SynPo：通过高质量负面提示提升训练-free 少样本医学分割
计算机视觉与模式识别
2025-06-23 v2
摘要
大型视觉模型（LVMs）的出现为少样本医学图像分割提供了新机会。然而，现有的基于 LVMs 的训练-free 方法未能有效利用负面提示，在低对比度医学图像上表现不佳。为此，我们提出了 SynPo，一种基于 LVMs（如 SAM）的训练-free 少样本方法，其核心思想是提高负面提示的质量。为更可靠地选择点提示，我们设计了一种新的置信度图协同模块，通过结合 DINOv2 和 SAM 的优势实现。基于置信度图，我们选取前 k 个像素作为正点集合，并使用高斯分布选择负点集合，随后对两组点独立进行 K 均值聚类。然后，这些选中的点作为高质量提示用于 SAM 以获得分割结果。广泛的实验表明，SynPo 的性能不输于最先进的基于训练的少样本方法。
引用
@article{arxiv.2506.15153,
title = {SynPo: Boosting Training-Free Few-Shot Medical Segmentation via High-Quality Negative Prompts},
author = {Yufei Liu and Haoke Xiao and Jiaxing Chai and Yongcun Zhang and Rong Wang and Zijie Meng and Zhiming Luo},
journal= {arXiv preprint arXiv:2506.15153},
year = {2025}
}
备注
MICCAI 2025 Early Accept. Project Page: https://liu-yufei.github.io/synpo-project-page/