CAFlow：用于高效组织学超分辨率的自适应深度单步流匹配
计算机视觉与模式识别
2026-03-20 v1 人工智能
摘要
在数字病理学中，整块切片图像通常超过千兆像素，使得计算密集型的生成式超分辨率（SR）难以用于常规部署。我们引入CAFlow，一种自适应深度单步流匹配框架，将每个图像瓷砖路由到保持重建质量的最浅网络出口。CAFlow在像素未混乱置换空间中执行流匹配，减少计算16倍，同时实现直接推理。我们表明，将训练数据的准确t=0样本的一半用于精确训练是单步质量（无它则-1.5 dB）的关键。其 backbone 为FlowResNet（1.90M参数），在四个早期出口上混合卷积和窗口自注意力块，计算范围为3.1到13.3 GFLOPs。一个轻量级出口分类器（约6K参数）实现33%的计算节省，仅以0.12 dB的代价。在多器官组织病理学x4 SR上，自适应路由实现31.72 dB PSNR，而全深度为31.84 dB；最浅出口在比SwinIR-light少2.8倍计算时，以+1.9 dB超过双三次插值。该方法对保留下来的结肠组织质量几乎无损（-0.02 dB），在x8放大时在所有相当计算基准中均优于，而且与规模更大的SwinIR-Medium模型仍具竞争力。下游核染 segmentation 证实了临床相关结构的保持。该模型在单GPU上训练不到5小时，自适应路由可将整块切片推理时间从分钟缩短到秒。
引用
@article{arxiv.2603.18513,
title = {CAFlow: Adaptive-Depth Single-Step Flow Matching for Efficient Histopathology Super-Resolution},
author = {Elad Yoshai and Ariel D. Yoshai and Natan T. Shaked},
journal= {arXiv preprint arXiv:2603.18513},
year = {2026}
}