FMS^2: 細い構造のセグメンテーションと合成のための統一フロー・マッチング

要旨：インフラの亀裂や解剖学的血管のような薄い構造のセグメンテーションは、トポロジーに敏感な幾何学、高いアノテーションコスト、ドメイン間の一般化の不良といった課題に阻まれる作業です。既存の方法はこれらの課題を個別に対処します。私たちはFMS^2を提案します。2つのモジュールを備えるフローマッチングフレームワークです。 (1) SegFlowは標準のエンコーダ-デコーダバックボーン上に構築された2.96Mパラメータのセグメンテーションモデルで、予測を連続画像 \rightarrow マスク輸送として再構成します。時間インデックス付きの速度場をフロー整合回帰損失で学習し、マスクをODE積分によって出力します。終状態のロジットのみを監督するのではなく、軌道レベルの監督を行います。この軌道レベルの監督は、適合したトポロジー認識損失ベースラインと比較して薄い構造の連続性とシャープさを改善します。補助的なトポロジーヘッド、後処理、または多項目損失設計なしで実現します。 (2) SynFlowはマスク条件付きのマスク \rightarrow 画像生成器で、ピクセル整列の合成画像-マスクペアを生成します。複数のスケールでマスク幾何を注入し、エッジ認識ゲーティングを通じて境界帯を強調します。一方、制御可能なマスク生成器は疎性、幅、分岐レジームを拡張します。5つの亀裂と血管のベンチマークで、SegFlow単独は強力なCNN、Transformer、Mamba、および生成ベースラインを上回り、体積測度（平均IoU）を0.511から0.599へ改善（+17.2%）、トポロジー測度（Bettiマッチング誤差）を82.145から51.524へ低減（-37.3%）します。ラベルが限られている場合、SegFlowにSynFlow生成ペアを追加すると、実アノテーションの25%を用いてほぼ全性能を回復し、ドメイン間IoUを平均で0.11向上させます。ラベルを保持する変換を通じて不変性を促進する古典的なデータ拡張とは異なり、 SynFlowはピクセル整列された対になった監視を提供し、疎性、幅、分岐などの構造的シフトを制御可能にします。これにより、ドメインシフト下で特に効果的です。