学习在神经影像中上采样 3D 分割

从粗略标注中获取高分辨率（HR）分割是计算机视觉中普遍存在的挑战。应用场景包括从视觉 Transformer 中的 token 级标签推断像素级分割、将粗略掩码上采样到全分辨率，以及将标注从旧版低分辨率（LR）数据集迁移到现代 HR 图像。这些挑战在 3D 神经影像中尤为严峻，因为人工标注成本高昂且分辨率不断提升。我们提出了一个可扩展的框架，通过回归符号距离图实现跨分辨率和领域的泛化，从而实现平滑的、具有边界感知的监督。关键在于，我们的模型一次只预测一个类别，这大大减少了训练和推理期间的内存使用（对于大型 3D 体素至关重要），并自然支持对未见类别的泛化。通过在合成的、领域随机化的数据上进行训练，泛化能力得到进一步提高。我们在超高分辨率（UHR）人类大脑 MRI（约 100 {\mu}m）上验证了我们的方法，其中大多数现有方法在 1 mm 分辨率下运行。我们的框架有效地将此类标准分辨率的分割上采样到 UHR 细节。在合成和真实数据上的结果表明，与常规分割方法相比，其具有卓越的可扩展性和泛化能力。代码获取地址：https://github.com/HuXiaoling/Learn2Upscale。