MambaLiteUNet：面向鲁棒皮肤病变分割的交叉门控自适应特征融合
计算机视觉与模式识别
2026-04-23 v1 人工智能
摘要
最近的模型通过大幅减少参数量和计算复杂度，展示了令人鼓舞的效率。然而，这些模型通常难以准确描绘对于早期皮肤癌诊断和治疗计划至关重要的精细病变边界和纹理模式。在本文中，我们提出了MambaLiteUNet，一个紧凑而鲁棒的分割框架，它将Mamba状态空间建模集成到U-Net架构中，并包含三个关键模块：自适应多分支Mamba特征融合（AMF）、局部-全局特征混合（LGFM）和交叉门控注意力（CGA）。这些模块旨在增强局部-全局特征交互、保留空间细节并提高跳跃连接的质量。在ISIC2017、ISIC2018、HAM10000和PH2基准测试中，MambaLiteUNet实现了87.12%的平均IoU和93.09%的平均Dice分数，优于最先进的模型。与U-Net相比，我们的模型平均IoU和Dice分别提高了7.72和4.61个百分点，同时参数量减少了93.6%，GFLOPs减少了97.6%。此外，在包含六个未见病变类别的领域泛化中，MambaLiteUNet实现了77.61%的IoU和87.23%的Dice，在所有评估模型中表现最佳。我们的大量实验表明，MambaLiteUNet在准确性和效率之间取得了良好的平衡，使其成为皮肤科图像分割的一种有竞争力且实用的解决方案。我们的代码已公开发布于：https://github.com/maklachur/MambaLiteUNet。
引用
@article{arxiv.2604.20286,
title = {MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation},
author = {Md Maklachur Rahman and Soon Ki Jung and Tracy Hammond},
journal= {arXiv preprint arXiv:2604.20286},
year = {2026}
}
备注
Accepted at CVPR 2026 Main