基于加法 U-Net 的多任务学习用于图像去噪与分类
计算机视觉与模式识别
2026-02-16 v1 人工智能
机器学习
摘要
我们研究在 U-Net 架构中进行加法跳过融合，用于图像去噪和去噪导向的多任务学习（MTL）。通过将拼接式跳过替换为带门控的加法融合，提出的加法 U-Net（AddUNet）约束了快捷通道的容量，同时保持深度跨越的固定特征维度。这一结构正则化诱导受控的编码器-解码器信息流，稳定了联合优化。在单任务去噪和联合去噪-分类设置下，AddUNet 实现了具竞争力的重构性能并实现了更稳定的训练。在 MTL 中，学习的跳过权重表现出系统性的任务感知重新分配：浅层跳过偏好重构，而更深层特征支持判别。值得注意的是，即使在受限的分类容量下，重构仍然稳健，表明加法融合通过隐式任务解耦。这些发现表明，对跳过连接进行简单的约束作为有效的架构正则器，能够在不增加模型复杂度的情况下实现稳定和可扩展的多任务学习。
引用
@article{arxiv.2602.12649,
title = {Multi-Task Learning with Additive U-Net for Image Denoising and Classification},
author = {Vikram Lakkavalli and Neelam Sinha},
journal= {arXiv preprint arXiv:2602.12649},
year = {2026}
}