HiPerformer：具有模块化层次融合策略的高性能全局-局部分割模型
计算机视觉与模式识别
2025-09-29 v2
摘要
局部细节和全局上下文在医学影像分割中均至关重要，有效整合二者对实现高精度至关重要。然而，基于CNN-Transformer混合架构的现有主流方法通常采用简单的特征融合技术，如串行堆叠、端点拼接或逐点加法，这些方法难以解决特征间的不一致性，容易导致信息冲突和丢失。为应对上述挑战，我们创新性地提出了HiPerformer。HiPerformer的编码器采用一种新颖的模块化层次架构，能够并行地动态融合多源特征，实现异构信息的逐层深度集成。模块化层次设计不仅保留了编码器中每个分支的独立建模能力，还确保了层间的充分信息传递，有效避免了传统堆叠方法带来的特征退化和信息丢失。此外，我们设计了一个局部-全局特征融合（LGFF）模块，以实现局部细节和全局语义信息的精确高效整合，有效缓解了特征不一致性问题，从而产生更全面的特征表示。为进一步增强多尺度特征表示能力并抑制噪声干扰，我们还提出了一种渐进金字塔聚合（PPA）模块以替代传统的跳跃连接。在十一个公共数据集上的实验表明，所提出的方法优于现有的分割技术，展现出更高的分割准确率和鲁棒性。代码可在 https://github.com/xzphappy/HiPerformer 获取。
引用
@article{arxiv.2509.20280,
title = {HiPerformer: A High-Performance Global-Local Segmentation Model with Modular Hierarchical Fusion Strategy},
author = {Dayu Tan and Zhenpeng Xu and Yansen Su and Xin Peng and Chunhou Zheng and Weimin Zhong},
journal= {arXiv preprint arXiv:2509.20280},
year = {2025}
}