LAW & ORDER：面向医学扩散与分割的自适应空间加权
计算机视觉与模式识别
2026-03-06 v1 人工智能
摘要
医学图像分析依赖于精准分割，并从可控合成（新训练图像）中受益。然而，这两个循环管道中的任务都面临空间不平衡：肿瘤在广阔背景中占据小区域。具体而言，扩散模型容易偏离规定的肿瘤布局，而高效分割器在空间不确定区域困难。自适应空间加权通过学习资源分配位置来解决此问题。本文引入一对网络适配器：1）可学习自适应加权器（Learnable Adaptive Weighter, LAW），从特征和掩码预测每个像素的损失调制，并通过归一化、夹切和正则化的组合进行稳定，以防止出现退化解；2）基于有效分辨率的最优区域检测（Optimal Region Detection with Efficient Resolution, ORDER），在解码器的晚期阶段应用选择性双向跳过注意力，以实现高效分割。在多肿瘤和肾脏肿瘤数据集上的实验表明，LAW 相对于均匀基线实现了 20% 的 FID 生成改进（52.28 vs. 65.60），合成数据随后使下游分割提升 4.9% Dice 系数（83.2% vs. 78.3%）。ORDER 在 MK-UNet 上实现了 6.0% 的 Dice 改进（81.3% vs. 75.3%），仅需 0.56 GFLOPs 和 4.2 万参数，仅为标准 nnUNet 的 730 倍小。
引用
@article{arxiv.2603.04795,
title = {LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation},
author = {Anugunj Naman and Ayushman Singh and Gaibo Zhang and Yaguang Zhang},
journal= {arXiv preprint arXiv:2603.04795},
year = {2026}
}