将 ZACH-ViT 扩展至稳健医学影像：低数据情景下的噪声与对抗扰动压力测试
计算机视觉与模式识别
2026-04-08 v1
摘要
最近提出的 ZACH-ViT（Zero-token Adaptive Compact Hierarchical Vision Transformer）正式化了一个紧凑且排列不变的医学影像视觉转换器，认为与空间结构的架构对齐可能比通用基准优势更为重要。其设计动机源于观察：位置嵌入和专用类别标记编码了固定的空间假设，而这些假设在空间组织弱信息、局部分布或跨生物医学图像变化时可能并不次佳。该基础研究在 MedMNIST 上建立了依赖于情景的干净性能轮廓，但未详细检视稳健性。在本工作中，我们首次针对 ZACH-ViT 提供稳健性扩展，通过评估在相同低数据情景下面对常见图像噪声和对抗扰动时的行为。我们在七个 MedMNIST 数据集上，使用 50 个样本/类、固定超参数和五个随机种子，将 ZACH-ViT 与三个从零训练的紧凑基线（ABMIL、Minimal-ViT、TransMIL）进行比较。在整个基准测试中，ZACH-ViT 在干净数据上的平均总体排名为 1.57，在常见噪声下的排名也为 1.57，表明其在基线预测性能与对现实图像退化的稳健性之间取得了有利的平衡。在对抗压力下，所有模型都会显著恶化；尽管如此，ZACH-ViT 仍保持竞争力，在 FGSM 下排名第一（2.00），在 PGD 下排名第二（2.29），其中 ABMIL 在整体上表现最佳。这些结果扩展了原始 ZACH-ViT 的叙述：紧凑排列不变转换器的优势不仅限于干净评估，甚至在低数据医学影像中仍能在现实扰动压力下保持稳健，而对抗鲁棒性仍是所有评估模型面临的开放挑战。
引用
@article{arxiv.2604.06099,
title = {Extending ZACH-ViT to Robust Medical Imaging: Corruption and Adversarial Stress Testing in Low-Data Regimes},
author = {Athanasios Angelakis and Marta Gomez-Barrero},
journal= {arXiv preprint arXiv:2604.06099},
year = {2026}
}
备注
Accepted at CVPR 2026 Workshop (PHAROS-AIF-MIH)