流动随机分割网络
计算机视觉与模式识别
2025-07-28 v1 人工智能
机器学习
摘要
我们提出了流动随机分割网络（Flow Stochastic Segmentation Network, Flow-SSN），这是一系列具有离散时间自回归和现代连续时间流变体的生成式分割模型。我们证明了低秩参数化的基本局限性，并表明Flow-SSN能够在不假设秩数或存储分布参数的情况下估计任意高秩的像素级协方差。Flow-SSN相对于标准扩散式分割模型而言更高效地进行采样，因为模型容量的大部分被分配给学习流的基分布，从而构成一个具有表达力的先验。我们将Flow-SSN应用于具有挑战性的医学影像基准测试，取得了最先进的结果。代码已公开：https://github.com/biomedia-mira/flow-ssn。
引用
@article{arxiv.2507.18838,
title = {Flow Stochastic Segmentation Networks},
author = {Fabio De Sousa Ribeiro and Omar Todd and Charles Jones and Avinash Kori and Raghav Mehta and Ben Glocker},
journal= {arXiv preprint arXiv:2507.18838},
year = {2025}
}
备注
Accepted at ICCV 2025