rNCA：自修复分割掩码
计算机视觉与模式识别
2025-12-16 v1 机器学习
图像与视频处理
摘要
准确预测拓扑正确的掩码仍是通用分割模型面临的难题，这些模型常常产生碎片化或不连续的输出。修复这些瑕疵通常需要手工制作的细化规则或针对特定任务的专用体系结构。本文表明，神经细胞自动机（NCA）可以直接被重新定位为有效的细化机制，利用由图像上下文引导的局部、迭代更新来修复分割掩码。通过在不完美的掩码和真实值上训练，自动机学习目标形状的结构属性，同时仅依赖局部信息。在应用于粗糙、全球预测的掩码时，所学的动力学逐步重新连接断开的区域、修剪松散的碎片并趋向于稳定、拓扑一致的结果。我们展示了细化 NCA（rNCA）可以轻松地应用于修复不同基本分割模型和任务产生的常见拓扑错误：对于碎片化的视网膜血管，Dice/clDice 提升 2-3%，Betti 错误改善， 错误降低 60%， 降低 20%；对于心肌，零样本设置下修复 61.5% 的断开案例，同时将 ASSD 和 HD 降低 19% 和 16%。这表明 NCA 作为有效且广泛可用的细化器。
引用
@article{arxiv.2512.13397,
title = {rNCA: Self-Repairing Segmentation Masks},
author = {Malte Silbernagel and Albert Alonso and Jens Petersen and Bulat Ibragimov and Marleen de Bruijne and Madeleine K. Wyburd},
journal= {arXiv preprint arXiv:2512.13397},
year = {2025}
}