SA-UNetv2: 重新思考空间注意力 U-Net 用于视网膜血管分割
计算机视觉与模式识别
2025-10-28 v2
摘要
视网膜血管分割对于早期诊断糖尿病视网膜病变、高血压和神经退行性疾病等疾病至关重要。虽然 SA-UNet 在瓶颈处引入了空间注意力,但未充分利用注意力机制于 skip 连接,且未解决前景-背景严重不平衡的问题。我们提出 SA-UNetv2,一个轻量级模型,将跨尺度空间注意力注入所有 skip 连接以强化多尺度特征融合,并采用加权二元交叉熵(BCE)加上马太相关系数(MCC)损失以提高对类别不平衡的鲁棒性。在公开的 DRIVE 和 STARE 数据集上,SA-UNetv2 实现了最先进的性能,仅需 1.2MB 内存和 0.26M 参数(不足 SA-UNet 的 50%),在 592x592x3 图像上实现 1 秒 CPU 推理,展示了在资源受限、仅 CPU 环境下的强大效率和可部署性。
引用
@article{arxiv.2509.11774,
title = {SA-UNetv2: Rethinking Spatial Attention U-Net for Retinal Vessel Segmentation},
author = {Changlu Guo and Anders Nymark Christensen and Anders Bjorholm Dahl and Yugen Yi and Morten Rieger Hannemose},
journal= {arXiv preprint arXiv:2509.11774},
year = {2025}
}
备注
The code is available at github.com/clguo/SA-UNetv2