DeepFH Segmentations for Superpixel-based Object Proposal Refinement
University of Hamburg(汉堡大学)
类无关对象建议生成是许多目标检测流水线中重要的第一步。然而,现代系统的对象建议在分割方面是相当不准确的,并且仅粗略地遵守对象边界。由于典型的细化步骤通常不适用于成千上万的建议,我们提出了一个基于超像素的细化系统的对象建议生成系统。利用深度特征上的精确超像素和超像素池,我们在端到端的学习系统中改进了初始的粗略建议。此外,我们提出了一种新的DeepFH分割,它丰富了经典的Felzenszwalb和Huttenlocher(FH)分割,具有深度特征,从而改善了分割结果和更好的对象建议细化。在带有LVIS注释的COCO数据集上,我们证明了我们基于DeepFH超像素的改进优于最先进的方法,并导致更精确的对象建议。
2021-08-07 cs.CV
Label Refinement Network for Coarse-to-Fine Semantic Segmentation
University of Manitoba(曼尼托巴大学);Indiana University(印第安纳大学)
我们考虑使用深度卷积神经网络的语义图像分割的问题。我们提出了一种称为标签细化网络的新型网络架构,该网络以几种分辨率以粗到细的方式预测分割标签。粗分辨率的分割标签与卷积特征一起使用以获得更精细分辨率的分割标签。我们在网络的几个阶段定义了损失函数,以提供不同阶段的监督。我们在几个标准数据集上的实验结果表明,该模型提供了一种有效的方法来产生像素级的密集图像标记。
2017-03-01 cs.CV
Interactive Deep Refinement Network for Medical Image Segmentation
Zhejiang Lab(浙江实验室);Ritsumeikan University(立命馆大学);Zhejiang University(浙江大学)
深度学习技术已成功应用于包括图像分割在内的众多计算机视觉任务中。该技术也已被应用于医学图像分割,在计算机辅助诊断中的最关键的任务之一。与自然图像相比,医学图像是一种对比度较低的灰度图像(甚至存在不可见部分)。由于某些器官与相邻器官具有相似的强度和纹理,因此通常需要细化自动分割结果。在本文中,我们提出了一个交互式深度细化框架,以改进传统的语义分割网络,如U-Net和全卷积网络。在该框架中,我们在传统分割网络的基础上增加了一个细化网络,对分割结果进行细化,在公开数据集上的实验结果表明,该方法能够获得比现有方法更高的准确率。
2020-06-27 cs.CV
RRWNet: Recursive Refinement Network for effective retinal artery/vein segmentation and classification
Medical University of Vienna(维也纳医科大学)
本文提出RRWNet端到端深度学习框架,通过基础子网络与递归细化子网络迭代纠正分类错误,提升视网膜动静脉分割图的拓扑一致性,并在多个公开数据集上取得最优性能。
2025-03-12 cs.CV eess.IV
Multi-Prototype Embedding Refinement for Semi-Supervised Medical Image Segmentation
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);School of Computer Science, Peking University(北京大学计算机学院)
针对半监督医学图像分割中类内方差研究不足、传统线性分类器难以捕捉精细体素差异的问题,提出基于多原型的嵌入精修方法,通过多原型分类挖掘类内变化并结合一致性约束,在两个基准上取得优于现有方法的性能。
2025-03-18 cs.CV eess.IV
Prototype Refinement Network for Few-Shot Segmentation
AInnovation Technology Co., Ltd.(创新奇智科技有限公司)
Few-Shot分割目标是在提供很少注释图像的情况下分割新类别。它比传统的语义分割任务更具挑战性,分割具有丰富注释图像的已知类。在本文中,我们提出了一个原型细化网络(PRNet)来解决Few-Shot分割的挑战。它首先学习从已知类的支持和查询图像中双向提取原型。此外,提取新类的代表性原型,我们使用适应和融合的原型细化。自适应步骤使模型学习新的概念,这是直接通过再训练实现的。首先提出了原型融合的概念,将支持原型和查询原型融合,融合了支持原型和查询原型的知识。它在原型精化中是有效的,而无需引入额外的可学习参数。通过这种方式,原型在低数据状态下变得更具歧视性。在PASAL- $5^i$和COCO- $20^i$上的实验证明了该方法的优越性.特别是在COCO- $20^i$上,PRNet在1次激发设置下的性能明显优于现有方法13.1%。
2020-05-09 cs.CV
Universal Topology Refinement for Medical Image Segmentation with Polynomial Feature Synthesis
Imperial College London(帝国理工学院);University of Oxford(牛津大学);Klinikum rechts der Isar, Technical University of Munich(慕尼黑工业大学右侧医院);Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
针对医学图像分割拓扑正确性不足的问题,提出基于正交多项式基合成拓扑扰动掩码的通用即插即用拓扑细化方法,兼容多种分割流水线,性能优于现有同类方法且可提升现有模型表现。
2024-09-15 cs.CV eess.IV
A Classification Refinement Strategy for Semantic Segmentation
Ohio State University(俄亥俄州立大学);Air Force Research Laboratory(空军研究实验室)
观察的基础上,语义分割错误是部分可预测的,我们提出了一个紧凑的配方使用混乱的统计训练分类细化(重新估计)的初始像素标签假设。所提出的策略是视情况而定的计算一个给定的数据集的分类器混淆概率和估计一个相关的图像中存在的对象类进行分类之前。我们提供了一个程序来鲁棒地估计混淆概率,并探索多个先验定义。实验显示,使用不同的先验知识,以提高国家的最先进的语义分割分类器的多个具有挑战性的数据集上的性能进行比较。这项研究表明,显着提高语义标记的潜力,并激励未来的工作,从图像可靠的标签先验估计。
2018-01-23 cs.AI cs.CV cs.LG
CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement
HKUST(香港科技大学);Tencent(腾讯)
最先进的语义分割方法几乎只在固定分辨率范围内的图像上训练。这些分割对于非常高分辨率的图像是不准确的,因为使用低分辨率分割的双三次上采样不能充分捕获沿对象边界的高分辨率细节。在本文中,我们提出了一种新的方法来解决高分辨率分割问题,而不使用任何高分辨率的训练数据。关键的洞察力是我们的CascadePSP网络,它尽可能地细化和纠正局部边界。虽然我们的网络是用低分辨率分割数据训练的,但我们的方法适用于任何分辨率,即使是大于4K的非常高分辨率的图像。我们目前对不同数据集的定量和定性研究表明,CascadePSP可以揭示像素精确的分割边界,使用我们的新的细化模块,而无需任何微调。因此,我们的方法可以被视为类不可知论。最后,我们展示了我们的模型的应用场景解析多类分割。
2020-05-06 cs.CV
Clore: Interactive Pathology Image Segmentation with Click-based Local Refinement
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);School of Artificial Intelligence and Data Science, University of Science and Technology of China(中国科学技术大学人工智能与数据科学学院)
本文提出Clore方法,通过分层交互范式提升病理图像分割精度,减少交互次数,实现高效准确的局部细化。
2026-03-29 cs.CV
ICFRNet: Image Complexity Prior Guided Feature Refinement for Real-time Semantic Segmentation
College of Computer Science, Nankai University(南开大学计算机学院);Institute of Mathematics and Informatics, Bulgarian Academy of Sciences(保加利亚科学院数学与信息学研究所)
本文提出ICFRNet,利用图像复杂度作为先验引导特征精炼,通过ICGA模块生成注意力图优化分割特征,在Cityscapes和CamViD数据集上实现了更高精度与竞争性效率的实时语义分割。
2024-08-25 cs.CV
Beyond Accuracy: Uncertainty-Guided Boundary Refinement for Reliable Biomedical Image Segmentation
Heidelberg University(海德堡大学)
针对生物医学图像分割边界不可靠问题,提出不确定性引导的RABR-Net两阶段框架,通过门控残差细化器修正不确定边界像素,在血涂片数据集上显著提升边界Dice和HD95。
2026-11-17 cs.CV cs.LG
SRPR-Net: Semantic and Relational Prompt Refinement for Automated SAM-based Instance Segmentation
Ruijin-XJTLU Intelligent Medicine Institute, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine(瑞金-西交利物浦智能医学研究所,瑞金医院,上海交通大学医学院);School of Biomedical Engineering, Shanghai Jiao Tong University(上海交通大学生物医学工程学院)
提出SRPR-Net,通过顺序提示精炼机制融合视觉-语言语义与实例间依赖,实现基于SAM的自动实例分割,在多个基准上超越现有最先进方法。
2026-09-22 cs.CV
Towards Adaptive Semantic Segmentation by Progressive Feature Refinement
Tongji University(同济大学)
语义分割作为计算机视觉的基本任务之一,在实际应用中起着重要的作用。尽管随着卷积网络的快速发展,众多的深度学习模型在几个主流数据集上取得了显著的进展,但它们在实际场景中仍然遇到各种挑战。无监督自适应语义分割的目的是获得一个鲁棒的分类器训练的源域数据,这是能够保持稳定的性能时,部署到不同的数据分布的目标域。在本文中,我们提出了一个创新的渐进式特征细化框架,以及领域对抗学习,以提高分割网络的可移植性。具体来说,我们首先对齐源和目标域图像的多级中间特征图,然后采用域分类器来区分分割输出。因此,可以将用源域图像训练的分割模型转移到目标域,而不会显著降低性能。实验结果验证了我们所提出的方法相比,国家的最先进的方法的效率。
2020-09-30 cs.CV
Variance-insensitive and Target-preserving Mask Refinement for Interactive Image Segmentation
Xidian University(西安电子科技大学);Sun Yat-sen University(中山大学);Tencent(腾讯);South China University of Technology(华南理工大学)
针对交互式图像分割中初始掩码方差敏感和对象信息丢失问题,提出掩码匹配与目标感知缩放算法,在多个数据集上达到最先进性能。
2023-12-22 cs.CV
SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process
Beijing Jiaotong University(北京交通大学);Nanyang Technological University(南洋理工大学);ByteDance(字节跳动);Peng Cheng Laboratory(鹏城实验室)
该研究提出模型无关的分割细化方法SegRefiner,将分割细化转化为离散扩散生成过程,通过条件去噪逐步优化粗糙掩码,在多类分割任务上全面优于现有方法,且能捕捉高分辨率图像的精细细节。
2023-12-19 cs.CV
Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation
State Key Laboratory of Intelligent Technology and Systems(智能技术与系统国家重点实验室);Tsinghua University(清华大学);University of Chinese Academy of Sciences(中国科学院大学)
人们在实例分割方面做出了巨大的努力,但掩模质量仍然不令人满意。由于特征图的空间分辨率较低,以及边界像素比例极低导致的不平衡问题,预测实例掩码的边界通常是不精确的。为了解决这些问题,我们提出了一个概念上简单而有效的后处理细化框架,以提高边界质量的基础上的任何实例分割模型,称为BPR的结果。遵循更好地查看片段边界的想法,我们沿着预测的实例边界提取和细化一系列小的边界补丁。通过边界块精化网络以更高的分辨率完成精化。拟议的BPR框架在Cityscapes基准上的Mask R-CNN基线上产生了显着的改进,特别是在边界感知指标上。此外,通过将BPR框架应用于PolyTransform + SegFix基线,我们在Cityscapes排行榜上排名第一。
2021-04-12 cs.CV
RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation
Dept. of CSE, POSTECH(浦项科技大学计算机科学与工程系);GSAI, POSTECH(浦项科技大学人工智能研究生院)
RePL通过掩码重建识别并纠正伪标签中的潜在错误,提升伪标签质量,从而在激光雷达语义分割中取得最优性能。
2026-08-26 cs.CV
RefineVIS: Video Instance Segmentation with Temporal Attention Refinement
Microsoft Cloud and AI(微软云计算与人工智能部门)
本文提出 RefineVIS 视频实例分割框架,通过分离关联与分割表征、对比学习及时序注意力优化模块,支持在线与离线推理,并在多个基准上达到最先进精度。
2023-06-07 cs.CV
BARIS: Boundary-Aware Refinement with Environmental Degradation Priors for Robust Underwater Instance Segmentation
Graduate Institute of Communication Engineering, National Taiwan University(台湾大学通信工程研究所);Department of Electrical Engineering, National Taiwan University(台湾大学电子工程系)
针对水下视觉退化导致实例分割性能下降的问题,提出BARIS-ERA框架,通过边界感知细化解码器与ERA适配器高效建模退化模式,大幅减少可训练参数,并在多个骨干网络上实现SOTA性能。
2025-04-28 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
Superpixel-based Refinement for Object Proposal Generation
University of Hamburg(汉堡大学)
对象的精确分割是类无关对象建议生成或实例分割等任务中的重要问题。由于CNN中固有的下采样,基于深度学习的系统通常基于粗略的特征图生成对象的分割。这导致分割边界不能很好地粘附到图像中的对象边界。为了解决这个问题,我们引入了一个新的基于超像素的细化方法的最先进的对象建议系统AttentionMask的顶部。该细化利用用于特征提取的超像素池化和新颖的超像素分类器来确定高精度超像素是否属于对象。我们的实验表明,与原始AttentionMask相比,平均召回率提高了26.0%。此外,分割的定性和定量分析揭示了与各种基于深度学习的最先进的对象提议生成系统相比,所提出的改进在边界粘附方面的显著改进。
2021-01-12 cs.CV
Laplacian Pyramid Reconstruction and Refinement for Semantic Segmentation
University of California, Irvine(加州大学尔湾分校)
CNN架构具有出色的识别性能,但依赖于空间池,这使得它们难以适应需要密集,像素精确标记的任务。本文的主要贡献有两点:(1)我们证明了虽然卷积特征映射的表观空间分辨率较低,但高维特征表示包含重要的亚像素定位信息。(2)我们描述了一种基于拉普拉斯金字塔的多分辨率重建架构,该架构使用来自较高分辨率特征图的跳过连接和乘法门控来连续细化从较低分辨率图重建的段边界。这种方法在PASCAL VOC和Cityscapes分割基准上产生了最先进的语义分割结果,而无需采用更复杂的随机场推理或实例检测驱动的架构。
2016-07-30 cs.CV
Active Label Refinement for Semantic Segmentation of Satellite Images
University of Kassel(卡塞尔大学);German Aerospace Center(德国航空航天中心)
本文提出一种两步走的卫星图像语义分割标签优化方法:先利用众包或预训练网络等低成本手段获取初始标签,再通过主动学习策略高效修正错误标签,实验证明该方法有效提升了分割网络的性能。
2023-09-12 cs.CV
Implicit Feature Refinement for Instance Segmentation
Tsinghua University(清华大学);MEGVII Technology(旷视科技)
我们提出了一种新的隐式特征细化模块,用于高质量的实例分割。现有的图像/视频实例分割方法依赖于显式堆叠卷积来在最终预测之前细化实例特征。在本文中,我们首先给出了不同的细化策略的实证比较,这表明广泛使用的四个连续卷积是不必要的。作为替代方案,权重共享卷积块提供了有竞争力的性能。当这样的块迭代无限次时,块的输出最终会收敛到一个平衡态。在此基础上,通过构造隐函数,提出了隐式特征精化方法。实例特征的平衡状态可以通过模拟的无限深度网络通过定点迭代来获得。IFR具有以下优点:1)模拟无限深度的精化网络,而只需单个残差块的参数; 2)产生全局感受野的高级平衡实例特征; 3)作为一个即插即用的通用模块,易于扩展到大多数对象识别框架。在COCO和YouTube-VIS基准测试上的实验表明,我们的IFR在最先进的图像/视频实例分割框架上实现了性能的提高,同时减少了参数负担(例如,在掩码头中只有30.0%的参数时,Mask R-CNN的AP提高了1%)。代码可在https://github.com/lufanma/IFR.git上获得
2021-12-09 cs.CV
Semantic Segmentation Refinement by Monte Carlo Region Growing of High Confidence Detections
Marquette University(马凯特大学)
尽管最近使用全卷积网络进行了改进,但一般来说,由大多数最先进的语义分割方法产生的分割并未显示出对对象边界的令人满意的粘附。我们提出了一种方法来细化这种深度学习模型生成的分割结果。我们的方法将像素密集分割网络生成的置信度分数作为输入,并重新标记置信度较低的像素。重新标记方法采用区域生长机制,将这些像素聚合到具有高置信度分数和相似外观的相邻区域。为了纠正语义分割算法在高置信度下错误分类的像素标签,我们通过对区域种子进行蒙特卡罗采样来生成多个区域生长步骤。我们的方法提高了最先进的完全卷积语义分割方法在公开可用的COCO和PASCAL数据集上的准确性,并且在精细注释的DAVIS数据集的选定序列上显示出明显更好的结果。
2018-02-21 cs.CV
Object-Guided Instance Segmentation With Auxiliary Feature Refinement for Biological Images
Rutgers University(罗格斯大学);Tencent Hippocrates Research Labs(腾讯希波克拉底研究实验室);Lieber Institute for Brain Development(利伯大脑发育研究所)
实例分割在许多生物学应用中具有重要意义,如神经细胞相互作用的研究、植物表型分析以及定量测量细胞对药物处理的反应等。本文提出了一种新的基于框的实例分割方法。基于框的实例分割方法通过边界框捕获对象,然后在每个限界框区域内执行单独的分割。然而,现有的方法很难区分目标从它的相邻物体在同一个限界框区域内,由于它们的相似的纹理和低对比度的边界。针对这一问题,本文提出了一种基于对象引导的实例分割方法。我们的方法首先检测对象的中心点,然后预测的限界框参数。为了执行分割,对象引导的粗到细分割分支与检测分支一起构建。分割分支重用对象特征作为指导,以将目标对象与同一限界框区域内的相邻对象分离。为了进一步提高分割质量,我们设计了一个辅助特征细化模块,该模块在边界区域中密集采样和细化逐点特征。在三个生物图像数据集上的实验结果证明了该方法的优越性。该代码将在https://github.com/yijingru/ObjGuided-Instance-Segmentation上提供。
2021-06-14 cs.CV
Beyond Semantic to Instance Segmentation: Weakly-Supervised Instance Segmentation via Semantic Knowledge Transfer and Self-Refinement
NAVER CLOVA;NAVER AI Lab(NAVER人工智能实验室);Inha University(仁荷大学);KAIST(韩国科学技术院)
弱监督实例分割(WSIS)被认为是一个比弱监督语义分割(WSSS)更具挑战性的任务。与WSSS相比,WSIS需要实例本地化,这很难从图像级标签中提取。为了解决这个问题,大多数WSIS方法使用现成的建议技术,这些技术需要使用实例或对象级别标签进行预训练,偏离了完全图像级别监督设置的基本定义。在本文中,我们提出了一种新的方法,包括两个创新的组成部分。首先,我们提出了一个语义知识转移,以获得伪实例标签的知识转移WSSS到WSIS,同时消除了需要的现成的建议。其次,我们提出了一种自我改进的方法来改进的伪实例标签在一个自我监督的计划,并使用改进的标签进行训练,在一个在线的方式。在这里,我们发现了一个错误的现象,语义漂移,发生的伪实例标签分类为背景类的缺失的实例。这种语义漂移会造成训练过程中背景和实例之间的混淆,从而降低分割性能。我们将此问题称为语义漂移问题,并表明我们提出的自求精方法消除了语义漂移问题。在PASCAL VOC 2012和MS COCO上的大量实验证明了我们方法的有效性,并且我们在没有现成建议技术的情况下实现了相当大的性能。该代码可在https://github.com/clovaai/BESTIE上获得。
2022-03-29 cs.CV
VLM-Guided Iterative Refinement for Surgical Image Segmentation with Foundation Models
School of Automation Science and Engineering, South China University of Technology, Guangzhou, China(自动化科学与工程学院,华南理工大学,广州,中国);Vanderbilt University, Nashville, TN, USA(范德比尔特大学,纳什维尔,田纳西州,美国);The Pennsylvania State University, University Park, PA , USA(宾夕法尼亚州立大学,大学园,宾夕法尼亚州,美国);Peking University, Beijing , China(北京大学,北京,中国);Virginia Commonwealth University, Richmond, VA, USA(弗吉尼亚共同wealth大学,里士满,弗吉尼亚州,美国);University of California San Diego, San Diego, CA, USA(加州大学圣地亚哥分校,圣地亚哥,加利福尼亚州,美国)
本文提出IR-SIS,一种基于自然语言描述的手术图像分割迭代细化系统,结合视觉-语言模型和自适应工作流,实现高精度分割与临床交互。
2026-02-09 cs.AI cs.CV cs.MA
UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation
School of Computer Sciences, China University of Geosciences (Wuhan)(中国地质大学(武汉)计算机科学学院)
针对病灶边界模糊和小病灶分割困难,提出UHR-Net,采用不确定性导向实例对比预训练和不确定性引导超图精炼模块,在五个公开数据集上取得一致提升。
2026-06-09 cs.CV
Guideline-Consistent Segmentation via Multi-Agent Refinement
本文提出一种多智能体无训练框架,通过Worker-Supervisor迭代细化架构实现指南一致的分割,有效应对复杂文本指南。
2025-12-16 cs.CV
Olive Tree Satellite Image Segmentation Based On SAM and Multi-Phase Refinement
National School of Electronics and Telecomms of Sfax(电子与电信国家学校(索夫亚));SMARTS Laboratory(SMARTS实验室);Digital Research Center of Sfax(索夫亚数字研究中心)
本文提出结合SAM、田间排列校正和形状尺寸约束的多阶段精化方法,将橄榄树卫星图像分割准确率从82%提升至98%。
2025-08-28 cs.CV
FusionLungNet: Multi-scale Fusion Convolution with Refinement Network for Lung CT Image Segmentation
Shahrood University of Technology(沙赫鲁德科技大学);Iran University of Science and Technology (IUST)(伊朗科学技术大学(IUST))
本文提出FusionLungNet混合网络,通过ResNet-50编码器、通道注意力、多尺度特征融合与自细化模块解决肺CT分割中的长程关系缺失和语义鸿沟问题,并发布LungSegDB数据集,取得98.04的IOU分数,显著提升分割精度。
2024-10-21 cs.CV eess.IV
Image Segmentation with Multidimensional Refinement Indicators
INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE(法国国家信息与自动化研究所)
提出将最优控制技术转用于图像分割,通过自适应参数化迭代构建最优参数表示,利用误差梯度驱动区域划分,实现稳健灵活的分割算法。
2011-05-23 cs.CV cs.NA math.NA
Pseudo-Label Refinement for Robust Wheat Head Segmentation via Two-Stage Hybrid Training
Tongji University(同济大学)
本文提出了一种基于两阶段混合训练和伪标签细化的自我训练框架,用于提升小麦穗分割的鲁棒性。
2025-12-07 cs.CV
An Interactive Medical Image Segmentation Framework Using Iterative Refinement
在临床评估中,经常对医学图像进行图像分割以识别疾病。因此,它已成为主要的研究领域之一。传统的图像分割技术不能提供令人满意的分割结果的医学图像,因为它们包含的不规则性。在分割之前需要对它们进行预处理。为了得到最适合医学图像分割的方法,我们提出了一种两阶段算法。第一阶段使用数学形态学自动生成感兴趣区域的二进制标记图像。该标记用作第二阶段的掩模图像,第二阶段在输入图像上使用GrabCut,从而产生有效的分割结果。所获得的结果可以通过使用图形用户界面(GUI)进行的用户交互来进一步细化。实验结果表明,该方法是准确的,并提供了令人满意的分割结果与最小的用户交互的医学以及自然图像。
2016-06-05 cs.CV cs.HC
Generalizing Interactive Backpropagating Refinement for Dense Prediction
Brigham Young University(杨百翰大学);Adobe Research(Adobe 研究院)
随着深度神经网络成为计算机视觉领域中用于密集预测任务的最先进方法,已经开发了许多方法用于在给定视觉输入的情况下自动估计目标输出。虽然所提出的自动方法的估计精度不断提高,交互式细化往往是必要的进一步校正。最近,已经提出了用于交互式分割任务的特征反向传播细化方案(f-BRS),该方案能够有效优化插入到预训练网络中的一小组辅助变量,以产生更好地与用户输入对齐的对象分割。然而,所提出的辅助变量仅包含通道尺度和偏差,将优化限制为仅全局细化。在这项工作中,为了广泛的密集预测任务的广义反向传播细化,我们引入了一组G-BRS(广义反向传播细化方案)层,使全球和本地细化以下任务:交互式分割,语义分割,图像抠图和单眼深度估计。在SBD,Cityscapes,Mapillary Vista,Composition-1 k和NYU-Depth-V2上的实验表明,我们的方法可以成功地推广并显着提高现有预训练的最先进模型的性能,只需点击几下。
2021-12-22 cs.CV
CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning
Nanyang Technological University(南洋理工大学);The University of Adelaide(阿德莱德大学);China University of Mining and Technology(中国矿业大学)
语义分割的最新进展是由深度卷积神经网络和大规模标记图像数据集驱动的。然而,用于逐像素分割的数据标记是繁琐且昂贵的。此外,经过训练的模型只能在一组预定义的类内进行预测。在本文中,我们提出了CANet,一个类不可知的分割网络,执行Few-Shot分割新的类,只有少数注释的图像可用。我们的网络由一个两分支密集比较模块和一个迭代优化模块组成,该模块在支持图像和查询图像之间进行多级特征比较,该模块迭代地细化预测结果。此外,我们引入了一个注意力机制,以有效地融合信息,从多个支持的例子下,k-shot学习。PASCAL VOC 2012上的实验表明,我们的方法实现了平均Intersection-over-Union得分为55.4%的1镜头分割和57.1%的5镜头分割,分别超过了14.6%和13.2%的大幅度的最先进的方法。
2019-03-06 cs.CV
From Gradient Clipping to Structural Refinement: Improving DPSGD for Medical Image Segmentation
University of Basel(巴塞尔大学)
针对医学图像分割中差分隐私带来的效用下降问题,评估了多种DPSGD变体,并提出结合形态学细化的自适应DP-Morph方法,提升多类分割性能。
2026-06-23 cs.CR cs.CV
High-Quality Unknown Object Instance Segmentation via Quadruple Boundary Error Refinement
Korea Institute of Machinery & Materials (KIMM)(韩国机械与材料研究院);Gwangju Institute of Science and Technology (GIST)(光州科学技术院);Hyundai Motor Company(现代汽车公司)
针对未知物体实例分割中的过/欠分割问题,提出QuBER方法,通过估计四重边界误差并利用误差引导融合细化分割,在三个基准上超越现有方法,推理时间小于0.1秒,并提升抓取成功率。
2025-02-27 cs.CV cs.RO
iSeg: An Iterative Refinement-based Framework for Training-free Segmentation
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);School of Big Data and Software Engineering, Chongqing University(重庆大学大数据与软件工程学院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Linkoping University(林雪平大学)
本研究针对免训练分割任务,提出基于迭代优化的iSeg框架,通过熵降低自注意力模块和类别增强交叉注意力模块充分利用自注意力信息,在Cityscapes无监督语义分割上较现有最优免训练方法提升3.8% mIoU。
2024-10-08 cs.CV
U-CFR: Uncertainty-Guided Cascade Forward Refinement for Interactive Segmentation
University of Idaho(爱达荷大学);Idaho National Laboratory(爱达荷国家实验室)
针对交互式图像分割中现有方法的不足,提出U-CFR框架,通过引入边界感知不确定性分数引导伪点击,利用双头网络和级联细化步骤,提升了点击效率、掩码质量和边界精度,实现更智能高效的交互式标注。
2026-07-24 cs.AI cs.CV
PR-MaGIC: Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation
Pohang University of Science and Technology(浦项科学技术大学)
PR-MaGIC通过掩码解码器梯度流精炼提示,提升上下文分割性能,无需额外训练,有效缓解提示不足问题。
2026-10-14 cs.AI cs.CV
LVIS Challenge Track Technical Report 1st Place Solution: Distribution Balanced and Boundary Refinement for Large Vocabulary Instance Segmentation
Tencent YouTu Lab(腾讯优图实验室)
本报告介绍了2021年LVIS挑战赛的FuXi-Fresher团队的技术细节。该方法主要从图像的长尾分布和掩模与边界的分割质量两个方面进行研究。基于先进的HTC实例分割算法,我们通过受CBNetv 2启发的复合连接来连接Transformer主干(Swin-L),以增强基线结果。针对长尾分布的问题,设计了一种分布均衡方法,包括数据集均衡和损失函数均衡两个模块。此外,我们使用一个掩码和边界细化方法组成的掩码评分和细化掩码算法,以提高分割质量。此外,我们惊喜地发现,早期停止结合EMA方法可以实现很大的改善。最后,通过使用多尺度测试并增加每张图像检测到的对象数量的上限,我们在LVIS Challenge 2021的val集上实现了超过45.4%的边界AP。在LVIS Challenge 2021的测试数据中,我们排名第一,获得48.1%的AP。值得注意的是,我们的APr 47.5%非常接近APf 48.0%。
2021-11-05 cs.CV
ReFit: A Framework for Refinement of Weakly Supervised Semantic Segmentation using Object Border Fitting for Medical Images
Technische Universität Wien(维也纳工业大学);New York University Abu Dhabi(纽约大学阿布扎比分校)
ReFit框架结合类激活图、后处理和非监督分割边界图,解决弱监督语义分割缺乏对象边界信息的问题,在医学图像分割上最高提升10%。
2023-09-20 cs.CV cs.LG
CFR-ICL: Cascade-Forward Refinement with Iterative Click Loss for Interactive Image Segmentation
University of Idaho(爱达荷大学);Idaho National Laboratory(爱达荷国家实验室)
针对交互式图像分割中推理规则僵化、需独立细化模型及点击数与性能难平衡的问题,提出融合 CFR、ICL 与 SUEM 的统一框架,在五个数据集上达到最先进水平并显著减少点击次数。
2024-03-04 cs.CV
A Gift from the Integration of Discriminative and Diffusion-based Generative Learning: Boundary Refinement Remote Sensing Semantic Segmentation
School of Geosciences and Info-Physics, Central South University(地质科学与信息物理学院,中南大学);College of Computer Science, Inner Mongolia University(计算机学院,内蒙古大学)
本文提出IDGBR框架,整合判别与生成学习,通过粗分割图与原始图像的联合学习,利用迭代去噪扩散过程实现遥感图像边界精细化分割。
2026-01-27 cs.CV
Risk-Routed Implicit Boundary Refinement for Robust Ultrasound Image Segmentation
针对医学超声图像分割难题,提出风险路由隐式边界细化框架RIBR,结合多种手段细化轮廓抑制振荡,在九个数据集评估中,于紧凑参数预算下取得最佳总体宏平均并减少边界误差。
2026-10-16 cs.CV
CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement
Korea University(高丽大学)
本文提出一种交互式病理图像分割方法,通过点击引导注意力模块(CGAM)将交互式分割转化为优化问题,结合用户点击约束与特征图语义信息精修网络输出,避免对用户点击过拟合且模型大小与输入无关,性能优于现有最先进方法。
2023-07-03 cs.CV
Efficient Video Semantic Segmentation with Labels Propagation and Refinement
ETH Zürich(苏黎世联邦理工学院)
针对高清视频的实时语义分割问题,提出了一种基于GPU / CPU的混合算法。我们提出了一个高效的视频分割(EVS)流水线,结合:(i)在CPU上,一个非常快速的光流方法,这是用来利用视频的时间方面和传播语义信息从一帧到下一帧。它与GPU并行运行。(ii)在GPU上,两个卷积神经网络:一个主要的分割网络,用于从头开始预测密集的语义标签,以及一个Refiner,旨在通过快速的Incredibility Attention Module(IAM)来改进先前帧的预测。后者可以识别无法准确传播的区域。我们建议几个操作点取决于所需的帧速率和精度。我们的流水线达到了与现有的实时语义图像分割方法(mIoU高于60%)竞争的准确度水平,同时实现了更高的帧速率。在具有高分辨率帧(2048 x 1024)的流行Cityscapes数据集上,单个GPU和CPU上的建议操作点范围为80到1000 Hz。
2019-12-26 cs.CV
Towards Good Practices for Instance Segmentation
ByteDance AI Lab(字节跳动人工智能实验室)
实例分割是计算机视觉中一个有趣而又具有挑战性的任务。在本文中,我们进行了一系列的改进与混合任务级联(HTC)网络,并通过消融研究经验评估其对最终模型性能的影响。通过采取所有的改进,我们在COCO测试开发数据集上实现了0.47,在COCO测试挑战数据集上实现了0.47。
2019-10-28 cs.CV
Cell image segmentation by Feature Random Enhancement Module
Meijo University(名城大学)
为了实现高精度的语义分割,使用编码器提取好的特征是很重要的。虽然在训练深度神经网络时对损失函数进行了优化,但距离计算损失函数的层较远的层很难进行训练。跳过连接对这个问题是有效的,但仍然有远离损失函数的层。在本文中,我们提出了特征随机增强模块,仅在训练中随机增强特征。通过强调远离损失函数的层的特征,可以很好地对这些层进行训练,从而提高了分类精度。在实验中,我们对两种细胞图像数据集进行了评估,我们的模块在测试阶段在不增加计算成本的情况下提高了分割精度。
2021-01-20 cs.CV eess.IV
Learning from Adversity: Semantic-Aware Mask Refinement through Adversarial Perturbation
NAVER Cloud(NAVER云);KAIST(韩国科学技术院)
提出Phoenix框架,用对抗学习生成语义噪声、对比学习建模细化关系,在图像分割掩码细化任务中性能优于现有方法,可提升先进分割模型。
2026-08-03 cs.CV
Terrain-Enhanced Resolution-aware Refinement Attention for Off-Road Segmentation
Gachon University(嘉泉大学)
提出一种分辨率感知token解码器,通过低分辨率瓶颈、门控交叉注意力与类别感知点细化,结合边界带一致性正则化,在噪声标签下平衡全局语义、局部一致性与边界保真度,实现越野语义分割的竞争性能与稳定性提升。
2025-11-03 cs.CV