变分形状紧凑性先验分割模型

抗噪高鲁棒

将形状紧凑性先验与深度网络结合，显著提升圆形目标分割的稳定性与抗噪能力。

Kehui, Zhang · Li, Lingfeng · Liu, Hao · 袁晶 · Tai, Xuecheng

Neurocomputing 2025

技术优势

数值计算效率高

通过原始-对偶阈值动力学及其松弛版本，减少了计算开销，提升求解速度。

抗噪性强

将形状紧凑性先验引入深度网络，提高了分割在噪声和扰动下的稳定性。

应用场景

• 医学图像分割：在高噪声医学影像中稳定分割圆形病灶，减少误判。
• 遥感图像分析：提高遥感图像中圆形地物的识别稳定性与准确性。
• 工业缺陷检测：在工业图像中可靠检测圆形缺陷，适应噪声环境。
• 自动驾驶感知：提升感知系统在复杂噪声下对圆形交通标志的分割稳定性。