基于SAM和CLIP的零样本医学图像分割方法SaLIP被收录至awesome-segment-anything项目
在医学图像分析领域，零样本分割一直是一个具有挑战性的研究方向。近期，一篇题为《Test-Time Adaptation with SaLIP: A Cascade of SAM and CLIP for Zero shot Medical Image Segmentation》的论文引起了广泛关注。该论文已被CVPR 2024 Workshops接收，其创新性地结合了SAM（Segment Anything Model）和CLIP（Contrastive Language-Image Pretraining）两大前沿模型，提出了一种名为SaLIP的新型零样本医学图像分割框架。
SaLIP方法的核心思想是通过级联SAM和CLIP模型，实现无需特定训练数据的医学图像分割能力。SAM作为强大的通用分割模型，提供了基础的分割能力；而CLIP则通过其强大的视觉-语言对齐能力，为分割任务提供语义指导。这种组合使得模型能够在测试阶段自适应地进行医学图像分割，特别适合医学领域标注数据稀缺的场景。
该方法的主要技术贡献包括：
- 创新性地将SAM和CLIP结合，构建了一个端到端的零样本分割框架
- 设计了有效的测试时自适应策略，使模型能够适应不同的医学图像模态
- 在多个医学图像数据集上验证了方法的有效性，展示了优异的零样本分割性能
由于该方法的重要性和创新性，它已被收录至awesome-segment-anything项目中。这是一个专注于收集和整理与SAM模型相关优秀工作的开源项目，由社区开发者Hedlen维护。该项目的收录标准严格，只选择在该领域具有显著贡献的研究成果。
SaLIP的开源代码已在GitHub上公开，研究团队提供了完整的实现细节和使用说明，方便研究者和开发者复现结果或应用于实际项目。这种开放共享的精神也体现了当前AI研究社区的良好实践。
对于医学图像分析领域的研究者和从业者来说，SaLIP提供了一种新的思路来解决数据稀缺条件下的分割问题。其零样本学习的能力尤其适合临床应用场景，有望推动医学AI技术的实际落地。随着更多研究者对该方法的验证和改进，相信它将在医学图像分析领域发挥更大的作用。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级，通过中期大规模视觉-语言推理数据训练，显著提升了模型的表征能力和模态对齐，实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager（推理记忆数据管理器），是一款以KV Cache为中心的推理加速套件，其融合了多类型缓存加速算法工具，分级管理并持久化推理过程中产生的KV Cache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始，我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度，并在 200–300 次连续调用中保持稳定的工具使用能力，它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时，K2 Thinking 是原生 INT4 量化模型，具备 256k 上下文窗口，实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建，总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比，它在性能上有显著提升，并引入了新的实用功能Python00- Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型，支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容，输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入，具备多页批量处理、动态分块识别和交互式区域选择等创新功能，用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源，提供Hugging Face演示和完整代码，适用于学术研究到工业应用的广泛场景，为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
- Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型，并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型，它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色，旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
docs
kernel
pytorch
flutter_flutter
ohos_react_native
ops-math
cangjie_compiler
RuoYi-Vue3torchair
openHiTLS