ProSMA-UNet: 近似稀疏跳过特征选择的解码器条件化
计算机视觉与模式识别
2026-03-05 v2
摘要
医学图像分割通常依赖于 U 型编码器-解码器结构，其中跳跃连接通过注入高分辨率编码器特征到解码器来保留细微空间细节。然而，这些跳过路径也会传递低级纹理、背景杂乱和获取噪声，使得无关信息能够绕过更深的语义滤波器——这在低对比度临床成像中尤为有害。虽然注意力门被引入来解决这一限制，但它们通常产生稠密 sigmoid 掩码，对特征进行柔和重新加权，而非显式地移除无关激活。我们提出了 ProSMA-UNet (近似稀疏多尺度注意力 U-Net)，将跳过门控重新构述为解码器条件化的稀疏特征选择问题。ProSMA 使用轻量级深度可分离膨胀卷积构建多尺度兼容场，以捕获局部和上下文尺度上的相关性，然后通过带可学习每个通道阈值的 近似算子强制执行显式稀疏，产生可删除噪声响应的闭式软阈值门。为进一步抑制在语义上无关的通道，ProSMA 采用由全局解码器上下文驱动的解码器条件化通道门控。大量实验在具有挑战性的 2D 和 3D 数据集上进行，结果显示在 3D 分割任务中尤其大幅提升（约 20%）。项目页面: https://math-ml-x.github.io/ProSMA-UNet/
引用
@article{arxiv.2603.03187,
title = {ProSMA-UNet: Decoder Conditioning for Proximal-Sparse Skip Feature Selection},
author = {Chun-Wun Cheng and Yanqi Cheng and Peiyuan Jing and Guang Yang and Javier A. Montoya-Zegarra and Carola-Bibiane Schönlieb and Angelica I. Aviles-Rivero},
journal= {arXiv preprint arXiv:2603.03187},
year = {2026}
}