아모달 분할(Amodal segmentation)은 가려진 영역을 포함하여 물체의 완전한 형태를 복원하는 것을 목표로 하며, 사용자 중심의 멀티미디어 저작 및 객체 수준 시각 조작에 필수적인 기술로 활용된다. 기존 방법들은 일반적으로 바운딩 박스나 조밀한 가시 영역 마스크와 같은 정보량이 많은 프롬프트에 의존하므로, 실제 멀티미디어 응용 프로그램에서 사용자 경험과 상호작용 효율성을 크게 저하시킨다. 최근의 인터랙티브 패러다임(예: Segment Anything Model)은 경량화된 포인트 기반 상호작용을 지원하지만, 종종 직접적인 마스크 회귀를 수행한다. 결정적으로 이러한 직접 회귀 모델의 불투명한 특성은 가려진 구조가 어떻게 추론되는지에 대한 시각적 설명 가능성을 제공하지 못하여, 해석 가능한 멀티미디어 시스템에 대한 증가하는 요구와 충돌한다. 이러한 한계를 해결하기 위해, 본 논문에서는 단순한 포인트 클릭으로 구동되는 명시적이고 투명한 윤곽선 진화를 가능하게 하는 엔드투엔드 속도 기반 레벨 셋 아모달 분할 방법인 VELA를 제안한다. VELA는 시각적 특징과 사용자의 포인트 입력으로부터 초기 레벨 셋 함수를 구성하며, 이는 완전 미분 가능한 네트워크에 의해 예측된 형상 특화 모션 필드의 안내에 따라 최종 아모달 마스크로 점진적으로 진화한다. 이 메커니즘은 매 단계에서 진화 동역학을 생성하도록 학습하여, 공간적 추론 과정이 기하학적으로 그라운딩(grounding)되고 위상학적으로 유연하며 사용자에게 시각적으로 설명 가능하도록 보장한다. COCOA-cls, D2SA 및 KINS 벤치마크에 대한 광범위한 실험은 VELA가 단일 포인트 프롬프트만을 요구하면서도 바운딩 박스 또는 조밀한 가시 마스크 프롬프트를 사용하는 기존 방법들을 능가함을 입증하여, 대화형 멀티미디어 작업을 위한 설명 가능한 기하학적 모델링의 효과를 검증한다.
다중 열화 이미지 분할은 이미지 분할 분야에서 어려운 문제로 남아 왔다. 기존 레벨셋(level set) 방법들은 일반적으로 분할 윤곽의 기하학적 형태를 제약하기 위해 길이 정규화 항을 채택한다. 그러나 길이 항의 도입은 종종 수치적 불안정성과 높은 계산 비용을 초래한다. 본 논문에서는 특정 매끄러움(smoothness) 제약 하에서 길이 항이 필수적이지 않음을 보이고, 길이 항의 존재가 $|\nabla φ|=1$ 성질에 영향을 미침을 이론적으로 증명한다. 이 발견을 바탕으로, 우리는 매끄러운 이미지의 한 클래스를 정의하고, 그레이스케일 레벨셋을 구성하며, 심하게 노이즈가 있는 이미지 및 강도 불균일(intensity inhomogeneous) 이미지와 같은 열화된 이미지를 위한 빠른 분할 프레임워크를 제안한다. 해당 프레임워크는 PDE 진화를 1차원 임계값 탐색으로 변환하며, 특히 대규모 이미지에서 계산 속도 측면에서 상당한 이점을 갖는다. 실험을 통해 제안 프레임워크의 다양한 열화 이미지에 대한 분할 성능을 검증한다.
골반 분할은 골반 골절의 정밀하고 지능적인 진단 및 치료, 그리고 수술 계획 및 네비게이션에서 가장 중요하고 기초적인 연구 문제 중 하나입니다. 개선된 측지 활성 등고선(geodesic active contour) 모델과 심층 신경망을 결합하여, 우리는 다중 클래스 골반 분할을 위한 해석 가능한 모델-데이터 기반 지능형 알고리즘인 GUMP-Net을 제안합니다. 이 알고리즘은 전체 분할 프레임워크를 구성하기 위해 세 가지 네트워크 모듈로 설계되었습니다: 자동 레벨 세트 초기화를 위한 객체 검출(object detection) 모듈, 해부학적 인식 에지 검출 함수를 학습하기 위한 에지 검출기 모듈, 그리고 심층 레벨 세트 진화를 위한 반복(iteration) 모듈입니다. 레벨 세트 표현과 심층 학습의 장점을 활용하여, GUMP-Net은 최신 기법들과 비교했을 때, 특히 소량 학습 데이터 상황에서 더 정확하고 강인하며 일관된 분할 성능을 보여줍니다. 골반 데이터셋에 대한 광범위한 실험을 통해 제안된 알고리즘의 합리성과 효과성을 입증했습니다. 발목 데이터셋으로 확장한 추가 실험은 다른 해부학적 구조로의 광범위한 응용 가능성을 시사합니다. 제안된 알고리즘은 복잡한 골절 정복을 위한 효율적인 분할 방법을 제공할 뿐만 아니라, 심층 학습 분할을 이해하기 위한 해석 가능한 기하학적 관점을 제공합니다.