TopoLoRA-SAM：面向薄结构与跨域二值语义分割的拓扑感知参数高效适配基础分割器
计算机视觉与模式识别
2026-01-06 v1 人工智能
机器学习
摘要
诸如Segment Anything Model (SAM)等基础分割模型通过大规模预训练表现出强大的零样本泛化能力，但将其适应特定领域的语义分割仍具有挑战性，尤其是针对薄结构（如视网膜血管）和噪声模态（如SAR遥感影像）。完全微调计算昂贵且易导致灾难性遗忘。我们提出了TopoLoRA-SAM，一种面向二值语义分割的拓扑感知参数高效适配框架。TopoLoRA-SAM将Low-Rank Adaptation (LoRA)注入冻结的ViT编码器，增添轻量级空间卷积适配器，并可选用通过可微分clDice实现拓扑感知监督。我们在覆盖视网膜血管分割（DRIVE, STARE, CHASE_DB1）、结肠息肉分割（Kvasir-SEG）以及SAR海陆分割（SL-SSDD）的五个基准数据集上进行评估，与U-Net、DeepLabV3+、SegFormer和Mask2Former进行比较。TopoLoRA-SAM在所有数据集上实现了最佳视网膜平均Dice分数和最佳整体平均Dice分数，仅使用了约4.9M参数（约5.2%的模型参数）。在具有挑战性的CHASE_DB1数据集上，我们的方法显著提高了分割精度和鲁棒性，证明了拓扑感知参数高效适配能够匹配甚至超越完全微调的专家模型。代码可在：https://github.com/salimkhazem/Seglab.git 获取。
引用
@article{arxiv.2601.02273,
title = {TopoLoRA-SAM: Topology-Aware Parameter-Efficient Adaptation of Foundation Segmenters for Thin-Structure and Cross-Domain Binary Semantic Segmentation},
author = {Salim Khazem},
journal= {arXiv preprint arXiv:2601.02273},
year = {2026}
}