少监督，更多见识：基于原型引导提示的无训练核实例分割
计算机视觉与模式识别
2026-05-19 v2
摘要
准确的核实例分割是计算病理学中的关键任务，支持数据驱动的临床洞察并促进下游转化应用。虽然大型视觉基础模型在零样图生物分割方面显示出前景，但大多数现有方法仍依赖稠密监督和计算密集的微调。因此，训练无关的方法备受关注，但仍 largely 未被探索。本文引入了 SPROUT，一个完全无训练和无标注的核实例分割提示框架。SPROUT 利用组织学先验信息构建与切片相关的参考原型，以减小域间差距。这些原型通过部分最优传输方案逐步引导特征对齐。最终得到的前景和背景特征被转换为正负点提示，使 Segment Anything Model (SAM) 能够在无任何参数更新的情况下生成精确的核边界。广泛的实验在多个组织病理基准上表明，SPROUT 在无监督或再训练的情况下实现了竞争性能，建立了可扩展的无训练核实例分割新范式。
引用
@article{arxiv.2511.19953,
title = {Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting},
author = {Wen Zhang and Qin Ren and Wenjing Liu and Haibin Ling and Chenyu You},
journal= {arXiv preprint arXiv:2511.19953},
year = {2026}
}
备注
ICML 2026; 44 pages, 25 figures, 26 tables; Code at https://github.com/Y-Research-SBU/SPROUT