新的变分模型增强了弱边界图像分割

研究人员开发了一种新的图像分割变分模型，专门用于处理具有弱边界或模糊边界的均质结构。该模型基于Cahn-Hilliard方程，将基于softmax的区域拟合与相场正则化相结合，即使在图像驱动力较弱的情况下也能保持清晰的界面。提出的框架包括用于自适应质量变化的混合L2-H-1梯度流和用于高效计算的稳定标量辅助变量方案。在合成图像和医学图像上的实验表明，该方法能有效分离相邻的均质结构，并与现有的变分、相场和深度学习方法相比，提供了更高的准确性和边界定位精度。 AI

影响 这种新的分割模型可以提高医学成像等领域中AI驱动的图像分析的准确性。

排序理由 详细介绍新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• arXivLabs
• Cahn--Hilliard equation
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• L2++
• Litmaps
• ScienceCast
• scite Smart Citations
• Softmax

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →