学习协同语义和几何先验以进行有限数据小麦病害分割

小麦病害细分是精准农业的基础，但面临着不同生长阶段的重大类内时间变化的严峻挑战。如此巨大的外观变化使得从头开始收集用于训练的代表性数据集既费力又不切实际。为了解决这个问题，我们提出了 SGPer，一种语义-几何先验协同框架，它将有限数据下的小麦病害分割视为疾病特定语义感知和病害边界定位的耦合任务。我们的核心见解是，预训练的 DINOv2 提供了强大的类别感知语义先验来处理外观变化，这些先验可以转换为粗略的空间提示，以指导 SAM 精确定位疾病边界。具体来说，SGPer 设计了具有多个疾病友好过滤器的疾病敏感适配器，并将它们插入 DINOv2 和 SAM 中，以使它们的预训练表示与疾病特定特征保持一致。为了发挥这种协同作用，SGPer 将 DINOv2 衍生的特征转换为密集的、特定类别的点提示，以确保所有疾病区域的全面空间覆盖。为了随后消除即时冗余并确保高度准确的掩码生成，它通过交叉引用 SAM 的迭代掩码置信度与源自 DINOv2 的类别特定语义一致性来动态过滤这些密集候选者。最终，SGPer 提炼出一组信息丰富的提示来激活 SAM 的几何先验，实现精确而稳健的分割，并且对时间外观变化保持严格不变。广泛的评估表明，SGPer 在小麦病害和器官分割基准方面始终保持最先进的性能，尤其是在数据受限的情况下。