面向手术与深海探测机器人中富含低频信息图像分割的频域增强 U-Net
计算机视觉与模式识别
2025-09-10 v3
摘要
在深海探测和手术机器人场景中，环境光照和设备分辨率的限制常常导致高频特征衰减。针对 CNN 与人类视觉系统在频带敏感性上的差异（中频敏感，低频敏感性超过高频），我们通过实验量化了 CNN 的对比度敏感函数，并提出了一种受生物视觉机制启发的小波自适应频谱融合（WASF）方法，以平衡跨频段图像特征。此外，我们设计了一个集成 WASF 的感知频率模块（PFB），以增强频域特征提取。基于此，我们开发了 FE-UNet 模型，该模型采用 SAM2 骨干网络并融合了微调的 Hiera-Large 模块，在保证分割精度的同时提高了泛化能力。实验表明，FE-UNet 在海洋生物分割和息肉分割等跨域任务中达到了最先进的性能，展示了强大的适应性和显著的应用潜力。代码将很快发布。
引用
@article{arxiv.2502.03829,
title = {Frequency Domain Enhanced U-Net for Low-Frequency Information-Rich Image Segmentation in Surgical and Deep-Sea Exploration Robots},
author = {Guohao Huo and Ruiting Dai and Jinliang Liu and Ling Shao and Hao Tang},
journal= {arXiv preprint arXiv:2502.03829},
year = {2025}
}