Краткое содержание

arXiv:2511.13063v1 Тип объявления: новый Аннотация: Точное сегментирование нервных структур на изображениях электронной микроскопии (ЭМ) имеет первостепенное значение для нейробиологии. Однако эта задача осложняется сложностью морфологий, низким отношением сигнал/шум и ограниченным количеством аннотаций, что ограничивает точность и обобщаемость существующих методов. Для преодоления этих трудностей мы стремимся использовать априорные знания, полученные визуальными фундаментальными моделями на большом объёме естественных изображений, чтобы лучше справиться с этой задачей. В частности, мы предлагаем новую архитектуру, способную эффективно переносить знания от модели Segment Anything 2 (SAM2), предварительно обученной на естественных изображениях, в область ЭМ-изображений. Сначала мы используем SAM2 для извлечения мощных универсальных признаков. Чтобы преодолеть разрыв между доменами, мы вводим модуль направленного внимания на основе признаков, который использует семантические подсказки от SAM2 для управления лёгким кодировщиком — детальным кодировщиком (Fine-Grained Encoder, FGE), фокусирующимся на сложных областях. Наконец, декодер двойственной аффинности генерирует как грубые, так и детализированные сегментации одновременно, обеспечивая высокую производительность даже на трудных примерах.