CellStyle：通过风格迁移改进零样本细胞分割
机器学习
2026-01-27 v2 计算机视觉与模式识别
摘要
细胞显微成像数据十分丰富，但相应的分割标注仍然稀缺。此外，细胞类型、成像设备和染色技术的差异在数据集之间引入了显著的域差异。因此，即使在多样化数据集（源数据集）上训练的大型预训练分割模型也难以泛化到未见数据集（目标数据集）。为克服这一泛化问题，我们提出了 CellStyle，它在不要求目标数据集标注的情况下提升了此类模型的分割质量，从而实现零样本适应。CellStyle 将未标注目标数据集的属性（如纹理、颜色和噪声）迁移到已标注的源数据集。该迁移在保留源图像细胞形态的同时进行，确保现有源标注仍可使用，同时保持目标数据集的视觉特征。带有现有标注的风格化合成图像使得通用分割模型能够针对未标注的目标数据进行微调。我们通过基于风格迁移数据微调多种分割模型，证明了 CellStyle 在多样化数据集上显著提升了零样本细胞分割的性能。代码将公开发布。
引用
@article{arxiv.2503.08603,
title = {CellStyle: Improved Zero-Shot Cell Segmentation via Style Transfer},
author = {Rüveyda Yilmaz and Zhu Chen and Yuli Wu and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2503.08603},
year = {2026}
}