从边界到语义：基于提示的石英薄片分割的多任务学习
计算机视觉与模式识别
2026-04-17 v1
摘要
颗粒边缘分割 (GES) 和岩相语义分割 (LSS) 是量化岩石纹理和成分的两个关键任务。然而，这两个任务通常被单独处理，分割质量虽好但数据集昂贵、耗时且需要专家标注。最近，基础模型，特别是 Segment Anything Model (SAM)，在边界对齐方面表现出色。然而，直接将 SAM 应用于联合 GES 和 LSS 并不容易，主要原因是 1) 由于消光相关的颜色变化和超细颗粒边缘导致的显著领域差距，以及 2) 缺乏针对多角度石英图像堆栈进行联合学习的新模块。本文提出了 Petro-SAM，一个新颖的两阶段多任务框架，可在石英图像上实现高质量的联合 GES 和 LSS。具体而言，基于 SAM，我们引入一个合并模块来整合七个偏振视图，有效解决了消光问题。此外，我们引入多尺度特征融合和颜色熵先验来细化检测。
引用
@article{arxiv.2604.14805,
title = {From Boundaries to Semantics: Prompt-Guided Multi-Task Learning for Petrographic Thin-section Segmentation},
author = {Yili Ren and Shiqi Wen and Li Hou and Dingwen Xiao and Weiming Zhang and Caleb Chen Cao and Lin Wang and Zilu Zheng and Qianxiao Su and Mingjun Zhao and Lei Chen},
journal= {arXiv preprint arXiv:2604.14805},
year = {2026}
}