DE-KAN：用于精准 2D 牙齿分割的双编码器 Kolmogorov Arnold 网络
计算机视觉与模式识别
2025-12-05 v2
摘要
从全景牙科 X 光片上对单个牙齿进行准确分割仍是一个具有挑战性的任务，由于解剖变异、不规则牙齿形状以及重叠结构。这些复杂性往往限制了传统深度学习模型的性能。为此，我们提出了 DE-KAN，即一种 novel Dual Encoder Kolmogorov Arnold Network，通过增强特征表示和分割精度。该框架采用 ResNet-18 编码器处理增强输入，并使用定制化 CNN 编码器处理原始输入，从而实现对全局和局部空间特征的互补提取。这些特征通过 KAN 基于瓶颈层进行融合，集成来自 Kolmogorov Arnold 表示定理的非线性可学习激活函数，以提高学习容量和可解释性。在两个基准牙科 X 光数据集上的大量实验表明，DE-KAN 优于最先进的分割模型，实现了 mIoU 为 94.5%、Dice 系数为 97.1%、准确率为 98.91%、召回率为 97.36%，在 Dice 系数上较现有方法提高了最高达 4.7%。
引用
@article{arxiv.2511.18533,
title = {DE-KAN: A Kolmogorov Arnold Network with Dual Encoder for accurate 2D Teeth Segmentation},
author = {Md Mizanur Rahman Mustakim and Jianwu Li and Sumya Bhuiyan and Mohammad Mehedi Hasan and Bing Han},
journal= {arXiv preprint arXiv:2511.18533},
year = {2025}
}