面向医学图像分割的源自域适应的不确定性感知渐进伪标签去噪框架UP2D
声音
2025-11-03 v1 计算机视觉与模式识别
多媒体
音频与语音处理
摘要
医学图像分割模型在域迁移下面临严重的性能下降，尤其是在数据共享受限导致无法获取源图像的情况下。我们提出了一种 novel的不确定性感知渐进伪标签去噪（UP2D）框架，用于源自域适应（SFDA），旨在缓解适应期间伪标签的噪声和类别不平衡问题。UP2D集成了三个关键组件：（i）精炼原型过滤模块抑制无信息区域并构建可靠的类原型以去噪伪标签；（ii）基于空间加权边界不确定性的不确定性引导EMA（UG-EMA）策略；（iii）基于分位数的熵最小化方案，聚焦于模糊区域的学习，同时避免对简单像素的过度自信。该单阶段学生-教师框架逐步改善伪标签质量，减少确认偏差。广泛的实验表明，在三个具有挑战性的视网膜底图基准数据集上，UP2D在标准和开放域设置下均实现了最先进的性能，超越了以往的UDA和SFDA方法，同时保持了卓越的边界精度。
引用
@article{arxiv.2510.26825,
title = {Audio-Visual Speech Enhancement In Complex Scenarios With Separation And Dereverberation Joint Modeling},
author = {Jiarong Du and Zhan Jin and Peijun Yang and Juan Liu and Zhuo Li and Xin Liu and Ming Li},
journal= {arXiv preprint arXiv:2510.26825},
year = {2025}
}