当前的目标分割模型难以兼顾分割性能与推断效率，为此提出一种基于尺度注意知识迁移的自蒸馏目标分割方法。首先，构建了一个仅利用主干特征的目标分割网络作为推断网络，实现高效的前向推断过程。其次，提出了一种基于尺度注意知识的自蒸馏学习模型：一方面，设计了具有尺度注意机制的金字塔特征模块，利用尺度注意机制自适应地捕获不同语义水平的上下文信息，提取更具区分性的自蒸馏知识；另一方面，融合交叉熵、KL（Kullback-Leibler）散度和L2距离构造蒸馏损失，高效驱动蒸馏知识向分割网络迁移，提升泛化性能。该方法在COD（Camouflaged Object Detection）、DUT-O（Dalian University of Technology-OMRON）、SOC（Salient Objects in Clutter）等五个目标分割数据集上进行了验证：将所提推断网络作为基准网络，所提自蒸馏模型分割性能在F_β 指标上平均提升3.01%，比免教师（TF）自蒸馏模型增加了1.00%；所提网络与近期的残差分割网络（R2Net）相比，参数量减少了2.33×10⁶，推断帧率提升了2.53%，浮点运算量减少了40.50%，分割性能提升了0.51%。实验结果表明：所提方法能有效兼顾性能与效率，适用于计算和存储资源受限的应用场景。

近年来，生成对抗网络（GAN）用于低剂量CT（LDCT）伪影抑制表现出一定性能优势，已成为该领域新的研究热点。由于伪影分布不规律且与正常组织位置息息相关，现有GAN网络的降噪性能受限。针对上述问题，提出了一种基于伪影感知GAN的LDCT降噪算法。首先，设计了伪影方向感知生成器，该生成器在U型残差编解码结构的基础上增加了伪影方向感知子模块（ADSS），从而提高生成器对伪影方向特征的敏感度；其次，设计了注意力判别器（AttD）来提高对噪声伪影的鉴别能力；最后，设计了与网络功能相对应的损失函数，通过多种损失函数协同作用来提高网络的降噪性能。实验结果表明，与高频敏感GAN（HFSGAN）相比，该降噪算法的平均峰值信噪比（PSNR）和结构相似度（SSIM）分别提升了4.9%和2.8%，伪影抑制效果良好。