铜铬锆框直径检测不再靠人工卡尺：零样本分割加自适应边缘，五件新框误差压到2.4–6.3微米
北京怀柔高能同步辐射光源的铜铬锆框直径检测改用一套全自动视觉测量流程：先用SAM3零样本分割出目标区域，再用SAM-Canny自适应确定膨胀核与双阈值提取边缘，最后用WOA-RBF神经网络按不同材料区域的灰度特征补偿光照引起的偏差。在五件新框的泛化测试中，算法误差保持在2.4–6.3微米，而人工千分尺测量的误差最高达32.1微米。
病灶分割不再逐处画框：给SAM3一个概念提示，13个数据集跨模态勾出11类病灶
SAM3在13个数据集、11类病灶上以文本或图像范例作为概念提示完成分割，在10个数据集上Dice优于SAM2，其中ISLES22提高4.41、ISIC2018提高5.39。
TSegAgent 用 SAM3 加几何推理实现零样本牙齿分割与 FDI 识别，在 Teeth3DS 上 mIoU 93.37、TIR=1 达 87.17%，并在私有数据集上保持泛化
该工作提出 TSegAgent，把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题：先用多视角渲染（含曲率热图）配合 SAM3 文本提示“tooth”生成候选掩膜，再按 IoU 与包含关系合并为面级实例标签，随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正；在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17，在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5
DA-SAM3 用双自适应低秩专家路由，在四个公开医学分割基准上以超过 80% 的 MoE 参数削减取得约 5% 的精度提升
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
已读完全部报道