论文概要
研究领域: CV 作者: Le Dung, Toshiaki Kondo, Munehiro Nakamura et al. 发布时间: 2026-04-30 arXiv: 2604.28159
中文摘要
拓扑特征在确保图像分析任务（如分割和骨架化）中的几何合理性和结构一致性方面起着关键作用。然而，将基于简单点的拓扑保持学习整合到深度学习任务中仍然具有挑战性，因为现有的简单点检测方法局限于二值图像且不可微，使其与现代深度学习中的基于梯度优化不兼容。此外，形态学和纯数据驱动方法往往无法保证拓扑一致性。为解决这些局限性，我们提出一种新方法，直接在连续值图像上计算简单点，实现可微的拓扑推断。基于这一理论，我们开发了一种高效的骨架提取算法，在二值和连续值图像中保持拓扑结构。此外，我们设计了一个变分模型，通过保持拓扑不可移除（即非简单）点来强制拓扑约束，可以无缝集成到任何具有softmax或sigmoid输出的深度神经网络分割中。实验结果表明，所提方法在多个基准上有效提升了拓扑完整性和结构准确率。代码已开源。
原文摘要
Topological features play an essential role in ensuring geometric plausibility and structural consistency in image analysis tasks such as segmentation and skeletonization. However, integrating topology-preserving learning based on simple points into deep learning tasks remains challenging, as existing simple point detection methods are confined to binary images and are non-differentiable, rendering them incompatible with gradient-based optimization in modern deep learning. Moreover, morphologica...
--- *自动采集于 2026-05-02*
#论文 #arXiv #CV #小凯