技术摘要：无标签噪声图像中的速率最优神经边界检测

1. 问题定义

本文研究了无标签噪声图像中的边界检测统计问题。其目标是仅基于独立同分布（i.i.d.）观测值 $\{(X_i, Y_i)\}_{i=1}^n$ 来恢复未知的物体区域 $\Gamma^\star \subset [0, 1]^2$（或其边界），其中 $X_i$ 代表像素位置，$Y_i$ 是噪声强度测量值。

底层的统计模型假设：

• $X \sim Q$，其中 $Q$ 是 $[0, 1]^2$ 上的连续分布。
• $Y | X \sim F_{IN} \mathbb{1}(X \in \Gamma^\star) + F_{OUT} \mathbb{1}(X \notin \Gamma^\star)$，其中 $F_{IN}$ 和 $F_{OUT}$ 分别是物体内部和外部未知的强度分布。

主要的挑战在于如何在不满足以下条件的情况下恢复 $\Gamma^\star$：

1. 像素级标注标签（无监督设置）。
2. 指定 $F_{IN}$ 和 $F_{OUT}$ 的参数化模型（无似然模型）。
3. 依赖于排除具有角点或折痕形状的全局光滑性假设。

以往的方法，例如 Syring 和 Martin [2020] 的鲁棒 Gibbs 后验法，依赖于阈值化的误分类损失。虽然这些损失在统计上是高效的，但它们是离散且组合性的，使得它们与现代基于梯度的优化和深度神经网络（DNNs）不兼容。

2. 方法论

2.1. 连续 Hinge 型代理损失

作者提出了一种连续代理损失函数来替代不连续的基于阈值的损失。

• 决策函数： 区域表示为 $\Gamma = \{x : g(x) \ge 0\}$。真实的决策函数为 $g^\star(x) = 2\mathbb{1}(x \in \Gamma^\star) - 1$。
• 伪标签： 通过强度阈值化导出伪标签 $u_y$：$u_y = 2\mathbb{1}(y > \xi) - 1 \in \{-1, 1\}$。
• 损失函数： 提出的损失是一个加权 hinge 损失：
  $$\ell_g(y, x) = (1 - u_y g(x))_+ \left[ \kappa \mathbb{1}(y > \xi) + \tau \mathbb{1}(y \le \xi) \right]$$
  其中 $(\cdot)_+$ 表示正部分。这种形式允许高效的梯度优化，同时保持与边界恢复问题的直接联系。

2.2. 自适应损失校准

由于 $F_{IN}$ 和 $F_{OUT}$ 是未知的，参数 $(\xi, \kappa, \tau)$ 不能预先固定。作者提出了一个自适应校准方案，在训练期间更新这些参数：

1. 估计分布： 在每次迭代 $t$ 时，使用当前的决策函数 $g_t$ 将像素划分为估计的内部集合和外部集合。计算经验分布函数 $\hat{F}_{IN, t}$ 和 $\hat{F}_{OUT, t}$。
2. 更新阈值 ($\xi$)： 最大化经验分布之间的分离度：$\xi_{t+1} = \arg\max_\xi (\hat{F}_{OUT, t}(\xi) - \hat{F}_{IN, t}(\xi))$。
3. 更新权重 ($\kappa, \tau$)： 调整权重以满足 Fisher 一致性所需的隔离条件：
   $$\frac{\kappa_{t+1}}{\kappa_{t+1} + \tau_{t+1}} = \frac{1}{2} \left( \hat{F}_{IN, t}(\xi) + \hat{F}_{OUT, t}(\xi) \right)$$
   注：作者明确区分了此更新规则与 Syring 和 Martin [2020] 的不同之处，使用了简单的平均值以避免由区域大小不平衡引起的稳定性问题。

2.3. 深度神经网络估计器

经验风险极小值器使用一类具有 ReLU 激活函数的深度神经网络 $G_n$ 进行训练。网络输出被截断到 $[-1, 1]$，以确保决策函数保持有界，从而保留其理论特性。

3. 理论贡献

3.1. Fisher 一致性与校准

在温和的分离假设（假设 A）下，该假设要求 $F_{IN}(\xi) < \frac{\kappa}{\kappa+\tau} < F_{OUT}(\xi)$，作者证明了：

• Fisher 一致性： 真实的决策函数 $g^\star$ 最小化了所提损失的总体风险。
• 校准不等式： 存在一个常数 $C_0$，使得超额风险被对称差错率下界约束：
  $$R(g) - R(g^\star) \ge C_0 \lambda(\Gamma \triangle \Gamma^\star)$$
  这直接将优化目标与估计区域的几何误差联系起来。

3.2. Minimax 最优收敛速率

在分段光滑边界模型（假设 C）下，本文建立了 DNN 估计器的收敛速率。该模型允许边界由多个具有 Hölder 光滑度 $\beta > 0$ 的部分组成，从而能够容纳具有角点和折痕的形状（例如矩形形状），这些形状违反了全局光滑性假设。

定理 2 指出，估计器 $\hat{\Gamma}_n$ 达到了收敛速率：
$$\lambda(\hat{\Gamma}_n \triangle \Gamma^\star) \lesssim n^{-\beta/(\beta+1)} \log n$$
该速率在对数因子项上与二维边界估计的经典 Minimax 最优速率（Mammen 和 Tsybakov [1995]）相匹配。这一结果表明，基于连续损失的神经边界检测既可以实现计算的可扩展性，也可以实现统计的最优性。

4. 数值结果

4.1. 合成实验

该方法在具有高斯噪声和泊松噪声、涵盖各种形状（星形、三角形、椭圆形、多物体）和噪声水平的合成图像上进行了测试。

• 性能： 与 Syring 和 Martin [2020]、Lajili 和 Fall [2025]、Chan 和 Vese [2001] 以及 Wang 等人 [2023] 的方法相比，所提方法一致地实现了更低的对称差错（SDE）。
• 鲁棒性： 随着噪声水平的增加，竞争方法表现出快速的性能下降或产生破碎/扭曲的边界。所提方法保持了稳定性，并表现出更慢的误差增长。

4.2. 真实数据分析 (BBBC038)

实验在荧光显微镜细胞核图像上进行。

• 观察结果： 在无噪声的真实图像中，由于“两区域”强度假设在细胞核逐渐变化的强度过渡面前失效，所提方法偶尔会高估区域。
• 噪声鲁棒性： 有趣的是，添加适度的高斯噪声通过抑制局部渐变效应提高了性能，使得“两区域”近似更加有效。在大多数正向噪声水平下，所提方法的表现优于竞争对手，而基准方法则在收敛或产生假阳性方面表现挣扎。

5. 重要性与主张

本文声称弥合了统计边界推断（传统上是组合式且无似然模型的）与现代深度学习（连续且基于梯度的）之间的鸿沟。

• 理论统一： 它证明了一个精心设计的连续代理损失可以在不牺牲可扩展性的情况下，实现与不连续、组合式损失相同的速率最优保证。
• 模型灵活性： 通过容纳分段光滑边界，该框架超越了以往统计文献中使用的全局光滑模型，允许检测具有角点和折痕的形状。
• 实际应用价值： 该方法提供了一种完全无监督、数据驱动的边界检测替代方案，适用于无法进行像素级标注的情景（如医学成像、遥感），为不需要对强度分布进行参数化建模提供了稳健的解决方案。

作者指出，虽然自适应校准策略在经验上是稳定的，但对于自适应方案（即参数在优化过程中发生变化）的理论保证仍是未来研究的一个开放方向。