论文页面 - 每类细胞只需一次点击：无需训练的分组交互实现细胞实例分割

来源：https://huggingface.co/papers/2605.29429

摘要

Group Prompting 通过一种无需训练的框架实现高效的细胞实例分割，该框架利用每类提示（per-type prompting），结合多尺度编码器特征与递归式提示扩展。

基于特定细胞数据集训练（https://huggingface.co/papers?q=Cell%20instance%20segmentation）的细胞实例分割模型，在处理分布外的细胞类型时会遭遇严重的性能下降；而交互式基础模型（https://huggingface.co/papers?q=interactive%20foundation%20models）通过每个实例的提示（https://huggingface.co/papers?q=per-instance%20prompting）克服了这一问题，但对于包含成百上千个密集实例的组织病理学图像而言，这种方法的成本过高。我们提出了 Group Prompting，这是一种新的范式，将交互式分割从每个实例 O(N) 转变为每类 O(T)，即只需对每种细胞类型进行一次点击，就能分割该类型的所有实例。我们的关键发现是：Segment Anything Model（https://huggingface.co/papers?q=Segment%20Anything%20Model）（SAM）的冻结图像编码器（https://huggingface.co/papers?q=frozen%20image%20encoder），在没有任何提示输入之前，就已经在其特征空间中将同类型细胞聚集在一起。利用这一特性，我们提出了 Chain-of-Prompts（https://huggingface.co/papers?q=Chain-of-Prompts）（CoP），这是一个无需训练的框架，它通过以下方式递归地扩展单个用户点击：（1）通过对多尺度编码器特征（https://huggingface.co/papers?q=multi-scale%20encoder%20features）进行非参数门控（https://huggingface.co/papers?q=non-parametric%20gating），识别出可靠的同类位置；（2）选择空间上最远的可靠点作为下一个提示，以最大化覆盖范围。在三个带有细胞类型标注的基准测试上，CoP 使用每类一次点击即可保留超过 90% 的每个实例分割性能，并且无需任何额外训练就超越了全监督方法。在四个形态均匀的基准测试上，单次点击可保留超过 99% 的性能。项目页面：https://shjo-april.github.io/Chain-of-Prompts（https://huggingface.co/papers?q=Chain-of-Prompts）/

查看 arXiv 页面（https://arxiv.org/abs/2605.29429）查看 PDF（https://arxiv.org/pdf/2605.29429）项目页面（https://shjo-april.github.io/Chain-of-Prompts/）GitHub3（https://github.com/shjo-april/Chain-of-Prompts）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.29429）

在您的 agent 中获取此论文：

hf papers read 2605\.29429

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.29429 以从该页面链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.29429 以从该页面链接。

引用此论文的 Space0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.29429 以从该页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到一个收藏集（https://huggingface.co/new-collection）以从该页面链接。