FPicker: Topology-Guided Evolution for Filament Tracing in Low-SNR Microscopy

📄 arXiv: 2609.08305v1 📥 PDF

作者: Tingyin Zhao, Mingtao Huang, Yuan Shen

分类: cs.CV, cs.AI

发布日期: 2026-09-08

备注: Accepted to the 19th European Conference on Computer Vision (ECCV 2026). 18 pages, 6 figures. Code is publicly available at: https://github.com/tomzhaosky/FPicker

🔗 代码/项目: GITHUB

💡 一句话要点

提出FPicker以解决低信噪比显微镜中细丝追踪问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 细丝追踪 冷冻电子显微镜 拓扑引导 信噪比 三维重建 生物医学成像 机器学习

📋 核心要点

  1. 现有细丝追踪方法在低信噪比条件下表现不佳，面临拓扑破裂、幽灵漂移和误差积累等问题。
  2. FPicker框架通过中心-端点表示和开放曲线演化模块，解决了细丝追踪中的拓扑不兼容性。
  3. 在模拟基准测试中，FPicker的mSAP提升超过40%，并在极端噪声下拓扑间隙率降低超过60%。

📝 摘要（中文）

自动化细丝追踪在冷冻电子显微镜（Cryo-EM）中对于三维螺旋重建至关重要，但受到交叉拓扑和极低信噪比（SNR < 0.1）的挑战。现有方法存在诸多不足：像素级分割器面临严重的拓扑破裂，基于盒子的检测器出现幽灵中心漂移，顺序跟踪器因误差积累而失效，传统主动轮廓在人工闭合曲线约束下崩溃。为了解决这些瓶颈，本文提出了FPicker，这是第一个拓扑引导框架，统一了中心-端点表示和开放曲线演化模块，以明确建模非循环连接性。在模拟基准测试中，FPicker在平均时空角度精度（mSAP）上相较于顶级基线提升超过40%，并在极端噪声条件下（-20 dB）将拓扑间隙率降低超过60%。FPicker通过学习内在物理几何而非局部纹理，展现出作为韧性几何骨干的强大潜力。其在真实世界EMPIAR数据集上的零-shot性能展现出强大的拓扑抗干扰能力，经过微调后实现了82.9%的mSAP，成为当前的最优结果。我们的结果还表明，建模物理先验是弥合信号稀缺科学成像中的模拟与真实差距的有效途径。

🔬 方法详解

问题定义：本文旨在解决在低信噪比（SNR < 0.1）条件下，冷冻电子显微镜中细丝追踪的挑战。现有方法如像素级分割和基于盒子的检测器在处理交叉拓扑时表现不佳，导致拓扑破裂和误差积累等问题。

核心思路：FPicker的核心思路是通过拓扑引导的框架，结合中心-端点表示和开放曲线演化模块，明确建模非循环连接性，从而克服现有方法的局限性。

技术框架：FPicker的整体架构包括两个主要模块：中心-端点表示用于统一感知，开放曲线演化模块用于处理细丝的非循环特性。该框架通过学习物理几何特征而非局部纹理，增强了细丝追踪的鲁棒性。

关键创新：FPicker的主要创新在于其拓扑引导的设计，使得细丝追踪能够有效应对低信噪比和复杂拓扑的挑战。这与传统方法的本质区别在于其对非循环连接性的明确建模。

关键设计：在FPicker中，关键设计包括损失函数的选择以优化拓扑一致性，以及网络结构的设计以支持开放曲线的演化。这些设计确保了模型在极端噪声条件下的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FPicker在模拟基准测试中相较于顶级基线提升超过40%的平均时空角度精度（mSAP），并在极端噪声条件下将拓扑间隙率降低超过60%。在真实世界EMPIAR数据集上，经过微调后实现了82.9%的mSAP，展现出其卓越的性能。

🎯 应用场景

FPicker的研究成果在生物医学成像、材料科学和纳米技术等领域具有广泛的应用潜力。通过提高细丝追踪的准确性和鲁棒性，FPicker能够为三维重建和分析提供更可靠的数据支持，推动相关领域的研究进展。

📄 摘要（原文）

Automating filament tracing in Cryo-Electron Microscopy (Cryo-EM) is essential for 3D helical reconstruction but challenged by intersecting topologies and extremely low Signal-to-Noise Ratios ($\text{SNR} = σ_s^2/σ_n^2$ < 0.1 or -10 dB). Existing paradigms fail: pixel-wise segmenters suffer from severe topological fracturing, box-based detectors face ghost center drift, sequential trackers derail due to error accumulation, and traditional active contours collapse under artificial closed-curve constraints. To resolve these bottlenecks, we present FPicker, the first topology-guided framework reconciling these incompatibilities. It unifies perception via a center-endpoint representation and an open-curve evolution module to explicitly model non-cyclic connectivity. On simulated benchmarks, FPicker outperforms top baselines by over $40\%$ relative gain in mean spatio-angular precision (mSAP) and reduces topological gap rates by over $60\%$ under extreme noise ($-20\text{ dB}$). By learning intrinsic physical geometry rather than local texture, FPicker demonstrates strong potential as a resilient geometric backbone. Its zero-shot performance on the real-world EMPIAR dataset exhibits robust topological resistance, achieving a state-of-the-art 82.9\% mSAP upon fine-tuning. Our results also suggest modeling physical priors is a highly robust path toward bridging the sim-to-real gap in signal-starved scientific imaging. The code is publicly available at: https://github.com/tomzhaosky/FPicker.