LTPNet:病变感知三路径特征融合网络用于皮肤病变分割

《Journal of Imaging》:LTPNet: Lesion-Aware Triple-Path Feature Fusion Network for Skin Lesion Segmentation Yange Sun, Sen Chen, Huaping Guo, Li Zhang, Hongzhou Yue and Yan Feng

【字体: 大 中 小 】 时间:2026年03月05日 来源:Journal of Imaging 3.8

编辑推荐:

  UV参数化是构建带纹理3D模型的基础步骤,但最小化纹理失真并确保接缝沿着有意义的边界放置仍是一项挑战。本文提出UVSegNet,一种新颖的语义边界感知UV参数化框架,结合了部分级分割与几何感知参数化。为解决参数化中常见的接缝放置问题,研究人员引入一个边界感知引

  
UV参数化是构建带纹理3D模型的基础步骤,但最小化纹理失真并确保接缝沿着有意义的边界放置仍是一项挑战。本文提出UVSegNet,一种新颖的语义边界感知UV参数化框架,结合了部分级分割与几何感知参数化。为解决参数化中常见的接缝放置问题,研究人员引入一个边界感知引导的UV映射模块,联合优化几何精度和接缝布局。此外,为更好地处理人造物体中常见的圆柱结构,研究人员引入圆柱监督策略,以减少对齐错误和展开失真。在代表性物体类别上的实验表明,UVSegNet在纹理质量和接缝质量上均优于其他优秀基线模型。与Nuvo相比,UVSegNet通过生成更紧凑的接缝布局,将角度失真(共形性)指标改进了24.1%,接缝紧凑性改进了60.5%。实验结果表明,由于边界约束和几何驱动建模的互补机制,UVSegNet在映射质量和接缝质量上均优于基线方法。
**论文解读:UVSegNet——语义边界感知的神经UV参数化框架**

**研究背景与问题**
在游戏和电影制作流程中,自动UV展开工具已得到广泛应用,但仍严重依赖人工优化以改善纹理映射效果。现有自动化方法难以在失真降低、接缝放置和纹理打包效率之间取得平衡,迫使技术美术师投入大量精力进行切割、调整和布局。这种对人工精修的依赖不仅限制了工作效率,也影响了纹理质量。因此,开发更智能、更自动化的UV参数化方法具有迫切需求。

传统表面参数化方法(如LSCM、ABF++、SCP、ARAP)主要基于几何驱动,缺乏语义意识,可能导致UV空间中语义相关部分被割裂,或在高度弯曲或拓扑噪声严重的表面上产生重叠或严重失真,往往需要人工边界调整。近年来,深度学习驱动的神经映射方法(如AtlasNet、Nuvo、FlexPara)在参数化自动化方面取得了进展,但大多仍以几何优化为主,未显式地将接缝对齐与物体结构/语义边界关联起来,导致接缝可能穿过语义一致的区域或放置在视觉显著区域,增加人工工作量。

**研究目的**
为解决上述问题,研究人员提出UVSegNet,一种语义边界感知的神经UV参数化框架,旨在通过集成部分级点云分割与几何感知映射,实现低失真、结构一致且接缝紧凑的UV布局,同时保持纹理保真度。

**关键技术方法**
研究人员采用以下主要技术方法(基于PartNet数据集[28]的子集,该数据集来自ShapeNet,包含24个类别、超过26000个模型):
1. **边界敏感自适应采样**:通过计算二面角检测显著边缘,动态分配采样密度,在几何特征边缘增加点覆盖,同时保持平滑区域均匀性,为语义分割和UV参数化提供信息丰富的点云表示。
2. **UVSegNet网络**:采用轻量级非对称双向循环映射架构,包含边界感知注意力机制,显式利用语义分割提取的结构线索引导接缝放置;同时设计逆映射模块保证双向映射的一致性和双射性。
3. **多损失协同监督模块**:包含重构损失、共形损失、拉伸损失、平滑损失、聚类损失、连通性损失,以及针对圆柱结构的圆柱损失,通过加权组合联合优化几何精度、局部共形性、边界紧凑性和结构感知。

**研究结果**
**3.1 对比实验**
- **与Nuvo对比**:UVSegNet在角度失真(共形性)上降低24.1%(误差0.1141),边界紧凑性提升60.5%(0.2360),61.2%的接缝与语义边界对齐,处理时间从3.7小时缩短至48分钟。纹理失真和平均纹理误差均显著降低。
- **与AtlasNet对比**:UVSegNet在共形性误差上平均降低84.5%(最高87.9%),Chamfer距离平均降低70.1%,总接缝长度更短,表明接缝布局更紧凑、碎片化更少。纹理失真和平均纹理误差在所有类别上均降低。

**3.2 消融研究**
通过移除各损失项,研究人员发现:共形损失对降低局部角度失真至关重要;拉伸损失与共形损失存在耦合,移除拉伸损失会导致共形误差显著增加;边界损失或边界信息的移除同时影响角度失真和边界紧凑性;重构损失的缺失使边界紧凑性下降36.4%,表明几何拟合过程间接促进边界结构化。纹理可视化对比显示,完整模型产生平滑连续的纹理分布,而移除拉伸损失或共形损失分别导致局部拉伸不均或角度失真。

**3.3 接缝研究**
定性比较显示,UVSegNet生成紧凑且结构一致的接缝布局,主要沿有意义的部分边界(如关节和组件接口)放置,形成大而连续的UV岛,保持纹理连续性。Blender Smart UV产生大量碎片化接缝,Nuvo虽减少碎片化但仍在单个组件内产生冗余接缝。定量结果(表4)表明,UVSegNet在接缝数量、岛数量与Nuvo相同(3个),但边界对齐分数更高,说明接缝减少是通过与语义边界对齐实现的,而非在组件内部切割。

**3.4 定性结果与泛化**
在ShapeNetCore、3D-FUTURE和ModelNet数据集上的纹理映射结果展示了UVSegNet的强泛化能力,尤其对PartNet训练集中包含的类别表现良好。对于未见类别,由于依赖语义分割先验,性能可能下降,需要额外训练或微调。

**讨论**
UVSegNet通过显式耦合语义边界线索与几何感知参数化,改善了整体失真-接缝权衡,比纯几何驱动或无监督方法产生更结构对齐的接缝布局和更好的纹理连续性。内部一致性指标在部分类别上未一致提升,这归因于边界对齐的图表绘制可能引入界面锐度,反映了接缝决策与平滑度之间的常见权衡。泛化实验表明,框架在PartNet训练分布覆盖良好的类别上表现最佳,对于极端拓扑(如高亏格形状、薄壳、近自接触结构)或非流形/噪声几何,部分分割和边界驱动的接缝引导面临挑战。未来工作将增强分割鲁棒性(如更广的训练覆盖或域自适应)并引入轻量级跨图表一致性正则化。

**研究结论**
本文提出UVSegNet,一个语义边界感知的神经UV参数化框架,集成部分级点云分割与几何感知映射及接缝优化。通过联合利用语义边界线索和几何正则化(共形和拉伸约束),UVSegNet生成的UV布局具有更低的失真、更结构一致的接缝放置和更高的纹理保真度,优于Nuvo和AtlasNet等强基线。此外,所提出的圆柱结构感知监督进一步稳定了管状部件的展开,改善了挑战区域的纹理连续性。性能提升之外,UVSegNet还展示了关键特性和潜在价值:几何-语义一致性(接缝分布与功能部件边界对齐,支持语义编辑和局部纹理替换)、结构感知(通过圆柱损失改善管状部件展开质量)和可扩展性(模块化两阶段设计适应不同分辨率和多样3D物体类别)。尽管结果令人鼓舞,UVSegNet仍依赖分割先验,可能受到分布外类别和极端拓扑的挑战。未来工作将聚焦于提升对域偏移的鲁棒性,通过扩展分割覆盖和探索域自适应,并引入轻量级跨图表一致性正则化以更好地平衡接缝位置和界面平滑度。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号