二值图像的拓扑保持下采样
内容提要
本文提出了一种新学习方法，通过设计连续的价值损失函数，促进分割与真值相同的拓扑结构。引入的边缘保留概率下采样方法提高了图像下采样质量，显著提升了IoU指标。同时，利用持久同调训练神经网络，实现了拓扑准确性，并验证了在医学数据集上的有效性。
延伸解读
拓扑保持下采样的核心思路
文章提出边缘保留概率下采样（EPD），利用局部窗口中的类别不确定性生成软标签，使低分辨率网络仍能输出高质量预测。与最近邻和双线性插值相比，EPD在保留边缘细节上更有效，从而提升整体分割性能。
量化收益与适用场景
在将数据下采样至1/2、1/4和1/8时，EPD使IoU分别提高2.85%、8.65%和11.89%。这表明下采样倍率越高，EPD相对常规插值的优势越明显，尤其适合计算资源受限、需高分辨率输入的场景。
持久同调与拓扑损失函数
文章利用持久同调捕捉分割结果的高级拓扑特征，设计连续价值损失函数促使预测与真值具有相同Betti数。该方法在多类别分割中通过持久性条码匹配优化，转化为单类别任务，从而加速训练，并在四个医学数据集上验证有效。
Betti匹配算法的效率提升
文章提出高效Betti匹配算法，并给出高度优化的C++实现与Python接口。相较于Cubical Ripser，该实现在计算持久条形码时显著加速，并作为损失函数训练拓扑感知分割网络，在多个数据集上改善了预测的拓扑正确性。
Q&A
什么是边缘保留概率下采样方法？
边缘保留概率下采样方法是一种利用局部窗口中的类别不确定性生成软标签的技术，旨在以低分辨率实现高质量预测，从而更有效地保留图像的边缘细节。
这项研究如何提高图像下采样的质量？
通过引入边缘保留概率下采样方法，研究显著提高了图像下采样质量，提升了IoU指标，分别在1/2、1/4和1/8的下采样中提高了2.85%、8.65%和11.89%。
持久同调在这项研究中有什么作用？
持久同调用于训练神经网络，以实现拓扑准确性，并在医学数据集上验证了其有效性。
这项研究的主要目标是什么？
研究的主要目标是通过设计连续的价值损失函数，促进分割与真值相同的拓扑结构，以提高深度神经网络在自然和生物医学数据集上的性能。
如何实现拓扑准确性？
通过引入通用的损失函数和在持久性条码上进行匹配优化，将多类别分割问题转化为单类别分割任务，从而实现拓扑准确性。
这项研究在医学数据集上的表现如何？
研究在四个医学数据集上验证了所提出方法的有效性，显示出在拓扑准确性和分割性能上的提升。
