Regional Active Contours based on Variational level sets and Machine Learning for Image Segmentation
IMT Institute for Advanced Studies Lucca（卢卡高等研究院）
图像分割是将图像分割成不同子集的问题，其中每个子集可以在颜色、强度、纹理和/或其他特征方面具有不同的表征。分割是图像处理的一个基本组成部分，在计算机视觉、目标识别和目标跟踪中起着重要的作用。主动轮廓模型（ACM）构成了一个强大的基于能量的最小化框架的图像分割，它依赖于轮廓演化的概念。从一个初始的猜测开始，轮廓演变的目的是更好地逼近实际对象的边界。以高效、有效和鲁棒的方式处理复杂图像是一个真正的挑战，特别是在存在强度不均匀性、前景/背景强度分布之间的重叠、以许多不同强度为特征的对象和/或加性噪声的情况下。在这篇论文中，为了应对这些挑战，我们提出了一些图像分割模型依赖于变分水平集方法和特定种类的神经网络，处理复杂的图像在监督和无监督的方式。实验结果表明，高精度的分割结果，所提出的模型在各种基准合成和真实图像相比，国家的最先进的活动轮廓模型。
2015-10-31 cs.CV
Contour Proposal Networks for Biomedical Instance Segmentation
Research Centre Jülich（于利希研究中心）；Heinrich Heine University（海因里希·海涅大学）；University Hospital Düsseldorf（杜塞尔多夫大学医院）
我们提出了一个概念上简单的框架对象实例分割称为轮廓建议网络（CPN），它检测可能重叠的对象在图像中，同时拟合封闭的对象轮廓使用可解释的，固定大小的表示傅立叶描述符的基础上。CPN可以将最先进的目标检测架构作为骨干网络并入到可以端到端训练的单级实例分割模型中。我们构建了具有不同骨干网络的CPN模型，并将其应用于不同模态数据集中细胞的实例分割。在我们的实验中，我们展示了在实例分割准确性方面优于U-Nets和Mask R-CNN的CPNs，并展示了具有适合实时应用的执行时间的变体。经过训练的模型在不同的细胞类型领域都有很好的泛化能力。由于该框架的主要假设是封闭的对象轮廓，它适用于广泛的检测问题，也在生物医学领域之外。PyTorch中模型架构的实现是免费的。
2021-04-07 cs.CV
SharpContour: A Contour-based Boundary Refinement Approach for Efficient and Accurate Instance Segmentation
Birmingham University（伯明翰大学）；The University of Hong Kong（香港大学）；CUHK-Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
在实例分割方面取得了很好的效果，但在边界区域的质量仍然不令人满意，这导致边界细化越来越受到人们的关注。在实际应用中，一个理想的后处理精化方案需要准确、通用和高效。然而，大多数现有的方法提出逐像素细化，这要么引入大量的计算成本，要么专门针对不同的骨干模型设计。基于轮廓的模型是有效的和通用的，可以与任何现有的分割方法相结合，但他们往往会产生过度平滑的轮廓，并往往失败的角落地区。在本文中，我们提出了一个有效的基于轮廓的边界细化方法，命名为SharpContour，以解决边界区域的分割。我们设计了一个新的轮廓进化过程与实例感知点分类器。我们的方法通过以离散方式更新偏移量来迭代地变形轮廓。与现有的轮廓演化方法不同，SharpContour更独立地估计每个偏移，从而预测更清晰和准确的轮廓。值得注意的是，我们的方法是通用的，可以以较小的计算成本无缝地与各种现有模型一起工作。实验表明，SharpContour在保持高效率的同时，
2022-03-24 cs.CV
Recurrent Generic Contour-based Instance Segmentation with Progressive Learning
University of Science and Technology of China（中国科学技术大学）；Zhangjiang Laboratory（张江实验室）；The University of Adelaide（阿德莱德大学）；Australian Institute for Machine Learning（澳大利亚机器学习研究所）
本文提出 PolySnake 循环轮廓细化网络，通过迭代更新与语义表示实现通用实例分割，并在场景文本和车道检测任务上验证其泛化优势。
2024-01-22 cs.CV
Saliency-Driven Active Contour Model for Image Segmentation
Chung-Ang University（中央大学）；Centre INRIA Sophia Antipolis（索菲亚·安提波利斯国家信息与自动化研究所中心）
活动轮廓模型在图像分割领域取得了显著的成功，它可以将复杂的物体从背景中分割出来，以便进一步分析。现有的主动轮廓模型可以分为基于区域的主动轮廓模型和基于边缘的主动轮廓模型。然而，这两种模型使用直接的图像数据来实现分割，并面临许多具有挑战性的问题，在初始轮廓位置，噪声敏感性，局部极小值和效率低下，由于图像强度的不均匀性。图像的显着图改变了图像的表示，使其更直观和有意义。在这项研究中，我们提出了一种新的模型，利用显着图与局部图像信息（LIF）的优点，并克服了以前的模型的缺点。该模型由图像的显著图和局部图像信息驱动，以增强活动轮廓模型的进度。在该模型中，首先计算图像的显著性图，以找到显著性驱动的局部拟合能量。然后，显着性驱动的局部拟合能量与LIF模型相结合，最终产生一个新的能量泛函。这个最终的能量泛函通过水平集公式化，并且添加调节项以更精确地跨越对象边界来演化轮廓。在不同的合成图像、真实图像和公开数据集（包括医学图像）上验证了所提出方法的质量。图像分割结果和定量比较证实了轮廓初始化的独立性，噪声不敏感性，和优越的分割精度相比，其他分割模型。
2022-05-23 cs.CV
Meaningful Objects Segmentation from SAR Images via A Multi-Scale Non-Local Active Contour Model
LIESMARS, Wuhan University（武汉大学测绘遥感信息工程国家重点实验室）；SPL, EIS, Wuhan University（武汉大学电子信息学院信号处理实验室）
合成孔径雷达（SAR）图像的分割是一个长期而具有挑战性的任务，不仅因为斑点噪声的存在，而且由于图像中的表面后向散射特性的变化。在SAR图像分割中，人们对相干斑效应的消除做了大量的研究，但对SAR图像后向散射系数变化的处理却很少。为了克服这两个困难，本文提出了一种新的SAR图像分割方法，利用基于非局部处理原理的多尺度活动轮廓模型。更准确地说，我们首先formulize的SAR分割问题与活动轮廓模型，通过整合非局部之间的相互作用对补丁内部和外部的分割区域。其次，提出了一种多尺度策略，以加快非局部活动轮廓分割过程，避免陷入局部极小值，从而获得更准确的分割结果。仿真和真实SAR图像的实验结果表明，该方法不仅能对相干斑噪声严重、非局部强度变化的SAR图像进行精确分割，而且适用于不同类型传感器的SAR图像。
2015-01-17 cs.CV
Image Segmentation using Chan-Vese Active Contours
本文全面推导并实现了Chan-Vese活动轮廓模型，利用区域强度差异分割图像，在医学和合成图像上验证了其准确性、抗噪性和优于边缘法的性能。
2025-06-24 cs.CV
UCAD: Uncertainty-guided Contour-aware Displacement for semi-supervised medical image segmentation
University of Science and Technology of China（科学技术大学）；Suzhou Institute for Advanced Research（苏州先进研究院）；State Key Laboratory of Precision and Intelligent Chemistry（精密与智能化学国家重点实验室）
UCAD通过基于不确定性的轮廓感知位移框架，提升半监督医学图像分割的准确性和一致性学习效果。
2026-01-24 cs.CV
Walk the Lines 2: Contour Tracking for Detailed Segmentation
University of Hamburg（汉堡大学）
本文提出 WtL2 轮廓跟踪算法，将原 WtL 从彩色舰船扩展到红外舰船和多样化 RGB 物体，以轮廓跟踪替代 NMS 生成 1 像素宽闭合轮廓，实现精细分割并取得高峰值 IoU。
2025-11-07 cs.CV
End-to-End Deep Convolutional Active Contours for Image Segmentation
University of California, Los Angeles（加州大学洛杉矶分校）
活动轮廓模型（ACM）是一种标准的图像分析技术，其众多的变体吸引了多个领域的大量研究关注。然而，不正确的是，ACM的基于微分方程的公式化和对用户初始化的原型依赖性被认为与最近流行的图像分割的深度学习方法在很大程度上不兼容。本文介绍了这两种范式的第一个紧密统一。特别是，我们设计了深度卷积活动轮廓（DCAC），这是一个真正的端到端可训练图像分割框架，包括卷积神经网络（CNN）和具有可学习参数的ACM。ACM的欧拉能量泛函包括由骨干CNN预测的每像素参数图，其也对ACM进行了建模。重要的是，CNN和ACM组件都在TensorFlow中完全实现，整个DCAC架构是端到端自动可区分和反向传播可训练的，无需用户干预。作为一个具有挑战性的测试案例，我们解决了在航拍图像中构建实例分割的问题，并在两个公开的数据集Vaihingen和Bing Huts上评估DCAC。我们的研究结果表明，对于建筑分割，DCAC建立了一个新的国家的最先进的性能，由一个很大的利润。
2019-10-04 cs.CV
A Markov Random Field and Active Contour Image Segmentation Model for Animal Spots Patterns
Universidad de Antioquia UdeA（安蒂奥基亚大学（UdeA））；Instituto Tecnológico Metropolitano ITM（大都会理工学院（ITM））
使用图像的非侵入性动物生物识别技术允许分析具有条纹和斑点等图案的表型种群和个体，而不会影响研究对象。然而，非侵入式生物识别技术需要训练有素的主体或计算机视觉算法的开发，以简化识别任务。在这项工作中，经典的分割方法，需要监督调整其参数，如阈值，自适应阈值，直方图均衡化，饱和度校正的分析。与此相反，一个通用的无监督算法，使用马尔可夫随机场（MRF）的斑点模式分割的建议。活动轮廓用于使用MRF输出作为种子来增强结果。作为研究对象的Diploglossus millepunctatus蜥蜴。所提出的方法实现了$91.11\%$的最大效率。
2015-10-26 cs.CV
Contour Field based Elliptical Shape Prior for the Segment Anything Model
University of Science and Technology of China（中国科学技术大学）
针对SAM难以高效生成椭圆形状分割结果的问题，提出一种参数化椭圆轮廓场约束方法，通过变分法和对偶算法将椭圆先验与图像特征融合，提升特定任务分割精度。
2026-06-11 cs.CV
Active contours driven by local and global intensity fitting energy with application to SAR image segmentation and its fast solvers
Yantai Science and Technology Association（烟台科技协会）
提出一种基于Aubert-Aujol去噪模型的变分主动轮廓模型，混合测地线主动轮廓与无边缘主动轮廓模型，用于分割乘性伽马噪声图像，并引入两个快速不动点算法求解SAR图像分割问题。
2026-07-03 cs.CV
End-to-End Trainable Deep Active Contour Models for Automated Image Segmentation: Delineating Buildings in Aerial Imagery
University of California, Los Angeles（加州大学洛杉矶分校）
遥感图像中建筑物的自动分割是一项具有挑战性的任务，需要在通常较大的图像区域上准确描绘多个建筑物实例。手动方法通常很费力，目前基于深度学习的方法无法描述所有建筑实例，并且无法以足够的准确性做到这一点。作为一种解决方案，我们提出了可训练的深度活动轮廓（TDACs），这是一种自动图像分割框架，它将卷积神经网络（CNN）和活动轮廓模型（ACM）紧密结合在一起。ACM分量的欧拉能量泛函包括由骨干CNN预测的每像素参数图，其也对ACM进行建模。重要的是，ACM和CNN组件都在TensorFlow中完全实现，整个TDAC架构是端到端自动可区分和反向传播可训练的，无需用户干预。TDAC产生快速，准确，全自动同时描绘任意多个建筑物的图像。我们在两个公开的航空图像数据集上验证了该模型用于建筑物分割，我们的结果表明，TDAC建立了一个新的最先进的性能。
2020-07-22 cs.CV
Contour Flow Constraint: Preserving Global Shape Similarity for Deep Learning based Image Segmentation
School of Mathematical Sciences, Beijing Normal University（北京师范大学数学系）
本文提出轮廓流约束，通过形状损失和CFSSnet两种方式集成到深度分割网络，提升分割精度与全局形状相似性，并在含噪图像上表现鲁棒。
2025-07-19 cs.CV
Multi-feature driven active contour segmentation model for infrared image with intensity inhomogeneity
School of Electronic and Optical Engineering, Nanjing University of Science and Technology（南京理工大学电子工程与光电技术学院）；Shanghai Institute of Spaceflight Control Technology（上海航天控制技术研究所）
红外（IR）图像分割在行人监控、车辆计数、安全监控等城市防御应用中是必不可少的。主动轮廓模型（ACM）是目前应用最广泛的图像分割工具之一，但现有方法仅利用图像的局部或全局单一特征信息来最小化能量函数，容易造成红外图像的误分割。本文提出了一种多特征驱动的活动轮廓分割模型来处理灰度不均匀的红外图像。该方法首先将由全局平均灰度信息计算得到的全局信息与由局部熵、局部标准差和梯度信息计算得到的局部多特征信息相结合，构造了一种特殊设计的有符号压力（SPF）函数。然后，利用局部范围计算的自适应权系数对上述全局项和局部项进行调整。接下来，将SPF函数代入水平集公式（LSF）中进行进一步的进化。最后，经过有限次迭代，LSF收敛，并由相应的收敛结果得到红外图像分割结果。实验结果表明，该方法在红外测试图像的准确率和重叠率方面优于现有模型。
2020-11-25 cs.CV
Deep Snake for Real-Time Instance Segmentation
Zhejiang University（浙江大学）；Deepwise AI Lab（深睿医疗人工智能实验室）
本文介绍了一种新的基于轮廓的方法，称为深蛇的实时的【形】实例分割。与最近的一些直接从图像中回归对象边界点坐标的方法不同，Deep Snake使用神经网络来迭代地变形初始轮廓以匹配对象边界，这实现了基于学习的Snake算法的经典思想。对于轮廓上的结构化特征学习，我们建议在深蛇中使用循环卷积，与通用图卷积相比，它更好地利用了轮廓的循环图结构。基于Deep Snake，我们开发了一个用于实例分割的两阶段流水线：初始轮廓建议和轮廓变形，可以处理对象定位中的错误。实验结果表明，该方法在Cityscapes、KINS、SBD和COCO数据集上取得了较好的性能，同时在1080 Ti GPU上对512幅$\times$ 512图像的处理速度达到了32.3 fps，对于实时的【形】应用也是有效的。该代码可在https://github.com/zju3dv/snake/上获得。
2020-04-01 cs.CV
MARL-MambaContour: Unleashing Multi-Agent Deep Reinforcement Learning for Active Contour Optimization in Medical Image Segmentation
Sun Yat-sen University（中山大学）；The Australian National University（澳大利亚国立大学）
本文提出首个基于多智能体强化学习的轮廓级医学图像分割框架MARL-MambaContour，通过将轮廓点建模为自主智能体并结合SAC算法、ERAM机制与Mamba策略网络，实现了拓扑一致的精确分割。
2025-07-15 cs.CV
ContourFormer: Real-Time Contour-Based End-to-End Instance Segmentation Transformer
Zhuzhou CRRC Times Electric Co., Ltd.（株洲中车时代电气股份有限公司）
本文提出基于DETR范式的实时端到端实例分割算法ContourFormer，通过子轮廓解耦机制和细粒度分布细化技术提升效率与精度，在多个基准数据集上实现准确性与推理速度的显著提升。
2025-04-15 cs.AI cs.CV
Deep Learning of Unified Region, Edge, and Contour Models for Automated Image Segmentation
UNIVERSITY OF CALIFORNIA（加利福尼亚大学）；LOS ANGELES（洛杉矶）
图像分割是计算机视觉中的一个基本且具有挑战性的问题，其应用跨越多个领域，例如医学成像、遥感和自动驾驶车辆。最近，卷积神经网络（CNN）在自动分割管道的设计中获得了牵引力。虽然基于CNN的模型擅长从原始图像数据中学习抽象特征，但它们的性能取决于合适训练数据集的可用性和大小。此外，这些模型通常无法捕获对象边界的细节，并且很难推广到看不见的类。在这篇论文中，我们设计了新的方法来解决这些问题，并建立了强大的表示学习框架，用于医学成像和主流计算机视觉中的全自动语义分割。特别是，我们的贡献包括（1）用于计算机视觉和医学图像分析的最先进的2D和3D图像分割网络，（2）端到端可训练的图像分割框架，该框架将CNN和活动轮廓模型与可学习的参数相结合，以实现快速和鲁棒的对象描绘，（3）分割网络中的边缘和纹理处理的新方法，以及（4）在监督设置和半监督设置两者中的新颖的少样本学习模型，其中利用潜在空间和图像空间之间的协同作用来学习在给定有限的训练数据的情况下分割图像。
2020-06-23 cs.CV
A Local Active Contour Model for Image Segmentation with Intensity Inhomogeneity
The Hong Kong Polytechnic University（香港理工大学）
本文提出了一种新的局部统计活动轮廓模型（ACM），用于灰度不均匀图像的分割。非均匀物体被建模为不同均值和方差的高斯分布，并使用移动窗口将原始图像映射到另一个域，其中非均匀物体的强度分布仍然是高斯分布，但更好地分离。变换域中高斯分布的均值可以通过在窗口内将偏置场与原始信号相乘来自适应地估计。然后，为每个局部区域定义统计能量泛函，其结合偏置场、水平集函数和近似对应对象的真实信号的常数。合成和真实图像上的实验表明，我们提出的算法的优越性，国家的最先进的和代表性的方法。
2013-05-30 cs.CV
A Novel Image Segmentation Enhancement Technique based on Active Contour and Topological Alignments
Faculty of Computer Science, Universiti Teknologi, Malaysia（马来西亚理工大学计算机科学学院）；College of Information Technology, UAE University, UAE（阿联酋大学信息技术学院）
拓扑对准和蛇形线用于图像处理，特别是用于定位对象边界。两者都有各自的优点和局限性。为了改进整个图像边界检测系统，我们重点开发了一种新的图像处理算法。我们提出发展的演算法将以主动轮廓法为基础，结合拓扑对齐法来加强影像侦测的方法。该算法提出了一种新的技术，结合了拓扑对齐和蛇的优点。其中，通过拓扑对齐进行的初始分割首先被转换为snake模型的输入，并开始其向感兴趣的对象边界的演化。实验结果表明，该算法能有效地处理低对比度图像和形状细胞，在弱边界条件下也能达到较好的分割效果，这也是目前图像检测技术精度不高的原因。实现了较好的图像分割和边界检测，提高了系统对低对比度图像的处理能力和对过分割和欠分割的处理能力。
2011-06-02 cs.CV
Contour-Aware Equipotential Learning for Semantic Segmentation
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Ewha Womans University（梨花女子大学）；Zhejiang University（浙江大学）；Zhejiang Lab（之江实验室）
随着业界对高质量语义分割的需求不断增长，难以区分的语义边界对现有解决方案构成了重大威胁。受现实生活经验的启发，即，结合不同的观察有助于更高的视觉识别的信心，我们提出了等位学习（EPL）方法。这个新的模块将预测/地面实况语义标签转移到一个自定义的潜在域，以沿着定制的方向学习和推断决策边界。通过轻量级的可微各向异性卷积实现到势域的转换，而不会产生任何参数开销。此外，设计的点损失和等势线损失两个损失函数分别实现了各向异性场回归和类别级轮廓学习，增强了类间/类内边界区域的预测收敛性。更重要的是，EPL与网络架构无关，因此可以插入大多数现有的分段模型。本文是首次尝试解决边界分割问题的领域回归和轮廓学习。Pascal Voc 2012和Cityscapes上有意义的性能改进表明，所提出的EPL模块在识别语义边界区域时可以使现成的全卷积网络模型受益。此外，通过大量的对比分析，我们发现了语义相似性和形状不规则的范畴在区分语义相似性和形状不规则性方面的优势。
2022-10-01 cs.CV
Free Form based active contours for image segmentation and free space perception
University of Picardie Jules Verne（儒勒·凡尔纳皮卡第大学）；University of Limoges（利摩日大学）；CNRS（法国国家科学研究中心）；XLim Institute（XLim研究所）
在本文中，我们提出了一种新的方法来表示和发展可变形的活动轮廓。该方法结合了分段正则B{é}zier模型和局部自由变形定义的曲线演化。轮廓变形是局部约束的，这使得轮廓收敛几乎线性的复杂性，同时适应各种形状设置和处理拓扑变化的活动轮廓。我们证明了新的主动轮廓计划的有效性，视觉自由空间的感知和分割使用全方位的机器人探索未知的室内和室外环境所获得的图像。几个实验验证了国家的最先进的参数和几何活动轮廓的方法相比，并提供快速和实时的机器人自由空间分割和导航。
2016-06-15 cs.CV cs.RO
Liver Segmentation in Abdominal CT Images via Auto-Context Neural Network and Self-Supervised Contour Attention
Seoul National University（首尔国立大学）；Soong-sil University（崇实大学）
由于肝脏的形状变化大、边界不清晰，因此对肝脏图像的精确分割是一个具有挑战性的问题。虽然全卷积神经网络（CNN）的应用已经显示出突破性的结果，但有限的研究集中在泛化性能上。在这项研究中，我们引入了一个CNN肝脏分割腹部计算机断层扫描（CT）图像，表现出较高的泛化性能和准确性。为了提高泛化性能，我们首先提出了一个自动上下文算法在一个单一的CNN。所提出的自动上下文神经网络利用一个有效的高层次的残差估计，以获得形状先验。相同的双路径被有效地训练以表示相互互补的特征，用于肝脏的准确后验分析。此外，我们通过采用自监督轮廓方案来扩展我们的网络。我们训练稀疏轮廓特征，通过惩罚地面实况轮廓，将更多的轮廓注意力集中在故障上。实验结果表明，该网络的结果在更好的准确性相比，国家的最先进的网络，减少了10.31%的Hausdorff距离。我们使用180个腹部CT图像进行训练和验证。与最先进的神经网络相比，双重交叉验证。新的多个N折交叉验证进行验证的泛化性能。该网络表现出最好的泛化性能的网络。此外，我们提出了一系列的消融实验，全面支持的重要性的基本概念。
2020-02-14 cs.CV
Convolutional Oriented Boundaries: From Image Segmentation to High-Level Tasks
ETHZ（苏黎世联邦理工学院）；Universidad de los Andes（安第斯大学）
我们提出了卷积定向边界（COB），它产生多尺度定向轮廓和区域层次结构从通用图像分类卷积神经网络（CNN）。COB在计算上是高效的，因为它需要单个CNN前向传递来进行多尺度轮廓检测，并且它使用一种新的稀疏边界表示来进行分层分割;它在性能上比最先进的方法有了显著的飞跃，并且它可以很好地推广到看不见的类别和数据集。特别是，我们表明，学习估计不仅轮廓强度，而且方向提供了更准确的结果。我们对BSDS，PASCAL Context，PASCAL Segmentation和NYUD的低级应用程序进行了广泛的实验，以评估边界检测性能，表明COB在所有数据集中提供了最先进的轮廓和区域层次结构。我们还评估了COB的高级别任务时，再加上多个管道的对象建议，语义轮廓，语义分割，和目标检测的MS-COCO，SBD和PASCAL;显示COB也提高了所有任务的结果。
2017-04-28 cs.CV
A locally statistical active contour model for SAR image segmentation can be solved by denoising algorithms
Yantai Science and Technology Association（烟台科技协会）
提出基于I散度-TV去噪模型的局部统计活动轮廓模型，融合GAC和ACWE模型，用于分割乘性伽马噪声图像，并通过反应扩散方程和ROF模型转化实现快速求解。
2026-07-03 cs.CV
Contour-weighted loss for class-imbalanced image segmentation
Peking University（北京大学）
针对医学图像分割中的类别不平衡导致的过分割与欠分割问题，提出融合轮廓加权交叉熵和可分离 dice 的损失函数，在腹部器官与脑肿瘤数据集上提升了分割性能和模型鲁棒性。
2024-06-07 cs.CV eess.IV
CIA-Net: Robust Nuclei Instance Segmentation with Contour-aware Information Aggregation
The Chinese University of Hong Kong（香港中文大学）；Chinese Academy of Sciences（中国科学院）；Imsight Medical Technology, Co., Ltd.（艾迈医疗科技有限公司）；Imperial College London（帝国理工学院）
细胞核实例的准确分割是计算机辅助图像分析中提取丰富特征用于细胞估计和后续诊断以及治疗的关键步骤。尽管它仍然具有挑战性，因为核簇的广泛存在，以及不同器官之间的大的形态差异使得核实例分割容易受到过分割/欠分割的影响。此外，不可避免的主观注释和错误标记阻止了网络从可靠的样本中学习，并最终降低了鲁棒分割不可见器官核的泛化能力。为了解决这些问题，我们提出了一种新的深度神经网络，即轮廓感知信息聚合网络（CIA-Net）与两个任务特定的解码器之间的多级信息聚合模块。它不是独立的解码器，而是通过双向聚合任务特定的特征来利用细胞核和轮廓之间的空间和纹理依赖性的优点。此外，我们提出了一种新的平滑截断损失调制损失，以减少来自离群值的扰动。因此，网络可以专注于从可靠和信息丰富的样本中学习，这本质上提高了泛化能力。在2018年MICCAI多器官核分割挑战赛上的实验验证了我们提出的方法的有效性，大大超过了其他35个竞争团队。
2019-03-13 cs.CV
Eigencontours: Novel Contour Descriptors Based on Low-Rank Approximation
Korea University（高丽大学）
提出了一种基于低秩近似的特征轮廓描述子。首先，我们构造一个包含训练集中所有对象边界的轮廓矩阵。其次，我们通过最佳秩M近似将轮廓矩阵分解为特征轮廓。第三，我们用M个特征轮廓的线性组合来表示物体边界。我们还将特征轮廓到一个实例分割框架。实验结果表明，所提出的特征轮廓可以表示对象的边界更有效，更有效地比现有的描述符在低维空间。此外，该算法产生有意义的性能上的实例分割数据集。
2022-03-29 cs.CV
DARNet: Deep Active Ray Network for Building Segmentation
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Uber ATG Toronto（Uber ATG多伦多）；NVIDIA（英伟达）
在本文中，我们提出了一种用于自动建筑分割的深度主动射线网络（DARNet）。以图像作为输入，它首先利用深度卷积神经网络（CNN）作为骨干来预测能量图，然后进一步利用能量图来构建能量函数。然后通过最小化能量函数来演化基于轮廓的轮廓，其中最小值定义了最终的分割。代替使用欧几里德坐标来参数化轮廓，我们采用极坐标，即，射线，这不仅防止了自相交，而且简化了能量函数的设计。此外，我们提出了一个损失函数，直接鼓励轮廓匹配建筑物的边界。我们的DARNet是通过能量最小化和主干CNN反向传播进行端到端训练的，这使得CNN能够适应轮廓演化的动态。在三个建筑实例分割数据集上的实验表明，我们的DARNet实现了最先进的或与其他竞争对手相当的性能。
2019-05-15 cs.CV
End to End Trainable Active Contours via Differentiable Rendering
Tel Aviv University（特拉维夫大学）；Facebook AI Research（Facebook人工智能研究院）
我们提出了一种图像分割方法，迭代地演变的多边形。在每次迭代时，多边形的顶点基于经由编码器-解码器架构从输入图像推断的2D移位映射的局部值而移位。使用的主要训练损失是多边形形状和地面实况分割掩模之间的差异。该网络采用神经渲染器从其顶点创建多边形，使该过程完全可微。我们证明，我们的方法优于最先进的分割网络和深度活动轮廓解决方案在各种基准，包括医学成像和航空图像。我们的代码可在https://github.com/shirgur/ACDRNet上获得。
2019-12-01 cs.CV
Confidence Contours: Uncertainty-Aware Annotation for Medical Semantic Segmentation
针对医学图像分割中单一边界标注无法体现标注者不确定性、模型生成的不确定性图难解释的问题，提出可直接捕获不确定性的置信度轮廓表示及配套标注系统，实验验证其表征能力强、标注负担低、易被医学专家理解。
2023-12-20 cs.CV cs.HC
CircleSnake: Instance Segmentation with Circle Representation
Vanderbilt University（范德堡大学）；Vanderbilt University Medical Center（范德堡大学医学中心）
圆表示最近已经被引入作为医学成像优化表示，用于对球形医学对象进行更有效的实例目标检测。由于圆表示在实例检测上的优越性能，将其扩展到实例医学对象分割中具有很强的吸引力。在这项工作中，我们提出了CircleSnake，一个简单的端到端的圆轮廓变形为基础的球形医学对象的分割方法。与流行的DeepSnake方法相比，我们的贡献有三个方面：（1）我们用一种无需计算且一致的边界圆到圆轮廓自适应来代替复杂的限界框到八边形轮廓变换，以分割球形医学对象;（2）与八边形表示（DoF=8）相比，圆形表示具有较少的自由度（DoF=2），从而产生更鲁棒的分割性能和更好的旋转一致性;（3）据我们所知，所提出的CircleSnake方法是第一个具有一致圆检测、圆轮廓建议和圆卷积的端到端圆表示深度分割流水线方法。关键的创新是将圆形图卷积与圆形检测集成到端到端的实例分割框架中，通过所提出的简单且一致的圆形轮廓表示来实现。肾小球用于评估基准的性能。从结果来看，CircleSnake将肾小球检测的平均精度从0.559提高到0.614。骰子分数从0.804增加到0.849。代码已发布：https://github.com/hrlblab/CircleSnake
2022-11-02 cs.CV
Instance segmentation of fallen trees in aerial color infrared imagery using active multi-contour evolution with fully convolutional network-based intensity priors
The Hong Kong Polytechnic University（香港理工大学）；Bavarian Forest National Park（巴伐利亚森林国家公园）
在本文中，我们介绍了一个框架分割实例的一个共同的对象类的多个活动轮廓进化的语义分割地图的图像，通过完全卷积网络。轮廓演变被铸造作为一个能量最小化的问题，其中的总能量功能结合了一个数据拟合项，一个明确的形状模型，并占对象重叠。提出了有效的解决方案邻域算子，使优化通过元算法，如模拟退火。我们实例化的背景下分割个人下降的干高分辨率航空多光谱图像的建议框架。我们在3个不同复杂度的真实场景上验证了我们的方法。试验地块位于德国巴伐利亚森林国家公园的地区，那里遭受了严重的树皮甲虫侵扰。在多边形和线段两个层次上进行了评价，表明多轮廓分割可以达到0.93的精度和0.82的召回率。与迭代样本共识线段检测相比，召回率提高了7个百分点（PP），精确度提高了6个百分点。尽管简单的应用形状参数化，明确的形状模型纳入能量函数提高了结果高达4 PP的召回。最后，我们展示了使用基于深度学习的语义分割方法作为个体词干检测基础的重要性。我们的方法是一个步骤，增加自动倒树映射的可访问性，由于更高的成本效益相比，激光扫描的航空图像采集。精确的倒木图可进一步用作植物和动物生境模拟、森林生态系统固碳和土壤质量研究的基础。
2021-05-05 cs.CV
Learning Panoptic Segmentation from Instance Contours
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）；University of Maryland-College Park（马里兰大学帕克分校）；Valeo Vision Systems（法雷奥视觉系统公司）
全景分割的目的是在像素级别上提供对背景（素材）和对象（事物）实例的理解。它结合了语义分割（像素级分类）和实例分割的单独任务，以构建一个统一的场景理解任务。通常，通过组合单独或联合学习的语义和实例分割任务（多任务网络）来导出全景分割。通常，通过在对象检测器之上添加前景掩模估计层或使用将像素分配给实例中心的实例聚类方法来构建实例分割网络。在这项工作中，我们提出了一个完全卷积的神经网络，它可以从语义分割和实例轮廓（事物的边界）中学习实例分割。实例轮廓与语义分割一起产生事物的边界感知语义分割。在这些结果上的连通分量标记产生实例分割。我们合并语义和实例分割结果以输出全景分割。我们在CityScapes数据集上评估了我们提出的方法，以证明定性和定量性能以及几项消融研究。我们的概述视频可以从URL访问：https://youtu.be/wBtcxRhG3e0.
2021-04-06 cs.CV cs.RO
DiCoR: Decoupled Referent Disambiguation and Contour Recalibration for Efficient Referring Remote Sensing Image Segmentation
School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学信息科学与工程学院）；College of Computer Science, Nankai University（南开大学计算机学院）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
本文针对遥感图像指称分割的精度与效率平衡问题，提出DiCoR框架，通过解耦指称消歧与轮廓重校准，在三个基准上实现最优精度且效率优于代表性方法。
2026-09-29 cs.CV
State-of-The-Art Fuzzy Active Contour Models for Image Segmentation
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；Indian Statistical Institute, Kolkata（加尔各答印度统计研究所）
图像分割是每个图像分析任务的初始步骤。几十年来，文献中提出了各种各样的分割算法，取得了一定的成功。其中，基于模糊能量的主动轮廓模型在近十年来得到了研究者的广泛关注，发展了多种方法。一个好的分割算法应该在大量包含噪声、模糊、低对比度、区域不均匀性等的图像中表现良好。然而，大多数现有的基于模糊能量的活动轮廓模型的性能通常是在有限数量的图像上进行评估的。在这篇文章中，我们的目的是审查现有的模糊主动轮廓模型从理论的角度来看，也评估他们的实验上的一个大的图像集在各种条件下。大量的各种图像下的分析提供了客观的洞察各种模糊活动轮廓模型的优点和缺点。最后，我们讨论了几个问题和未来的研究方向在这个特定的主题。
2020-08-01 cs.CV eess.IV
KiPA22 Report: U-Net with Contour Regularization for Renal Structures Segmentation
Shanghai Jiao Tong University（上海交通大学）
三维（3D）完整肾脏结构（IRS）分割在临床实践中非常重要。随着深度学习技术的进步，提出了许多专注于医学图像分割的强大框架。在这个挑战中，我们使用了nnU-Net框架，这是最先进的医学图像分割方法。为了减少肿瘤标记的离群值预测，我们将肿瘤标记的轮廓正则化（CR）损失与Dice损失和交叉熵损失相结合以改善这种现象。
2022-09-06 cs.CV cs.LG eess.IV
E2EC: An End-to-End Contour-based Method for High-Quality High-Speed Instance Segmentation
Wuhan University（武汉大学）
基于轮廓的实例分割方法近年来发展迅速，但其特征在于前端轮廓初始化粗糙且手工，这限制了模型的性能，而后端预测标记顶点配对经验且固定，这导致学习困难。在本文中，我们介绍了一种新的基于轮廓的方法，命名为E2 EC，高质量的实例分割。首先，E2 EC采用了一种新的可学习的轮廓初始化架构，而不是手工绘制的轮廓初始化。这包括一个轮廓初始化模块，用于构造更明确的学习目标和一个全局轮廓变形模块，用于更好地利用所有顶点的功能。其次，我们提出了一种新的标签抽样方案，命名为多方向对齐，以降低学习难度。第三，为了提高边界细节的质量，我们动态匹配最合适的预测-地面真实顶点对，并提出了相应的损失函数命名为动态匹配损失。实验表明，E2 EC可以实现最先进的性能KITTI INStance（KINS）数据集，语义边界数据集（SBD），城市景观和COCO数据集。E2 EC在实时应用中也很高效，在NVIDIA A6000 GPU上对512*512图像的推理速度为36 fps。代码将在https://github.com/zhang-tao-whu/e2ec上发布。
2022-03-08 cs.AI cs.CV
Joint Denoising / Compression of Image Contours via Shape Prior and Context Tree
The Hong Kong University of Science and Technology（香港科技大学）；National Institute of Informatics（国立信息学研究所）；Microsoft Research（微软研究院）
随着深度传感技术的出现，图像中物体轮廓的提取-对于后期更高级别的计算机视觉任务（如目标检测和人类动作识别）来说，这是一个常见且重要的预处理步骤-变得更加容易。然而，捕获的深度图像中的采集噪声意味着检测到的轮廓遭受不可避免的误差。在本文中，我们建议联合降噪和压缩检测到的轮廓在图像中的带宽受限的传输到客户端，然后谁可以执行上述特定于应用程序的任务，使用解码的轮廓作为输入。我们首先从理论上证明，在一般情况下，一个联合去噪/压缩方法可以优于一个单独的两阶段的方法，首先去噪，然后编码的轮廓损失。采用联合的方法，我们首先提出了一个突发错误模型，模型中遇到的典型错误观察字符串y的方向边缘。然后，我们制定了一个率约束的最大后验（MAP）问题，权衡后验概率p（x'）|y）的估计字符串x'给定y及其码率R（x'）。我们设计了一个动态规划（DP）算法，解决了所提出的问题的最优解，并提出了一个紧凑的上下文表示称为总后缀树（TST），可以大大降低算法的复杂度。实验结果表明，我们的联合去噪/压缩方案在率失真性能明显优于竞争单独的计划。
2017-04-30 cs.CV
Deep ContourFlow: Advancing Active Contours with Deep Learning
Institut Pasteur（巴斯德研究所）；CNRS（法国国家科学研究中心）；Université Paris Cité（巴黎西岱大学）；Télécom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎理工学院）
本研究提出融合无监督主动轮廓模型与深度学习的Deep ContourFlow框架，支持无监督及单样本图像分割，在标注稀缺的组织学数据集上性能优于现有最优方法。
2024-07-15 cs.CV
IEOPF: An Active Contour Model for Image Segmentation with Inhomogeneities Estimated by Orthogonal Primary Functions
Northeastern University（东北大学）
图像分割仍然是一个悬而未决的问题，特别是当感兴趣的对象的强度是重叠的，由于存在强度不均匀性（也称为偏置场）。针对灰度不均匀图像的分割问题，提出了一种基于正交主函数估计的偏差校正嵌入水平集模型。在所提出的模型中，平滑变化的偏差估计由一组给定的正交主函数的线性组合。然后定义了一个非均匀强度聚类能量，并引入水平集函数描述的聚类隶属度函数，将能量重写为模型的数据项。类似于流行的水平集方法，也包括正则化项和弧长项，分别用于正则化和平滑水平集函数。然后，该模型扩展到多通道和多相模式分割彩色图像和图像与多个对象，分别。它已经在文献和公共BrainWeb和IBSR数据集中广泛使用的合成和真实图像上进行了广泛的测试。实验结果和与现有方法的比较表明，该模型在偏差校正和分割精度方面具有优势。
2018-03-08 cs.CV
Physical Modeling Techniques in Active Contours for Image Segmentation
Peking University（北京大学）
在主动轮廓的形状提取中引入了物理建模方法，即物理学原理的模拟和可视化。采用这一概念的目的是解决应用活动轮廓线的几个主要困难。首先，提出了一种实现参数活动轮廓（Snakes）拓扑变化的技术。关键策略是模仿气球在一个封闭空间中膨胀和填充多个物体的过程。在移除触摸的气球表面之后，可以通过围绕的剩余气球表面来识别对象。利用Snake扫描的烧伤区域来跟踪轮廓，并给出了Snake曲线停止运动的判据。当蛇完全终止进化时，通过忽略这个标准，它可以通过再次进化蛇并继续区域燃烧来形成连通区域。从烧伤区域的边界提取的轮廓可以分别代表每个对象的子蛇。其次，针对几何活动轮廓（GAC）算法中的大间隙泄漏和分割误差问题，提出了一种新的算法。它将分割过程分为两个处理阶段。通过模拟波在各向同性介质中传播的最后阶段，可以显著增强基于Level Set的GAC中镜像力的影响，并对这两个问题给出满意的解决方案。第三，为了支持上述活动轮廓的物理模型，我们在图像平面上的模板平面上引入了一个通用的图像力场。该力更适合于具有复杂几何形状的噪声图像。
2009-06-30 cs.CV cs.GR
Image Segmentation and Restoration Using Parametric Contours With Free Endpoints
本文提出一种新型自由端点主动轮廓方法，通过离散化穆恩-沙赫功能实现图像分割与修复，结合曲线法向流动和端点切向流动演化规律，采用参数化轮廓与边缘保持去噪实现快速分割与修复。
2015-04-27 cs.CV cs.NA math.AP
Learning deep structured active contours end-to-end
University of Wageningen（瓦赫宁根大学）；University of Toronto（多伦多大学）
世界上覆盖着数百万座建筑物，精确了解每个实例的位置和范围对于众多应用程序至关重要。最近，由于卷积神经网络（CNN）的使用，自动建筑物足迹分割模型已经显示出优越的检测精度。然而，即使是最新的演变也难以精确地划定边界，这通常会导致几何扭曲和相邻建筑实例的无意融合。我们建议通过利用建筑物独特的几何特性来克服这个问题。为此，我们提出了深度结构化活动轮廓（DSAC），一种新的框架，将先验和约束集成到分割过程中，如连续边界，平滑边缘和尖角。为此，DSAC采用主动轮廓模型（ACM），一系列基于约束和先验的多边形模型。我们使用CNN学习每个实例的ACM参数化，并展示如何将所有组件合并到结构化输出模型中，使DSAC可端到端训练。我们在三个具有挑战性的建筑实例分割数据集上评估DSAC，与最先进的DSAC相比，DSAC具有优势。
2018-03-16 cs.CV
Deep Neural Network for 3D Surface Segmentation based on Contour Tree Hierarchy
The University of Alabama（阿拉巴马大学）；The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
给定由2D网格上的高程函数定义的3D表面以及在每个像素处观察到的非空间特征，表面分割的问题旨在基于非空间特征和表面拓扑将像素分类为连续的类。这个问题在水文学、行星科学和生物化学中有着重要的应用，但由于几个原因，它具有独特的挑战性。首先，类段的空间范围遵循拓扑空间中的表面轮廓，而不管它们的空间形状和方向。第二，基于不同的表面分辨率，拓扑结构存在于多个空间尺度。现有的广泛成功的用于图像分割的深度学习模型通常不适用，因为它们依赖于卷积和池化操作来学习网格上的规则结构模式。相比之下，我们建议表示表面拓扑结构的轮廓树骨架，这是一个多边形树捕捉在不同的海拔高度的表面轮廓的演变。我们进一步设计了一个基于轮廓树层次结构的图神经网络来模拟不同空间尺度下的表面拓扑结构。基于真实水文数据集的实验评估表明，我们的模型在分类精度上优于几种基线方法。
2020-08-25 cs.CV cs.LG
Image Segmentation of Multi-Shaped Overlapping Objects
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
在这项工作中，我们提出了一种新的分割算法，包含凸对象存在于多个形状的高度重叠的图像。该算法分两步进行，首先识别可见轮廓，使用凹点分割它们，最后将属于同一对象的段分组。下一步是为这些分组的轮廓段分配形状标识。对于包含多个形状的对象的图像，我们首先识别轮廓的形状类，然后将形状实体分配给这些类。我们提供了一个全面的实验，我们的算法在两个晶体图像数据集。一个数据集包括包含彼此重叠的多个形状的对象的图像，另一个数据集包含具有以单个形状存在的对象的标准图像。我们测试我们的算法对两个基线，我们提出的算法优于这两个基线。
2017-11-06 cs.CV
Automatically Segmenting the Left Atrium from Cardiac Images Using Successive 3D U-Nets and a Contour Loss
Inria（法国国家信息与自动化研究所）；IHU Liryc（利里克大学医院研究所）；University of Bordeaux（波尔多大学）
放射影像学提供了有效的解剖测量，这是有用的疾病诊断和评估。以往的研究表明，左房壁重构可以为预测房颤的治疗效果提供信息。然而，从医学图像中分割左心房结构仍然非常耗时。当前神经网络的进展可能有助于创建自动分割模型，从而减少临床医生的工作量。在这项初步研究中，我们提出了自动化，两阶段，三维U-网络与卷积神经网络，左心房分割的挑战性任务。与以前的二维图像分割方法不同，我们使用3D U网直接在3D中获得心脏腔。双3D U-Net结构由第一个U-Net和第二个U-Net组成，第一个U-Net用于粗略分割和定位左心房，第二个U-Net用于在更高分辨率下准确分割左心房。此外，我们引入了一个轮廓损失的基础上额外的距离信息，以调整最终的分割。我们将数据随机分为训练数据集（80个受试者）和验证数据集（20个受试者），以训练多个模型，使用不同的增强设置。实验表明，验证数据集的平均Dice系数约为0.91 - 0.92，灵敏度约为0.90-0.94，特异性约为0.99。与传统的Dice损失相比，使用Contour损失训练的模型通常提供更小的Hausdorff距离，具有相似的Dice系数，并且在预测中具有更少的连接分量。最后，我们将几个训练好的模型集成到一个集成预测中，以分割测试数据集。
2018-12-06 cs.CV
Unsupervised Microvascular Image Segmentation Using an Active Contours Mimicking Neural Network
Tel Aviv University（特拉维夫大学）；Facebook AI Research（脸书人工智能研究院）
显微图像中的血管分割对于许多诊断和研究应用至关重要。然而，根据瞬态成像条件的不同，血管可能看起来有很大的不同，并且收集用于监督训练的数据是费力的。我们提出了一种新的深度学习方法，用于血管的无监督分割。该方法的灵感来自于活动轮廓领域，我们引入了一个新的损失项，这是基于形态学活动轮廓无边缘（ACWE）优化方法。形态算子的作用是由新的池化层发挥的，这些池化层被纳入网络的架构。我们展示了当成像条件发生变化时，以前的监督学习解决方案所面临的挑战。我们的无监督方法在标记数据集以及应用于相似但不同的数据集时都能够优于以前的方法。我们的代码，以及基线方法VesselNN和DeepVess的高效PyTorch重新实现可在GitHub -https://github.com/shirgur/UMIS上获得。
2019-08-16 cs.CV eess.IV
Reimagining Image Segmentation using Active Contour: From Chan Vese Algorithm into a Proposal Novel Functional Loss Framework
Politecnico di Torino（都灵理工大学）
本文系统研究Chan-Vese算法，提出基于活动轮廓和水平集的函数分割损失，并通过与经典损失函数在常见分割数据集上的对比验证其有效性。
2025-08-27 cs.CV physics.med-ph
An Active Contour Model with Local Variance Force Term and Its Efficient Minimization Solver for Multi-phase Image Segmentation
The Hong Kong Polytechnic University（香港理工大学）；Research Institute for Smart Energy（智慧能源研究院）
在本文中，我们提出了一个活动轮廓模型与局部方差力（LVF）项，可应用于多阶段的图像分割问题。与LVF，该模型是非常有效的分割图像的噪声。为了有效地解决这个模型，我们表示的正则项的特征函数，然后设计一个最小化算法的基础上修改的迭代卷积阈值法（ICTM），即ICTM-LVF。这种最小化算法在一定条件下具有能量衰减特性，分割效率高。为了克服主动轮廓模型的初始化问题，我们将非齐次图拉普拉斯初始化方法（IGLIM）推广到多相情形，并将其应用于ICTM-LVF求解器的初始轮廓。在合成图像和真实图像上进行了数值实验，以证明我们的初始化方法的能力，以及局部方差力在多相位图像分割中对噪声鲁棒性的有效性。
2022-03-17 cs.CV cs.NA math.NA
A Generalized Asymmetric Dual-front Model for Active Contours and Image Segmentation
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Shandong Artificial Intelligence Institute（山东人工智能研究院）；University of Exeter（埃克塞特大学）；The University of Liverpool（利物浦大学）；CNRS（法国国家科学研究中心）；Université Paris-Sud（巴黎第十一大学）；Université Paris-Saclay（巴黎萨克雷大学）；University Paris Dauphine, PSL Research University（巴黎第九大学（巴黎文理研究大学））
基于沃罗诺伊图的双前沿活动轮廓模型是解决图像分割和区域划分问题的有效方法。在双波前模型的基本公式中，演化轮廓可以被认为是相邻Voronoi区域的界面。在这些双波前模型中，一个重要的组成部分被认为是测地度量，通过它可以估计测地距离和相应的沃罗诺伊图。本文介绍了一类非对称二次度量双波前模型。所考虑的指标是建立的图像特征和矢量场的集成来自不断变化的轮廓。使用非对称增强可以降低轮廓捷径或泄漏问题的风险，特别是当初始轮廓远离目标边界或图像具有复杂的强度分布时。此外，所提出的双前端模型可以应用于图像分割结合各种基于区域的同质性条款。对合成图像和真实图像的数值实验表明，所提出的双波前模型确实取得了令人鼓舞的结果。
2021-05-04 cs.CG cs.CV
Contour Refinement using Discrete Diffusion in Low Data Regime
University of Toronto（多伦多大学）；Simon Fraser University（西蒙弗雷泽大学）；Natural Resources Canada（加拿大自然资源部）
本文提出轻量离散扩散轮廓优化方法，通过自注意力CNN和条件处理，在低数据环境下实现鲁棒边界检测，提升推理效率3.5倍。
2026-04-11 cs.CV
