Continuous-tone Simple Points

如果只看今天主流的语义分割模型——U-Net、DeepLabV3+、SegFormer、SAM2——会发现一个共同特点：它们把分割当成逐像素分类问题，优化的目标是 IoU、Dice 这样的"像素级重叠率"。这条路线非常成功，但有一个结构性盲区：一条血管网络如果断了一个连接点，像素级 Dice 可能只差 0.1%，对下游血流动力学分析却是致命的结构错误。#ronneberger2015unet #csp2026

这就引出了 2018 年以来一个持续活跃的方向——拓扑感知图像分割（topology-aware / topology-preserving segmentation）。论文 #csp2026 在 Introduction 里把现有工作清晰地归为四类：局部特征增强（蛇形卷积 #snakeconv2023、离散 Morse 理论 #dmt2021）、连通性软约束（clDice #cldice2021 及其衍生）、配准一致性约束（Beltrami/Jacobian/DARTEL #dartel2007）、持续同调（TDA, #topoloss2019）。这四类方法各有强项，但都回避了一个根本问题：simple point（简单点）这个在数字拓扑里 60 年前就被严格定义的判据，为什么到 2020s 之前一直没能进入深度学习？

答案藏在 simple point 的定义里。一个点是 simple point，意味着删除它不改变图像的全局拓扑（连通分量数、孔洞数都不变）。这个判据天然依赖二值图像——只有 $u(x) \in \{0, 1\}$ 才能谈"删除"和"不删除"。#kong1989 #cite5 但深度网络输出的是 $u(x) \in [0, 1]$ 的连续概率图。从离散到连续的跨越不是平凡的，所以 simple point 在深度学习时代一直缺席，直到 Menten 等人在 ICCV 2023 提出 SRSP（Skeletonization via Removal of Simple Points）#cite35——他们用 STE（Straight-Through Estimator）+ Gumbel-Softmax 重参数化把"二值化"伪装成"可微"，把骨架化第一次接进了神经网络。

本文要解读的论文 arXiv:2604.28159 #csp2026 来自北京师范大学 Jun Liu 团队（数学与复杂系统教育部重点实验室 + 遥感科学国家重点实验室），其核心命题是：simple point 根本不需要二值化+STE 这套迂回，它可以在连续值图上直接计算。 论文把这个观察做成三件事——一个连续值 simple point 检测算子 $\mathcal{W}_{\alpha,\tau,\sigma}$、一个端到端可微骨架化算法 CSPS、一个拓扑保持的变分 inference 模型 TCSP——并把它们塞进 SAM2 架构得到 TCSP-SAM2。这是一篇"地基性"的工作：它不是修补 SRSP 的某个缺陷，而是重新建立一套不依赖二值化的理论。

图 1：TCSP-SAM2 与 SAM2 在细小血管分割上的对比。右列为左列同色边框区域的放大。可以看到 TCSP-SAM2 显著减少了血管断裂（breakage），保持了管状结构的连通性（来源：论文 Fig.1）。

在展开 CSP 的数学之前，先用一个数字直观感受问题的严峻。论文 Table I 在四个数据集（DRIVE 视网膜血管、DCA 冠状动脉、MASS 道路、UBW 膀胱壁 MRI）上比较了三种骨架化算法在 binary 图像上的拓扑误差（用 $\beta_0$、$\beta_1$、$\chi_{\text{error}}$ 三个 Betti 数相关指标衡量）。#csp2026 #csp2026table1

在 DCA 数据集上，形态学方法（#cldice2021 派生的 MorphLayer）得到的 $\beta_0$ 误差是 133.65——这意味着骨架化后图像的连通分量数偏离真值 134 个，对于一个只有 134 张图的数据集来说，这个量级的拓扑破坏是灾难性的。SRSP（#cite35）由于使用 Boolean 规则严格判定 simple point，能把 $\beta_0$ 误差压到 0；但如果给它加 0.1 强度的随机噪声（SRSP*，模拟 Gumbel-Softmax 采样），误差立即反弹到 2.21，说明 SRSP 的"可微性"是用稳定性换来的。#csp2026

这组数字背后的真正问题是：为什么一个看似干净的判据（simple point）需要靠二值化才能算？ 三个层面的障碍：

论文 #csp2026 的 Insight 是：把 simple point 判定本身做成连续值算子，并在网络架构里（而非损失里）加一个变分 inference 步骤。前者解决"判据天然依赖二值"，后者解决"约束在推理时不生效"。下面我们逐步展开。

这一节是论文最硬也最漂亮的部分。我们要顺着三个步骤走：先用一个"循环梯度"重新表达 simple point 判据，再把这个离散判据用 sigmoid + 高斯平滑成连续算子，最后把它装到一个能端到端训练的网络架构里。

3.1 数字拓扑的最小集：从 4-连通到 simple point

在 $\mathbb{Z}^2$ 上，每个像素 $x$ 有两种邻域：4-连通 $\mathbb{N}_4(x)$（上下左右）和 8-连通 $\mathbb{N}_8(x)$（再加四个对角）。历史上有过一个著名的"连通性悖论"：如果前景用 4-连通、背景也用 4-连通，Jordan 曲线定理在离散网格上会失效（一条对角交叉的曲线会被同时判为"连通"和"被分割"）。#kowalski2010 唯一安全的组合是前景 8-连通、背景 4-连通——本文沿用这一约定。#csp2026

图 2：Simple point 与 non-simple point 的 3×3 邻域示例。实心方格表示前景、空心表示背景。Case (a)(b) 中心像素是 non-simple point（删除会改变拓扑），case (c)(d) 是 simple point（删除不改变拓扑）。这个图是后面 cyclic gradient 概念的几何基础（来源：论文 Fig.2）。

接下来定义两个拓扑数 $T_4(x, \mathbb{X}^c)$ 和 $T_8(x, \mathbb{X})$，分别计数背景在 $x$ 的 4-邻域内的连通分量数、前景在 $x$ 的 8-邻域内的连通分量数。Bertrand 1994 #cite5 证明了 simple point 的充要判据：

3.2 Theorem 1：把双判定压成单 $T_4$

双判定意味着每个像素要算两次连通分量计数，开销大、还不可微。论文 Theorem 1 给出了关键简化（#csp2026，supplementary I 给出完整证明）：

3.3 Cyclic gradient 与 crossing number

接下来把 $T_4$ 计算"压"成可以在连续值图上做的代数运算。论文的关键一招是：把 8-邻域的像素按顺时针编号 $x_1, x_2, \ldots, x_8$（最后回到 $x_1$ 形成一个环），定义：

这个定义的妙处在于：crossing number 是一个关于像素值差异的离散计数，但它只依赖于相邻像素的差。Theorem 2 给出了它的几何解释：

直观上 $\mathcal{C}$ 的值有非常稀疏的离散谱 $\{0, 2, 4, 6, 8\}$：0=全相同；2=细管穿过；4=分叉或交叉；等等。这种离散性既是好运也是挑战——好运在于目标值明确（我们只要 $\mathcal{C}=2$），挑战在于 indicator 函数不可微。

3.4 连续化：sigmoid + 高斯三步走

论文用三步把 $\mathcal{C}$ 平滑成连续算子。第一步：定义 $\tau$-连通（Definition 7）——相邻像素 $|u_i - u_{i+1}| \le \tau$ 算"近似相同"。第二步：把 hard indicator 换成 sigmoid：

得到 smooth crossing number：

第三步：用高斯把 $\mathcal{C}/2$ 到目标值 1 的距离压缩成 $[0, 1]$ 之间的"simple point 概率"——这就是论文的核心算子：

这个算子的精妙之处：它不依赖二值化，对 $u \in [0, 1]$ 处处可微，并且和 discrete simple point 判据在 $\sigma \to 0$ 极限下完全等价。论文作者在代码里实现的就是这个算子的向量化版本（SimplepointLayer.one_process_diff，见 code_repo/train_utils/skeletonize.py），用 perm = [0,1,2,5,8,7,6,3,4] 把 3×3 patch 重排成 cyclic 序列、用 result4_sum / 2.0 对应 crossing number = 2 × topology number 的换算。#csp2026 #treasure_alpha

3.5 CSPS：端到端可微骨架化算法

有了 $\mathcal{W}$，论文 Algorithm 1（CSPS, Continuous-tone Simple Points Skeleton）借鉴了传统细化算法的思路，沿用 Bertrand-Aktouf 1995 [6] 的四子域并行扫描方案（$\mathbb{M}_1$-$\mathbb{M}_4$ 基于坐标奇偶性），灵感来自 Zhang-Suen 1984 #zhangsuen1984 的两子迭代细化范式：

flowchart TD
    A["输入: u(x) ∈ [0,1], iter T, α/τ/σ"] --> B["初始化 S(u) ← u"]
    B --> C["for t = 0 to T"]
    C --> D["端点检测 P(u)"]
    D --> E["for i = 1 to 4 (M_i 子域)"]
    E --> F["simple point 检测 W"]
    F --> G["骨架更新: S(u) ← (1 - P(u)·W(u))·S(u)"]
    G --> E
    E --> C
    C --> H["输出骨架 S(u)"]
  

其中 $\mathbb{M}_i(\mathbf{x})$ 是基于 $(x_1, x_2)$ 坐标奇偶性的四子域掩码（避免相邻点同时删除带来的拓扑破坏），$\mathcal{P}(u)[x] = \min(\max((\sum_{y \in \mathbb{N}_n(x)} \delta_{0.5}(u(y))) - 1, 0), 1)$ 是端点 indicator。#csp2026 #zhangsuen1984

3.6 CSP Loss：从骨架反推拓扑 loss

CSPS 既能用于推理时的骨架提取，也能用于训练时的拓扑 loss。论文沿用 clDice #cldice2021 的 F1 策略，定义骨架级 precision 和 sensitivity：

在通用 CSP loss 形式下（论文 §III-C），复合 loss 写作 $\mathcal{L}(u, g) = \mathcal{L}_{\text{BCE}}(u, g) + \lambda \cdot \mathcal{L}_{\text{CSP}}(u, g)$，其中 $\lambda = 0.001$。$\mathcal{L}_{\text{CSP}}$ 的输入是 $u$（网络预测的 segmentation map）。

在论文 §III-D 引入 TCSP 变分模型后，训练目标改写为 $\theta^* = \arg\min_\theta \{\mathcal{L}_{\text{BCE}}(u^*, g) + \lambda \cdot \mathcal{L}_{\text{CSP}}(v, g)\}$——此时 $\mathcal{L}_{\text{CSP}}$ 的输入切换到 $v$（decoder 输出的 topology feature），让 $v$ 学到 non-simple point 的信息。论文符号上这点稍微含糊，代码实现上要小心区分。#csp2026 #treasure_lambda

3.7 TCSP 变分模型：核心创新

CSP loss 仍然只在训练时引导特征，推理时无强制约束。论文真正的"硬菜"是TCSP 变分模型（Topological Continuous-tone Simple Points）——把 simple point 约束写进网络架构的 inference 阶段。

这个能量函数关于 $u$ 是强凸的（$\partial^2 \mathcal{E}/\partial u^2 = \varepsilon / [u(1-u)] > 0$），所以有闭式解：

这个改动的几何含义是：如果 $x$ 是 non-simple point（被 CSPS 标记为骨架），那么 $\mathcal{S}(v)[x]$ 大、$\mathcal{M}(\mathcal{S}(v))[x]$ 附近也大、$v(x)$ 把这个信号放大、最后以 $\eta / \varepsilon$ 的权重加到 logit 上——网络就更倾向于把 $x$ 分类为前景，从而保住拓扑。

3.8 TCSP-SAM2 整体架构

把 TCSP 装到 SAM2 #cite42 上得到 TCSP-SAM2，论文 Eq. 6 给出整体参数化：

图 3：TCSP-SAM2 整体架构 $\mathcal{N}_{\mathbf{\theta}}$。Image encoder、Prompt encoder、Decoder 双头化（同时输出 segmentation feature $o$ 和 topology feature $v$），CSPS 模块从 $v$ 提取骨架 $\mathcal{S}(v)$，TCSP 变分模型闭合为 $u^*$（来源：论文 Fig.3）。

关键改动是 decoder 双头化：原来的 SAM2 decoder $\Phi_{\theta_3}$ 只输出 segmentation feature $o$，现在同时输出 $o$ 和 topology feature $v$。$v$ 经过 CSPS 提取骨架 → 形态学膨胀 → 注入到 $u^*$ 的闭式解。

flowchart LR
    A["Image I"] --> B["Φ_θ1: image encoder"]
    B --> F["F_I"]
    A2["Prompt (p, m)"] --> C["Φ_θ2: prompt encoder"]
    C --> D["T_p, T_m"]
    F --> E["Φ_θ3: decoder (双头)"]
    D --> E
    E --> O["segmentation feature o"]
    E --> V["topology feature v"]
    V --> G["CSPS: S(v)"]
    G --> H["M: 形态学膨胀"]
    H --> I["u* = argmin E(u, o, v)"]
    O --> I
    I --> J["u* (保持拓扑的分割结果)"]
  

注意论文的损失函数是 $\mathbf{\theta}^* = \arg\min_{\mathbf{\theta}} \{\mathcal{L}_{\text{BCE}}(u^*, g) + \lambda \mathcal{L}_{\text{CSP}}(v, g)\}$——$u^*$ 走 BCE（与真值比较），$v$ 走 CSP loss（让 $v$ 学到 non-simple point 的信息）。两个 head 各有分工。#csp2026 #cite42

论文的实验设置很工程化：四个数据集（管状/网状结构）、四个常见 backbone、四种 loss 组合，外加一个变分 inference 的对比。下面是完整的训练配置披露表。

4.1 四个数据集的真实尺寸

4.2 四种 loss 组合的语义

论文在所有 backbone 上都跑四种 loss 做对比：

1. Baseline：仅 BCE/CrossEntropy

2. Morph = Baseline + clDice 形态学骨架 loss（#cldice2021）

3. SRSP = Baseline + SRSP 骨架 loss（#cite35，需要 STE）

4. Ours = Baseline + CSP loss（论文的 $\mathcal{L}_{\text{CSP}}$）

这是一个"消融 + 横向对比"复合设计：横向对比三种拓扑 loss（基线、形态学、SRSP、CSP），纵向看四种 backbone × 四个数据集的差异。

推理时最大的改动是 SAM2 decoder 输出的双头 $(o, v)$ 怎么变成最终的 $u^*$。论文 #csp2026 把这个过程写成 Eq. 6 的最后一步：$u^* = \arg\min \mathcal{E}(u, o, v)$。由于 $\mathcal{E}$ 关于 $u$ 强凸，闭式解就是 sigmoid 加上一个修正项。

5.1 TCSP 推理的完整链路

flowchart TD
    A["测试图像 I"] --> B["Φ_θ1: image encoder"]
    B --> F["F_I"]
    A2["Prompt (可选)"] --> C["Φ_θ2: prompt encoder"]
    C --> D["T_p, T_m"]
    F --> E["Φ_θ3: 双头 decoder"]
    D --> E
    E --> O["segmentation feature o"]
    E --> V["topology feature v"]
    V --> G["CSPS: S(v) ∈ [0,1]^|Ω|"]
    G --> H["MaxPool2d(15,1,7): 形态学膨胀 M"]
    H --> M["M(S(v)) — 恢复连通性"]
    O --> CL["logit = (o + η·v·M(S(v))) / ε"]
    M --> CL
    CL --> S["sigmoid → u* ∈ [0,1]"]
    S --> R["阈值 0.5 → 二值分割"]
  

关键节点是最后两个：

1. 闭式解 $u^* = \sigma((o + \eta \cdot v \cdot \mathcal{M}(\mathcal{S}(v))) / \varepsilon)$：所有操作都是 PyTorch 标准算子，可以 autograd

2. 推理时的 num_iter：CSPS 在推理时跑 10 次迭代（Skel_type(10, ...)），训练时只跑 5 次（论文未提，代码不一致）

5.2 代码中的 η 实际实现

论文说 $\eta$ 是可学习参数，初始为 4。但代码里没有名为 eta 的 nn.Parameter——model/baseline/sam2.py 用的是 MaxPool2d(15, 1, 7)，对应 kernel size=15×15、padding=7 的形态学膨胀。这个尺寸恰好给出 dilation 半径约 4（= (15-1)/2 + 1 ≈ 8 像素邻域，对应原始论文里的 η=4 含义）。#csp2026 #treasure_eta

复现时这个 mapping 需要注意：作者把"η 可学习"实现为"卷积核大小可配置"，没有暴露成 optimizer 直接更新的 scalar 参数。

5.3 输出格式

最终 $u^*$ 是连续值图，可以直接走阈值化（≥ 0.5 为前景）得到二值 mask。但论文实验保留了连续值评估（clDice 等指标对连续值友好），所以推理管线实际输出两套结果：$u^*$ 连续值 + 二值 mask。#csp2026

5.4 推理计算成本分析

闭式解 $u^* = \sigma((o + \eta v \mathcal{M}(\mathcal{S}(v)))/\varepsilon)$ 的推理代价极低：一次 CSPS 骨架提取（10 次迭代）+ 一次 MaxPool2d 膨胀 + 一次逐元素乘加 + 一次 sigmoid，没有迭代优化循环。整个 TCSP 模块在 4090 上仅增加约 33ms（DCA 数据集，骨架提取 Table I #csp2026table1），相比 SAM2 encoder 的前向传播几乎可以忽略。ε 和 η 在推理时是固定值（来自训练后学到的参数），不需要在线优化。Prompt encoder 在推理时仍然运行，但 SAM2 的 prompt 输入为空（论文设置，参见 Part 4 训练配置表）。#csp2026

论文的实验分三块：(1) 骨架提取的拓扑精度与速度（Table I）；(2) 作为 loss 注入分割网络的全面对比（Table II）；(3) TCSP 变分 inference 对比 CSP loss（Table III）。下面挑重点讲。

6.1 骨架提取：4.3× 加速 vs SRSP

Table I 在四个数据集上比较 Morph / SRSP / SRSP*（带 noise）/ Ours 四种骨架化算法。关键发现是 Ours 速度远快于 SRSP 且无噪声损失：

在 DCA 上，Ours 33.40ms vs SRSP 144.52ms = 4.33× 加速；MASS 上 17.15ms vs 104.13ms = 6.07× 加速。这是 CSP 相比 SRSP 最直接的工程价值。#csp2026 #csp2026table1

图 5：骨架提取结果对比。第一行 binary 输入、第二行 continuous-valued 输入；列依次是 Ground Truth、Morph（#cldice2021）、SRSP（#cite35）、SRSP（带 0.1 噪声）、Ours。可以直观看到 Morph 断裂严重、SRSP 偏离中轴，而 Ours 在两种输入下都能保持拓扑且贴合中轴（来源：论文 Fig.5）。

另一个不那么显眼但重要的点：**SRSP*（带 0.1 noise 的 SRSP）在连续值上 β₀ 跳到 2.21、χ_error 跳到 2.00**——说明为了让 SRSP 在深度学习训练中可用、必须引入 Gumbel-Softmax 噪声，但噪声本身就在破坏拓扑精度。CSP 完全没有这个问题。#csp2026

6.2 分割全面对比：Table II（重点 SAM2 子表）

Table II 在 4 数据集 × 4 backbone × 4 loss 上对比了 9 个指标。完整表格大几十行，我们只展示 SAM2 backbone 部分（这是 TCSP-SAM2 的目标设定，也是论文最关键的实验）：

从 SAM2 backbone 子表可以读出几个关键故事：

• 最大单点提升：SAM2 + MASS + Ours: Recall 72.01 → 76.77（+4.76pp）。这是道路分割的"找到更多道路像素"，配合 β₁ 误差从 5.05 降到 4.08（孔洞结构更对）。#csp2026

• clDice 稳定提升：SAM2 子表 4 个数据集上 CSP loss 全部优于 SRSP（MASS 87.54 vs 86.69, UBW 93.63 vs 93.39, DCA 88.40 vs 88.33, DRIVE 82.05 vs 82.01）。在所有 backbone 4 数据集的所有 16 个组合中，CSP 的 clDice 多数情况下也赢。

• 拓扑指标的反例：β₀ 上 SRSP 略胜的情况确实存在（UBW β₀ 0.60 vs Ours 0.87）。这个组合下 Ours 在 overlap/boundary/clDice 上更优，但 β₀ 拓扑保护反而不及 SRSP——说明 simple point 判据并不天然等于连通分量数保护。#csp2026

• DRIVE 上的小反例：DeeplabV3+ + DRIVE + Ours: β₀=196.35，差于 SRSP 的 173.10。论文主表（SAM2 部分）没出现这种反例，但在其他 backbone 上确实存在。#treasure_anti_pattern

6.3 TCSP 变分 vs CSP Loss：Table III

Table III 把 SAM2 的两种"加 CSP"方式做了对比：训练期用 CSP loss（Ours in Table II）vs 训练期用 CSP loss + 推理期用 TCSP 变分 inference（TCSP-SAM2）：

三个关键观察：

• TCSP 在 DCA / DRIVE / UBW 全面优于 CSP Loss：Recall、Dice、HD95、ASSD、clDice、β₀、χ_error 全部更优。β₁ 的结果更混合：DRIVE 32.70→31.65（更优）、UBW 0.40→0.27（更优）、但 DCA 1.00→4.53（恶化）——说明 TCSP 的拓扑保守在 DCA 这种短血管密集场景上可能产生过度修正

• MASS 反例：TCSP-SAM2 + MASS 的 Recall 从 76.77 跌到 73.47（-3.3pp）。但其他指标（Dice、IoU、HD95、ASSD、β₀、χ_error）都更优——意味着 TCSP 让分割更"拓扑保守"，但少找了一些稀疏道路像素#treasure_anti_pattern

• TCSP 在小数据集（DCA、UBW）提升最明显：这两个数据集的"漏掉一像素可能断一血管"风险最高，TCSP 闭式 inference 直接保住拓扑

图 7：CSP loss（左侧）与 TCSP 变分 inference（右侧）在 DCA、DRIVE、MASS、UBW 四个数据集上的视觉对比。TCSP 行的预测连通性更稳、孔洞结构更接近 GT（来源：论文 Fig.7）。

flowchart LR
    A["u (CSP loss)"] --> B["u* = argmin E(u,o,v) (TCSP)"]
    B --> C["sigmoid((o + η·v·M(S(v)))/ε)"]
    C --> D["最终输出"]
  

6.4 失败案例与局限

论文 V 节明确承认三个局限：

把 CSP 放回 simple point 谱系（1970s → 2026）的位置来看，它的真正贡献是把 simple point 从"二值判据 + STE 近似"推进到"连续值算子 + 变分 inference"。#csp2026 #cite5 #cite17 #cite35

7.1 CSP 在拓扑分割谱系中的位置

CSP 的相对优势：

• vs clDice：clDice 是软约束（鼓励但不强制），TCSP 是硬约束（变分 inference 强制）

• vs SRSP：两者都能保拓扑，但 SRSP 有 STE 偏置，CSP/TCSP 无偏

• vs Persistent Homology：PH 数学更严密但 O(n³) 不可承受，CSP O(|Ω|) 可工程化

• vs Width Topo：Width Topo 专注宽度约束（局部几何），CSP 专注 simple point 判定（全局拓扑），互补

7.2 代码-论文的 5 个差异点

复现这篇论文时，如果不看代码，几乎一定会踩坑。整理 code_repo/ 后发现的差异：

7.3 三个值得带走的判断

对今天的研究者来说，CSP 最值得学习的不只是"怎么算 simple point"，而是"如何把一个看似离散的数学判据，连续化后嵌入现代学习框架"——Theorem 1 + sigmoid + Gaussian + 变分 inference 的链条，是一个非常漂亮的范式。