U-Net设计与分析的统一框架
机器学习
2024-01-11 v2 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
U-Net是处理图像与偏微分方程(PDE)等方形域上连续信号诸多任务时的首选、最先进神经架构，然而其设计与架构研究不足。本文提供一种用于设计和分析通用U-Net架构的框架。我们给出表征U-Net中编码器与解码器作用、其高分辨率缩放极限以及通过预处理与ResNet共轭的理论结果。我们提出Multi-ResNets，即具有简化、基于小波且无可学习参数的编码器的U-Net。此外，我们展示如何设计编码函数约束、自然基或数据几何的新颖U-Net架构。在扩散模型中，我们的框架使我们能识别高频信息以指数级更快被噪声主导，并展示带平均池化的U-Net如何利用这一点。在实验中，我们证明Multi-ResNets在图像分割、PDE代理建模以及扩散模型生成建模方面相较经典U-Net取得有竞争力且常更优的性能。我们的U-Net框架为研究U-Net理论性质及设计超越方形的、面向众多问题的自然可扩展神经架构铺平了道路。
引用
@article{arxiv.2305.19638,
title = {A Unified Framework for U-Net Design and Analysis},
author = {Christopher Williams and Fabian Falck and George Deligiannidis and Chris Holmes and Arnaud Doucet and Saifuddin Syed},
journal= {arXiv preprint arXiv:2305.19638},
year = {2024}
}