利用基于骨架的方法增强边界分割的拓扑准确性
计算机视觉与模式识别
2026-05-27 v2 人工智能
摘要
拓扑一致性在网状图像的边界分割任务中起着至关重要的作用，例如神经元电子显微镜图像中的细胞膜分割、材料显微图像中的晶界分割和航拍图像中的道路分割。在这些领域，分割结果的拓扑变化对下游任务有严重影响，甚至可能超过边界本身错位的影响。为了提高分割结果的拓扑准确性，我们提出了 Skea-Topo Aware 损失，这是一种考虑每个对象形状和像素拓扑显著性的新型损失函数。它由两个部分组成。首先，骨架感知加权损失通过用骨架更好地建模对象几何形状来提高分割精度。其次，边界校正项利用真实值和预测中的前景与背景骨架，有效识别并强调预测误差中的拓扑关键像素。实验证明，基于三个不同边界分割数据集的客观和主观评估，与 13 种最先进的方法相比，我们的方法在 VI 指标上将拓扑一致性提高了多达 7 个百分点。代码可在 https://github.com/clovermini/Skea_topo 获取。
引用
@article{arxiv.2404.18539,
title = {Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods},
author = {Chuni Liu and Boyuan Ma and Xiaojuan Ban and Yujie Xie and Hao Wang and Weihua Xue and Jingchao Ma and Ke Xu},
journal= {arXiv preprint arXiv:2404.18539},
year = {2026}
}