要： 本文系统综述了基于深度学习的图像分割技术，涵盖传统方法和深度学习方法，重点分析了二分图像分割（DIS）的研究进展。传统方法依赖低层特征（如灰度、纹理），而深度学习方法通过CNN、Transformer等架构实现端到端分割。DIS任务强调精准边界划分，不依赖类别信息，主要分为三类方法：1）基于全局-局部信息融合的网络设计（如U-Net、注意力机制）；2）引入频域、梯度、深度等辅助信息提升复杂

本文提出了一种名为ConDSeg的新型医学图像分割框架，旨在解决医学影像中普遍存在的软边界和共现现象两大挑战。该框架通过一致性增强训练策略提升编码器在低对比度、光照不佳等恶劣条件下的鲁棒性；采用语义信息解耦模块将特征明确划分为前景、背景和不确定区域，并通过训练逐步减少模糊区域；设计对比驱动特征聚合模块利用前景-背景差异指导特征融合，增强关键判别特征；引入尺寸感知解码器实现对不同尺度目标的精准定位。

医学图像分割面临自然图像与医学影像的显著差异挑战。MedDINOv3通过改进ViT架构，集成多尺度令牌聚合，并在CT-3M数据集上进行多阶段预训练，实现自然图像特征向医学领域的迁移。MACMD则针对医学图像特点，提出多空洞上下文注意力机制和通道混合器解码技术，有效解决局部细节丢失和全局结构捕捉的难题。实验表明，这两种方法在多个基准数据集上均取得优于现有方法的分割性能，为医学图像分析提供了新的技术路

SegViT是一种基于纯视觉Transformer的语义分割模型，创新性地利用注意力机制直接生成分割掩码。不同于传统方法从ViT输出学习像素级表征，SegViT提出注意力到掩码(ATM)模块，通过计算可学习类别令牌与空间特征的相似度图谱来预测分割结果。作者还探讨了Mask2Former架构，通过掩码注意力机制统一处理各类分割任务。

本文提出两种创新图像分割方法：1) PDFNet通过伪深度图的深度完整性先验（前景深度稳定/背景混乱）和细粒度分块策略，实现高效精准的二分类分割，参数仅94M；2) Hi-End-MAE采用分层编码器驱动的掩码自编码设计，通过编码器主导重建和分层密集解码，在医学影像分割中有效利用多层级特征。两种方法均显著提升性能：PDFNet超越扩散模型精度且计算高效，Hi-End-MAE在7个医学数据集展现优异

本文提出了一种混合双增强约束框架(DCON)用于医学图像单源域泛化分割。该框架通过双视图非对称增强策略生成多样化样本：视图1采用常规强度增强保持结构完整性，视图2结合全局-局部风格增强(GLS)和特征级扰动产生可控风格变体。同时设计双层对比学习机制，通过对象聚焦一致性约束确保核心区域特征稳定性，利用跨个体约束学习器官通用特征。实验表明DCON在三种单源域泛化数据集上优于现有方法。另一项研究ViT-

本文提出D-Net模型，通过动态大核（DLK）和动态特征融合（DFF）模块有效解决三维医学图像分割中的多尺度特征提取问题。DLK采用多尺寸大核级联和动态选择机制，自适应捕获器官特征；DFF实现基于内容感知的特征融合。同时引入显著性层在原始分辨率提取低级特征，避免ViT特征嵌入导致的信息丢失。实验表明D-Net在分割性能和计算效率上优于现有方法。另一项研究针对传统主动轮廓模型在噪声和光照不均图像中的

本文提出SimCIS模型解决持续图像分割中的灾难性遗忘问题。通过分析基于查询的Transformer的内置目标感知能力，发现高度聚合的图像特征可简化掩码生成过程。SimCIS采用直接特征分配实现查询向量的"完美对齐"，保留目标感知能力的同时恢复模型可塑性。针对类别遗忘问题，设计了跨阶段一致性约束和创新的视觉查询重放机制。实验表明SimCIS在不同任务和数据集上均优于现有方法。

本文提出SCTS模型，一种基于Swin Transformer的单细胞实例分割方法，有效解决了细胞高密度、边界模糊和形态多样性的分割难题。模型创新性地引入三分类语义分支（背景/细胞内部/边界），强化边界感知能力；采用轻量级Swin-Tiny骨干网络，兼顾全局建模与计算效率；并提出空间填充增强策略，通过在线随机填充单细胞实例扩充训练数据。在LIVECell和自研HEK293T数据集上的实验表明，SC