示例：经典先验补充了原始分辨率下少镜头显微镜分割的冻结特征

分割新的生物医学数据集通常意味着在大量注释上训练的特定领域模型，或在推理时引导的基础模型。我们推出了 Exemplar，一种少镜头分割器，它将冻结的 DINOv3 主干与一组固定的经典原始分辨率滤波器响应融合在一个轻量级头部中，仅由支撑掩模安装。在少掩模、原始分辨率的情况下，经典先验和冻结的自我监督特征是互补的：融合在一个头部中，单个固定配置跨越十一个生物医学成像数据集。在相同的头下，仅经典银行在 11 个数据集面板上达到 0.693，通过前景交集或中心线 Dice 进行评分，而仅冻结特征为 0.672；银行在 11 个特征中的 7 个上领先，而在其余特征上则领先，融合后它们达到 0.782。与五种前向传递少样本方法相比，Exemplar 在 55 次方法数据集比较中的 54 次中领先，其中 52 次在 Holm 校正后显着。从单个带注释的掩模中，它在同一面板上达到 0.703，而在同一掩模上训练的从头开始的 nnU-Net 则达到 0.682。在 8 个掩模处，nnU-Net 在面板平均值上超过了它，主要是在中心线一致性方面，但需要 16-77 倍的时间才能适应。