用于秀丽隐杆线虫自监督标注的循环一致多图匹配
计算机视觉与模式识别
2026-03-04 v3
摘要
在这项工作中，我们提出了一种无监督多图匹配的新方法，适用于可假设关键点特征服从高斯分布的问题。我们利用循环一致性作为自监督学习的损失，并通过贝叶斯优化确定高斯参数，产生了一种可扩展至大型数据集的高效方法。我们完全无监督的方法在秀丽隐杆线虫 3D 显微镜图像中语义细胞标注的生物医学用例上，达到了 SOTA 监督方法的准确度。为此，我们的方法产生了首个秀丽隐杆线虫的无监督图谱，即其所有细胞核联合分布的模型，而无需任何真实细胞标注。这一进展使得能够对大型显微镜数据集中的细胞进行高效的语义标注，克服了当前的关键瓶颈。除秀丽隐杆线虫外，我们的方法还能为任何具有固定身体结构且细化至唯一语义细胞标签水平的模式生物提供完全无监督的细胞级图谱构建，因此有望促进一系列其他物种的相关生物医学研究。
引用
@article{arxiv.2503.07348,
title = {Cycle-Consistent Multi-Graph Matching for Self-Supervised Annotation of C.Elegans},
author = {Christoph Karg and Sebastian Stricker and Lisa Hutschenreiter and Bogdan Savchynskyy and Dagmar Kainmueller},
journal= {arXiv preprint arXiv:2503.07348},
year = {2026}
}