无监督深度学习遇见Chan-Vese模型
计算机视觉与模式识别
2022-04-15 v1
摘要
Chan-Vese（CV）模型是图像分割中经典的基于区域的方法。然而，其分段常数假设并不总是适用于实际应用。已有许多改进被提出，但此问题远未很好解决。本工作中，我们提出一种将CV模型与深度神经网络相结合的无监督图像分割方法，显著提升了原始CV模型的分割精度。我们的基本思路是应用一个将图像映射到潜空间深度神经网络，以缓解图像空间中分段常数假设的违背。我们在经典贝叶斯框架下表述该思路，用证据下界（ELBO）项近似似然，同时保留CV模型中的先验项。因此，我们的模型仅需输入图像本身，不需要外部数据集的预训练。此外，我们将该思路扩展到多相情况以及基于数据集的无监督图像分割。大量实验验证了模型的有效性，并表明所提方法明显优于其他无监督分割方法。
引用
@article{arxiv.2204.06951,
title = {Unsupervised Deep Learning Meets Chan-Vese Model},
author = {Dihan Zheng and Chenglong Bao and Zuoqiang Shi and Haibin Ling and Kaisheng Ma},
journal= {arXiv preprint arXiv:2204.06951},
year = {2022}
}