論文の概要: A Registration-Based Star-Shape Segmentation Model and Fast Algorithms

• arxiv url: http://arxiv.org/abs/2508.07721v1
• Date: Mon, 11 Aug 2025 07:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.99982
• Title: A Registration-Based Star-Shape Segmentation Model and Fast Algorithms
• Title（参考訳）: 登録に基づく星形セグメンテーションモデルと高速アルゴリズム
• Authors: Daoping Zhang, Xue-Cheng Tai, Lok Ming Lui,
• Abstract要約: 登録フレームワークに基づく星形セグメンテーションモデルを提案する。 我々のアプローチは、特定された境界の強制が特定のランドマークの場所を通過することを可能にする。
• 参考スコア（独自算出の注目度）: 2.7992435001846823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image segmentation plays a crucial role in extracting objects of interest and identifying their boundaries within an image. However, accurate segmentation becomes challenging when dealing with occlusions, obscurities, or noise in corrupted images. To tackle this challenge, prior information is often utilized, with recent attention on star-shape priors. In this paper, we propose a star-shape segmentation model based on the registration framework. By combining the level set representation with the registration framework and imposing constraints on the deformed level set function, our model enables both full and partial star-shape segmentation, accommodating single or multiple centers. Additionally, our approach allows for the enforcement of identified boundaries to pass through specified landmark locations. We tackle the proposed models using the alternating direction method of multipliers. Through numerical experiments conducted on synthetic and real images, we demonstrate the efficacy of our approach in achieving accurate star-shape segmentation.
• Abstract（参考訳）: イメージセグメンテーションは、関心の対象を抽出し、画像内の境界を識別する上で重要な役割を果たす。 しかし、劣化した画像のオクルージョンや不明瞭さ、ノイズを扱う際には、正確なセグメンテーションが困難になる。 この課題に対処するために、先進的な情報がしばしば利用され、近年では星形に注目が集まっている。 本稿では,登録フレームワークに基づく星形セグメンテーションモデルを提案する。 レベルセット表現を登録フレームワークと組み合わせ、変形したレベルセット関数に制約を課すことで、完全かつ部分的な星形セグメンテーションを可能とし、単一または複数の中心を収容できる。 さらに,本手法により,特定された境界線を特定のランドマークの場所を通り抜けることが可能となる。 乗算器の交互方向法によるモデルを提案する。 合成画像と実画像を用いて数値実験を行い、正確な星形セグメンテーションを実現するためのアプローチの有効性を実証した。

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)
• Deep ContourFlow: Advancing Active Contours with Deep Learning [3.9948520633731026]
  画像分割のための教師なしとワンショットの両方のアプローチのためのフレームワークを提案する。 広範なラベル付きトレーニングデータを必要とせずに、複雑なオブジェクト境界をキャプチャできる。 これは特に、注釈の不足に直面している分野である歴史学において必要である。
  論文  参考訳（メタデータ） (2024-07-15T13:12:34Z)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  インコンテキストセグメンテーションは、与えられた参照画像を使ってオブジェクトをセグメンテーションすることを目的としている。 既存のほとんどのアプローチでは、視覚的プロンプトと入力画像クエリの相関を構築するために、メトリックラーニングやマスク付きイメージモデリングを採用しています。 この研究は、新しい視点から問題にアプローチし、コンテキスト内セグメンテーションのための潜在拡散モデルの能力を解き放つ。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• Saliency-Driven Active Contour Model for Image Segmentation [2.8348950186890467]
  本稿では,局所的な画像情報(LIF)を用いたサリエンシマップの利点を利用して,従来のモデルの欠点を克服する新しいモデルを提案する。 提案モデルでは,画像の鮮度マップと局所画像情報を用いて,アクティブな輪郭モデルの進行性を向上させる。
  論文  参考訳（メタデータ） (2022-05-23T06:02:52Z)
• Self-Supervised Video Object Segmentation via Cutout Prediction and Tagging [117.73967303377381]
  本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。 本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。 提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-04-22T17:53:27Z)
• A Random Point Initialization Approach to Image Segmentation with Variational Level-sets [0.0]
  本稿では,オブジェクト境界を迅速に検出できる変動レベルセット画像分割法を提案する。 実画像上での本手法の性能をCanny法と比較することにより,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-12-23T04:37:44Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Self-supervised Human Detection and Segmentation via Multi-view Consensus [116.92405645348185]
  本稿では,トレーニング中に幾何学的制約を多視点一貫性という形で組み込むマルチカメラフレームワークを提案する。 本手法は,標準ベンチマークから視覚的に外れた画像に対して,最先端の自己監視的人物検出とセグメンテーション技術に勝ることを示す。
  論文  参考訳（メタデータ） (2020-12-09T15:47:21Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)

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。