Skeleton-Recall Loss 是否真的有效？
计算机视觉与模式识别
2025-08-18 v1 人工智能
摘要
图像分割是计算机视觉中重要且广泛执行的任务。要在多样化的场景中实现有效的图像分割，往往需要定制的模型架构和损失函数。一类专注于分割细薄管状结构的模型基于拓扑保持损失函数。这些模型常利用称为骨架化(pixels skeletonization)的像素化过程，声称可生成更精确的薄管分割掩码，并更好地捕捉其他模型常忽略的结构。由 Kirchhoff 等人提出的 Skeleton Recall Loss (SRL) 被声称在基准薄管数据集上取得最先进的结果。本文对 SRL 损失的梯度进行理论分析。我们在部分薄管数据集上测试了所提方法（包括原始工作中使用的资料，以及一些额外的数据集），发现基于 SRL 的分割模型性能并未超过传统基线模型。通过提供理论解释和实证证据，本文对基于拓扑的损失函数局限性进行了批判性评估，为致力于开发更有效的复杂管状结构分割模型的研究者提供了宝贵的见解。
引用
@article{arxiv.2508.11374,
title = {Does the Skeleton-Recall Loss Really Work?},
author = {Devansh Arora and Nitin Kumar and Sukrit Gupta},
journal= {arXiv preprint arXiv:2508.11374},
year = {2025}
}