仅1个标注掩码，新分割法横扫54项领先，性能暴涨16%！
Exemplar: Classical Priors Complement Frozen Features for Few-Shot Microscopy Segmentation at Native Resolution
📖 AI 总结
该研究提出了一种名为Exemplar的少样本显微图像分割方法，旨在解决新生物医学数据集分割时对大量标注或基础模型推理的依赖问题。该方法将冻结的DINOv3自监督特征与固定的经典原生分辨率滤波器响应结合在一个轻量级分割头中，仅通过支持掩膜进行拟合。实验表明，在少掩膜、原生分辨率条件下，经典先验与冻结特征具有互补性：单一固定配置即可覆盖11个生物医学成像数据集，融合后平均得分达0.782，显著优于单独使用经典滤波器库（0.693）或冻结特征（0.672）的表现。在与五种前向少样本方法的对比中，Exemplar在55项方法-数据集比较中领先54项，其中52项经Holm校正后仍具显著性。即便仅使用单张标注掩膜，其得分（0.703）也高于从头训练的nnU-Net（0.682）；在八张掩膜时nnU-Net虽在平均分上反超，但训练耗时是Exemplar的16至77倍。该研究表明，经典图像先验与自监督特征的有效融合为少样本医学图像分割提供了高效且通用的新路径。
🔑 关键词速览
| Exemplar | 本文提出的少样本分割模型，融合冻结的DINOv3特征和经典滤波器库。 |
| DINOv3 | 一种自监督视觉Transformer模型，此处使用冻结的预训练特征。 |
| few-shot segmentation | 少样本分割，仅用少量标注样本训练模型进行分割任务。 |
| classical priors | 经典先验，指基于手工设计的滤波器（如边缘检测）提取的图像特征。 |
| nnU-Net | 一种自适应U-Net架构的医学图像分割框架，常用于基准比较。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅