一致视图对齐提升 3D 医学图像分割的基础模型性能
计算机视觉与模式识别
2025-09-18 v1 机器学习
摘要
许多近期的表征学习方法在潜在空间中隐式假设，对数据点不相关的视图足以学习各种下游任务的有意义表征。本文挑战了这一假设，展示了在潜在空间中并不会自然产生有意义的结构。相反，这种结构必须被显式诱导。我们提出了一种方法，通过对齐来自不同视图的表征来对齐互补信息，同时避免引入误报。我们的实验表明，所提出的自监督学习方法——一致视图对齐——可提高下游任务的性能，凸显了结构化视图对齐在学习有效表征中起到的关键作用。我们的方法在使用 Primus 视觉变换器和 ResEnc 卷积神经网络时，分别在 MICCAI 2025 SSL3D 挑战中获得了第一和第二名。代码和预训练模型权重已发布于 https://github.com/Tenbatsu24/LatentCampus。
引用
@article{arxiv.2509.13846,
title = {Consistent View Alignment Improves Foundation Models for 3D Medical Image Segmentation},
author = {Puru Vaish and Felix Meister and Tobias Heimann and Christoph Brune and Jelmer M. Wolterink},
journal= {arXiv preprint arXiv:2509.13846},
year = {2025}
}
备注
MICCAI 2025: 1st Place in Transformer track and 2nd Place in Convolution track of SSL3D-OpenMind challenge