身份感知 U-Net：通过身份感知表示学习实现精细细胞分割

精确分割具有高度相似形状的物体仍是稠密预测中的具有挑战性的问题，尤其在边界模糊、实例重叠和视觉差异微弱的场景下。虽然常规分割模型在定位物体区域方面有效，但往往缺乏区分目标物体与形态相似干扰项所需的判别能力。本文从身份感知视角研究细粒度物体分割，提出 Identity-Aware U-Net（IAU-Net），一个统一框架同时建模空间定位与实例判别。基于 U-Net 结构的编码器-解码器架构，我们的方法在分割主干上增添了一个辅助嵌入分支，从高层特征中学习判别性身份表示，同时主分支预测像素级掩码。为增强区分轮廓或纹理接近的物体的鲁棒性，我们进一步引入基于三元组的度量学习，该机制将目标一致嵌入拉近并与相似形态的硬负例分离。这一设计使模型能够超越类别级分割，获得对视觉相似物体进行精确判别的更强能力。实验在包括细胞分割在内的基准数据集上进行，尤其在包含相似轮廓、密集布局和边界模糊的复杂案例中取得令人鼓舞的成绩。