提升图像分割质量: 通过惩罚邻近像素实现拓扑准确性
计算机视觉与模式识别
2026-03-20 v1
摘要
标准的深度学习模型用于图像分割无法保证拓扑准确性，无法保持正确的连通分量数量或结构。这种情况会影响分割质量并损害后续定量分析的可靠性。以往的工作提出通过专门框架、架构和损失函数来增强拓扑准确性，但这些方法往往繁琐难以集成到现有的训练管道中，计算代价高昂，或仅限于管状结构的形态。我们提出了SCNP方法，通过惩罚 logits 中最易误分类的邻近像素来提高拓扑准确性，迫使模型在允许其自身像素改进之前，先改善相邻像素的预测。我们在13个数据集上展示了SCNP的有效性，这些数据集涵盖不同的结构形态和图像模态，并将其集成到语义分割和实例分割的三个框架中。此外，我们展示了SCNP可以集成到多个损失函数中，从而提升拓扑准确性。我们的代码可在 https://jmlipman.github.io/SCNP-SameClassNeighborPenalization 查阅。
引用
@article{arxiv.2603.18671,
title = {Towards High-Quality Image Segmentation: Improving Topology Accuracy by Penalizing Neighbor Pixels},
author = {Juan Miguel Valverde and Dim P. Papadopoulos and Rasmus Larsen and Anders Bjorholm Dahl},
journal= {arXiv preprint arXiv:2603.18671},
year = {2026}
}
备注
Accepted to CVPR 2026