基于局部聚合的自监督图像表示学习用于细胞轮廓
计算机视觉与模式识别
2025-10-28 v2
摘要
图像基细胞轮廓旨在创建细胞图像的有信息表示。该技术是药物发现中的关键技术，近期计算机视觉的进步使其取得了大大发展。受近期非对比式自监督学习(SSL)发展的启发，本文初步探索了如何使用此类方法为细胞图像训练一个通用特征提取器。然而，存在两个主要挑战：1) 不同于典型场景下每个表示基于单个图像，细胞轮廓常涉及多个输入图像，难以有效融合所有可用信息；2) 细胞图像与自然图像的分布差异巨大，导致现有SSL方法的视图生成过程失效。为解决这些问题，我们提出一种采用局部聚合的自监督框架，以提高细胞表示之间的跨站一致性。我们引入专为细胞图像设计的专门数据增强和表示后处理方法，有效解决了上述问题并构建了一个稳健的特征提取器。通过这些改进，我们的方法在CVPR 2025 Cell Line Transferability挑战中夺得冠军。
引用
@article{arxiv.2506.14265,
title = {Self-supervised Representation Learning with Local Aggregation for Image-based Profiling},
author = {Siran Dai and Qianqian Xu and Peisong Wen and Yang Liu and Qingming Huang},
journal= {arXiv preprint arXiv:2506.14265},
year = {2025}
}
备注
CVPR 2025 Computer Vision for Drug Discovery