研究人员开发了 SAM+D，一个旨在将 SAM 和 SAM2 等 2D 基础模型适配于 3D 体积分割和 4D 时空分割任务的新颖框架。这种参数高效的方法引入了两个轻量级模块：深度路由 LoRA (Depth-Routed LoRA) 和深度移位模块 (Depth Shift Modules)，它们能够实现跨切片特征交换和空间自适应更新，同时保持大部分预训练参数冻结。SAM+D 在 3D 分割的医学成像基准测试和 4D 分割的细胞追踪数据集上取得了具有竞争力的结果，其可训练参数数量远少于现有方法。 AI
影响 为医学成像和生物学研究实现更高效、更有效的 3D 和 4D 分割。
排序理由 该条目是一篇学术论文，详细介绍了一种适配现有模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
