Buchumschlag

Are General-Purpose Vision Models All We Need for 2D Medical Image Segmentation? A Cross-Dataset Empirical Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Borst, Vanessa, Kounev, Samuel
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Early Explorations of Lightweight Models for Wound Segmentation on Mobile Devices
von: Borst, Vanessa, et al.
Veröffentlicht: (2024)

WoundAmbit: Bridging State-of-the-Art Semantic Segmentation and Real-World Wound Care
von: Borst, Vanessa, et al.
Veröffentlicht: (2025)

Evaluating General Purpose Vision Foundation Models for Medical Image Analysis: An Experimental Study of DINOv2 on Radiology Benchmarks
von: Baharoon, Mohammed, et al.
Veröffentlicht: (2023)

General Purpose Image Encoder DINOv2 for Medical Image Registration
von: Song, Xinrui, et al.
Veröffentlicht: (2024)

On Large Visual Language Models for Medical Imaging Analysis: An Empirical Study
von: Van, Minh-Hao, et al.
Veröffentlicht: (2024)

Cross-Dataset Generalization For Retinal Lesions Segmentation
von: Playout, Clément, et al.
Veröffentlicht: (2024)

Ideal Registration? Segmentation is All You Need
von: Chen, Xiang, et al.
Veröffentlicht: (2025)

A General-Purpose Diversified 2D Seismic Image Dataset from NAMSS
von: Araujo, Lucas de Magalhães, et al.
Veröffentlicht: (2026)

SITS-DECO: A Generative Decoder Is All You Need For Multitask Satellite Image Time Series Modelling
von: Barrett, Samuel J., et al.
Veröffentlicht: (2025)

Can General-Purpose Omnimodels Compete with Specialists? A Case Study in Medical Image Segmentation
von: Zhang, Yizhe, et al.
Veröffentlicht: (2025)

EchoApex: A General-Purpose Vision Foundation Model for Echocardiography
von: Amadou, Abdoul Aziz, et al.
Veröffentlicht: (2024)

UNetVL: Enhancing 3D Medical Image Segmentation with Chebyshev KAN Powered Vision-LSTM
von: Guo, Xuhui, et al.
Veröffentlicht: (2025)

FineVision: Open Data Is All You Need
von: Wiedmann, Luis, et al.
Veröffentlicht: (2025)

Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation
von: En, Qing, et al.
Veröffentlicht: (2024)

Evaluating Text-to-Image Generative Models: An Empirical Study on Human Image Synthesis
von: Chen, Muxi, et al.
Veröffentlicht: (2024)

LKM-UNet: Large Kernel Vision Mamba UNet for Medical Image Segmentation
von: Wang, Jinhong, et al.
Veröffentlicht: (2024)

Off-The-Shelf Image-to-Image Models Are All You Need To Defeat Image Protection Schemes
von: Pleimling, Xavier, et al.
Veröffentlicht: (2026)

Towards Efficient and General-Purpose Few-Shot Misclassification Detection for Vision-Language Models
von: Zeng, Fanhu, et al.
Veröffentlicht: (2025)

CheXmix: Unified Generative Pretraining for Vision Language Models in Medical Imaging
von: Kumar, Ashwin, et al.
Veröffentlicht: (2026)

Image is All You Need to Empower Large-scale Diffusion Models for In-Domain Generation
von: Cao, Pu, et al.
Veröffentlicht: (2023)

Generalizing Abstention for Noise-Robust Learning in Medical Image Segmentation
von: Moustafa, Wesam, et al.
Veröffentlicht: (2026)

Cross Modality Image Translation In Medical Imaging Using Generative Frameworks
von: Romoli, Giulia, et al.
Veröffentlicht: (2026)

Curriculum Prompting Foundation Models for Medical Image Segmentation
von: Zheng, Xiuqi, et al.
Veröffentlicht: (2024)

Boosting Medical Image Classification with Segmentation Foundation Model
von: Gu, Pengfei, et al.
Veröffentlicht: (2024)

MS-UMamba: An Improved Vision Mamba Unet for Fetal Abdominal Medical Image Segmentation
von: Xu, Caixu, et al.
Veröffentlicht: (2025)

XAI-CLIP: ROI-Guided Perturbation Framework for Explainable Medical Image Segmentation in Multimodal Vision-Language Models
von: Alzubaidi, Thuraya, et al.
Veröffentlicht: (2026)

Text-Guided Attention is All You Need for Zero-Shot Robustness in Vision-Language Models
von: Yu, Lu, et al.
Veröffentlicht: (2024)

Touchstone Benchmark: Are We on the Right Way for Evaluating AI Algorithms for Medical Segmentation?
von: Bassi, Pedro R. A. S., et al.
Veröffentlicht: (2024)

Text is All You Need for Vision-Language Model Jailbreaking
von: Chen, Yihang, et al.
Veröffentlicht: (2026)

Self-supervised Dataset Distillation: A Good Compression Is All You Need
von: Zhou, Muxin, et al.
Veröffentlicht: (2024)

Translation Consistent Semi-supervised Segmentation for 3D Medical Images
von: Liu, Yuyuan, et al.
Veröffentlicht: (2022)

Beta Sampling is All You Need: Efficient Image Generation Strategy for Diffusion Models using Stepwise Spectral Analysis
von: Lee, Haeil, et al.
Veröffentlicht: (2024)

DuPLUS: Dual-Prompt Vision-Language Framework for Universal Medical Image Segmentation and Prognosis
von: Saeed, Numan, et al.
Veröffentlicht: (2025)

Diffusion Model in Latent Space for Medical Image Segmentation Task
von: Ngoc, Huynh Trinh, et al.
Veröffentlicht: (2025)

Unleashing Diffusion and State Space Models for Medical Image Segmentation
von: Wu, Rong, et al.
Veröffentlicht: (2025)

CTS: A Consistency-Based Medical Image Segmentation Model
von: Zhang, Kejia, et al.
Veröffentlicht: (2024)

Unified Medical Image Segmentation with State Space Modeling Snake
von: Zhang, Ruicheng, et al.
Veröffentlicht: (2025)

CrossMed: A Multimodal Cross-Task Benchmark for Compositional Generalization in Medical Imaging
von: Singh, Pooja, et al.
Veröffentlicht: (2025)

Boosting 3D Neuron Segmentation with 2D Vision Transformer Pre-trained on Natural Images
von: Cheng, Yik San, et al.
Veröffentlicht: (2024)

Post-Training Quantization for 3D Medical Image Segmentation: A Practical Study on Real Inference Engines
von: Qu, Chongyu, et al.
Veröffentlicht: (2025)