論文の概要: Continuous-tone Simple Points: An $\ell_0$-Norm of Cyclic Gradient for Topology-Preserving Data-Driven Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.28159v1
• Date: Thu, 30 Apr 2026 17:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.234356
• Title: Continuous-tone Simple Points: An $\ell_0$-Norm of Cyclic Gradient for Topology-Preserving Data-Driven Image Segmentation
• Title（参考訳）: 連続音の単純な点: 位相保存型データ駆動イメージセグメンテーションのための循環勾配の$\ell_0$-Norm
• Authors: Wenxiao Li, Faqiang Wang, Yuping Duan, Li Cui, Liqiang Zhang, Jun Liu,
• Abstract要約: トポロジカルな特徴は、画像解析タスクにおける幾何学的可視性と構造的整合性の確保に不可欠である。 既存の単純な点検出法はバイナリ画像に限られており、微分不可能である。 本稿では,連続評価画像上の単純な点を直接計算し,位相推定の微分を可能にする手法を提案する。
• 参考スコア（独自算出の注目度）: 12.419704025342476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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, morphological and purely data-driven approaches often fail to guaranty topological consistency. To address these limitations, we propose a novel method that directly computes simple points on continuous-valued images, enabling differentiable topological inference. Building on this theory, we develop an efficient skeleton extraction algorithm that preserves topological structures in binary and continuous-valued images. Furthermore, we design a variational model that enforces topological constraints by preserving topologically non-removable (i.e., non-simple) points, which can be seamlessly integrated into any deep neural network segmentation with softmax or sigmoid outputs. Experimental results demonstrate that the proposed approach effectively improves topological integrity and structural accuracy across multiple benchmarks. The codes are available in https://github.com/levnsio/CSP.
• Abstract（参考訳）: トポロジカルな特徴は、セグメンテーションやスケルトン化といった画像解析タスクにおいて、幾何学的可視性と構造的整合性を確保する上で重要な役割を担っている。 しかし,単純な点に基づく位相保存学習を深層学習タスクに統合することは,従来の単純な点検出法はバイナリ画像に限定されており,非微分可能であり,現代の深層学習における勾配に基づく最適化とは相容れないため,依然として困難である。 さらに、形態学的および純粋にデータ駆動のアプローチは、しばしば位相的一貫性を保証できない。 これらの制約に対処するため,連続値画像上の単純な点を直接計算し,位相推定の微分を可能にする手法を提案する。 この理論に基づいて,2値画像と連続値画像の位相構造を保存する効率的な骨格抽出アルゴリズムを開発した。 さらに、位相的に除去不能な点(つまり、単純でない点)を保存することにより、位相的制約を強制する変動モデルを設計し、ソフトマックスやシグモイド出力で任意のディープニューラルネットワークセグメンテーションにシームレスに統合することができる。 実験結果から,提案手法は複数のベンチマークにおけるトポロジ的整合性と構造的精度を効果的に向上することが示された。 コードはhttps://github.com/levnsio/CSPで公開されている。

関連論文リスト

• Leveraging Persistence Image to Enhance Robustness and Performance in Curvilinear Structure Segmentation [17.808385571339624]
  PIs-Regressorは、データから直接、永続画像(PI) – トポロジ的特徴の有限で微分可能な表現 – を学習する。 本手法は手作り損失関数に大きく依存する既存の手法とは異なり,ネットワーク構造に直接トポロジ情報を組み込む。 3つのカービリニアベンチマークに対するアプローチは,画素レベルの精度とトポロジカル忠実度の両方において,最先端の性能を示す。
  論文  参考訳（メタデータ） (2026-01-25T23:51:45Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• STITCH: Surface reconstrucTion using Implicit neural representations with Topology Constraints and persistent Homology [23.70495314317551]
  スパースおよび不規則に間隔を置いた点雲のニューラル暗黙表面再構成のための新しいアプローチSTITCHを提案する。 連続ホモロジーに基づく新しい微分可能なフレームワークを開発し、トポロジ的損失項を定式化し、1つの2次元多様体オブジェクトの先行を強制する。
  論文  参考訳（メタデータ） (2024-12-24T22:55:35Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)

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。