基于 Kendall 形状空间的概率 U-Net 用于几何感知图像分割

计算机视觉中的一个基本问题是图像分割，即检测给定图像中distinct区域或对象的任务。深度神经网络（DNN）被证明在分割具有挑战性的图像方面非常有效，能够产生令人信服的分割结果。还有进一步需要能够反映输入图像和模型不确定性的概率 DNN，即能够生成多个合理分割及其分布的新型 DNN，这取决于输入或模型不确定性。虽然已有概率分割模型，但许多模型未考虑分割区域所具有的几何或形状。本文提出了一种能够纳入分割几何的概率图像分割模型。我们的模型基于 \cite{kohl2018probabilistic} 的概率 U-Net 生成概率分割，即为输入图像生成多个可能的分割。我们的模型还采用 \cite{vadgama2023kendall} 的 Kendall 形状变分自编码器，在概率 U-Net 的先验网络和后验网络的潜在变量层中编码 Kendall 形状空间。以这种方式将形状空间纳入模型，导致更稳健的分割，具有更一致的空间区域，尊重输入图像中所包含的几何结构。