基于粒子球计算的平方超像素生成与表征学习
计算机视觉与模式识别
2026-04-01 v1
摘要
超像素提供了一种保留物体边界和局部结构的紧凑区域基表示，因此广泛用于各种视觉任务中以降低计算成本。然而，大多数现有超像素算法产生不规则形状的区域，这些区域与诸如卷积等规则算子不符。因此，超像素常被作为离线预处理步骤来处理，限制了并行实现的可能性，并阻碍了深度学习管道中的端到端优化。针对粒子球计算的自适应表示和覆盖特性，我们发展了一种平方超像素生成方法。具体而言，我们使用多尺度平方块来近似超像素，以避免由不规则形状引起的计算和实现难题，从而实现高效的并行处理和可学习的特征提取。对于每个块，根据像素强度相似性计算纯净度得分，并据此选择高质量块。生成的平方超像素可以直接作为图神经网络（GNN）中的图节点或视觉转换器（ViT）中的标记，促进多尺度信息聚合和结构化视觉表示。实验结果在下游任务上均表现出一致的性能提升，验证了所提出方法的有效性。
引用
@article{arxiv.2603.29460,
title = {Square Superpixel Generation and Representation Learning via Granular Ball Computing},
author = {Shuyin Xia and Meng Yang and Dawei Dai and Fan Chen and Shilin Zhao and Junwei Han and Xinbo Gao and Guoyin Wang and Wen Lu},
journal= {arXiv preprint arXiv:2603.29460},
year = {2026}
}