DISCO: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring¶

会议: ICLR 2026
arXiv: 2602.05420
代码: https://github.com/SR0920/Disco (有)
领域: 医学图像 / 分割
关键词: 细胞实例分割, 图着色, 密集重叠, 邻接约束, 病理图像

一句话总结¶

提出基于图着色理论的密集重叠细胞实例分割框架 DISCO，通过"显式标记冲突+隐式消歧邻接约束"的分治策略，在高密度病理图像上 PQ 提升 7.08%。

领域现状：细胞实例分割在病理图像分析中至关重要。图着色方法将相邻细胞着不同颜色来区分实例，是密集分割的有效范式。
现有痛点：标准 2-着色策略在密集重叠场景中崩溃——当存在奇数环（如三个互相相邻的细胞）时，2 种颜色无法将所有相邻细胞区分开。GBC-FS 2025 数据集中 30.49% 的节点是冲突节点。
核心矛盾：增加颜色数会增加类别混淆（更多颜色=更难学），但不增加颜色又无法处理拓扑冲突。
本文要解决什么？ 如何在保持少量颜色的前提下处理密集重叠造成的拓扑冲突？
切入角度：分析发现 90%+ 的冲突来自 3-环，引入第 3 种颜色只标记冲突节点，然后用邻接约束损失隐式消歧。
核心idea一句话：2-着色+冲突标记+邻接约束损失的分治策略——先将问题分成可解部分（2-可着色子图）和冲突部分，再用软约束处理冲突。

构建细胞邻接图 -> BFS 提取最大二部子图 -> 2-着色 -> 剩余冲突节点标为第 3 色 -> 训练时加入 5 种损失联合优化。

显式标记（Explicit Marking）:
做什么：将冲突节点从2-着色中分离出来，标记为第3种颜色
核心思路：BFS 提取最大二部子图 G[V1 ∪ V2]，剩余节点集合 G_rem 的所有像素标为统一的冲突色 c=3。生成 4 类标注：背景(0), 色1(1), 色2(2), 冲突(3)。
设计动机：不试图完美着色（NP-hard），而是分离冲突节点单独处理，降低问题复杂度。
隐式消歧（邻接约束损失 L_adj）:
做什么：让网络学习将相邻细胞的颜色预测概率向量推远
核心思路：最小化相邻实例颜色预测向量的余弦相似度：L_adj = 1/|E| * sum cos(P(s_i), P(s_j))。这让相邻细胞即使都被标为冲突色，也被推向不同的颜色预测。
设计动机：L_adj 单独贡献 6% PQ 提升，是五种损失中最关键的一个。
一致性和冲突损失:
一致性损失 L_cons：同一实例内的像素应有相同的颜色预测
冲突损失 L_conf：被标为冲突色的像素应在颜色1和颜色2之间不确定（而非高置信地选一个错的）