論文の概要: Contour Field based Elliptical Shape Prior for the Segment Anything Model

• arxiv url: http://arxiv.org/abs/2504.12556v1
• Date: Thu, 17 Apr 2025 01:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:37:03.742518
• Title: Contour Field based Elliptical Shape Prior for the Segment Anything Model
• Title（参考訳）: セグメンテーションモデルに先立つ輪郭場に基づく楕円形状
• Authors: Xinyu Zhao, Jun Liu, Faqiang Wang, Li Cui, Yuping Duan,
• Abstract要約: 楕円形の先行情報は、医学や自然画像における特定のタスクに対する画像分割の精度を向上させる上で重要な役割を担っている。 SAM(Segment Anything Model)など、既存のディープラーニングベースのセグメンテーション手法では、楕円形状のセグメンテーション結果の効率向上に苦慮することが多い。 本稿では,従来の楕円形状を,変分法を用いて深層学習に基づくSAM画像分割手法に統合する手法を提案する。
• 参考スコア（独自算出の注目度）: 14.283740767419319
• License:
• Abstract: The elliptical shape prior information plays a vital role in improving the accuracy of image segmentation for specific tasks in medical and natural images. Existing deep learning-based segmentation methods, including the Segment Anything Model (SAM), often struggle to produce segmentation results with elliptical shapes efficiently. This paper proposes a new approach to integrate the prior of elliptical shapes into the deep learning-based SAM image segmentation techniques using variational methods. The proposed method establishes a parameterized elliptical contour field, which constrains the segmentation results to align with predefined elliptical contours. Utilizing the dual algorithm, the model seamlessly integrates image features with elliptical priors and spatial regularization priors, thereby greatly enhancing segmentation accuracy. By decomposing SAM into four mathematical sub-problems, we integrate the variational ellipse prior to design a new SAM network structure, ensuring that the segmentation output of SAM consists of elliptical regions. Experimental results on some specific image datasets demonstrate an improvement over the original SAM.
• Abstract（参考訳）: 楕円形の先行情報は、医療や自然画像における特定のタスクに対する画像セグメンテーションの精度を向上させる上で重要な役割を担っている。 SAM(Segment Anything Model)など、既存のディープラーニングベースのセグメンテーション手法では、楕円形状のセグメンテーション結果の効率向上に苦慮することが多い。 本稿では,従来の楕円形状を,変分法を用いて深層学習に基づくSAM画像分割手法に統合する手法を提案する。 提案手法はパラメータ化楕円形輪郭場を確立し, 分割結果の制約を予め定義された楕円形輪郭と整合させる。 デュアルアルゴリズムを用いることで、画像特徴と楕円的先行と空間正則化先行とをシームレスに統合し、セグメント化精度を大幅に向上する。 SAMを4つの数学的サブプロブレムに分解することにより、新しいSAMネットワーク構造を設計する前に変分楕円を積分し、SAMのセグメンテーション出力が楕円領域であることを保証する。 いくつかの特定の画像データセットの実験結果は、オリジナルのSAMよりも改善されていることを示している。

関連論文リスト

• SketchYourSeg: Mask-Free Subjective Image Segmentation via Freehand Sketches [116.1810651297801]
  SketchYourSegは、主観的なイメージセグメンテーションのための強力なクエリモダリティとして、フリーハンドスケッチを確立している。 我々の評価は、様々なベンチマークで既存のアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2025-01-27T13:07:51Z)
• Slender Object Scene Segmentation in Remote Sensing Image Based on Learnable Morphological Skeleton with Segment Anything Model [23.419029471215325]
  本稿では,学習可能な形態学スケルトンを深層ニューラルネットワークに組み込む新しい手法を提案する。 建物,道路,水などのリモートセンシングデータセットの実験結果から,本手法が元のセグメン・アプライシング・モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-13T13:19:51Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
  提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。 トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-28T00:43:52Z)
• Cross-modal tumor segmentation using generative blending augmentation and self training [1.6440045168835438]
  本稿では,新しいデータ拡張手法によって強化された従来の画像合成に基づくクロスモーダルセグメンテーション手法を提案する。 Generative Blending Augmentation (GBA)は、単一のトレーニング画像から代表的生成特徴を学習し、腫瘍の外観を現実的に多様化させる。 提案手法は,MICCAI CrossMoDA 2022 チャレンジの検証および試験段階において,前庭神経ショーノマ(VS)セグメンテーションにおいて第1位となった。
  論文  参考訳（メタデータ） (2023-04-04T11:01:46Z)
• Diffusion Models for Implicit Image Segmentation Ensembles [1.444701913511243]
  拡散モデルに基づく新しいセマンティックセグメンテーション手法を提案する。 トレーニングとサンプリングの手法を改良することにより,拡散モデルが医用画像の病変分割を行うことができることを示す。 最先端セグメンテーションモデルと比較して,本手法は良好なセグメンテーション結果と有意義な不確実性マップが得られる。
  論文  参考訳（メタデータ） (2021-12-06T16:28:15Z)
• SEG-MAT: 3D Shape Segmentation Using Medial Axis Transform [49.51977253452456]
  入力形状の媒体軸変換(MAT)に基づく3次元形状分割の効率的な方法を提案する。 具体的には、MATに符号化された豊富な幾何学的および構造的情報により、3次元形状の異なる部分間の様々な種類の接合を識別することができる。 本手法は, セグメンテーション品質の点で最先端の手法より優れ, 桁違いに高速である。
  論文  参考訳（メタデータ） (2020-10-22T07:15:23Z)
• Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
  本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。 物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。 実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-21T11:44:52Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。