用于像素对比学习的类内细分：在半监督心脏图像分割中的应用
计算机视觉与模式识别
2026-02-03 v1
摘要
我们提出了一种用于心脏图像分割的类内细分像素对比学习（SPCL）框架，以解决边界处的表征污染问题。提出了新颖的概念“无关样本”（Unconcerned sample），用于区分同一类内内部区域和边界区域的像素表征，从而促进对类内变化的更清晰刻画。提出了一种用于边界表征的新型边界对比损失，以增强跨边界的表征判别力。从理论上分析了无关样本和边界对比损失的优势。在公开心脏数据集上的实验结果表明，SPCL显著提升了分割性能，在分割质量和边界精度方面优于现有方法。我们的代码可在 https://github.com/Jrstud203/SPCL 获取。
引用
@article{arxiv.2602.00174,
title = {Intra-Class Subdivision for Pixel Contrastive Learning: Application to Semi-supervised Cardiac Image Segmentation},
author = {Jiajun Zhao and Xuan Yang},
journal= {arXiv preprint arXiv:2602.00174},
year = {2026}
}
备注
5 pages, 7 figures, accepted by ICASSP 2026