基于隐藏马尔可夫随机场与 U-Net 的聚氨酯结构微型CT扫描无监督分段
计算机视觉与模式识别
2026-02-12 v1
摘要
从图像中提取数字材料表征是进行材料属性定量分析的必要前提。过去已广泛研究不同的分段方法以实现此任务，但往往缺乏准确性或速度。随着机器学习的出现，监督式卷积神经网络（CNN）在不同分段任务上取得了最佳性能。然而，这些模型通常以监督方式训练，需要大量标记数据集。无监督方法无需学习ground-truth数据，但 suffer from 分段时间长且往往分段准确性更差。隐藏马尔可夫随机场（HMRF）是一种无监督分段方法，融合了邻域概念和类分布。我们提出一种方法，将HMRF理论与CNN分段集成，利用两者优势：无监督学习和快速分段速度。我们检验了不同邻域项和组件对无监督HMRF损失的贡献。我们展示，HMRF-UNet能够在聚氨酯（PU）泡沫结构的微型计算断层扫描（Micro-Computed Tomography, CT）图像数据集上实现高分段准确性，无需ground-truth。最后，我们提出并展示了一种预训练策略，显著减少训练分段模型所需的ground-truth数据量。
引用
@article{arxiv.2511.11378,
title = {Unsupervised Segmentation of Micro-CT Scans of Polyurethane Structures By Combining Hidden-Markov-Random Fields and a U-Net},
author = {Julian Grolig and Lars Griem and Michael Selzer and Hans-Ulrich Kauczor and Simon M. F. Triphan and Britta Nestler and Arnd Koeppe},
journal= {arXiv preprint arXiv:2511.11378},
year = {2026}
}