SAM-DCE：解决医学分割中的标记均匀性与语义过平滑问题
计算机视觉与模式识别
2025-09-24 v2
摘要
Segment Anything Model (SAM) 在自然图像上显示出惊人的零样本分割能力，但在医学影像领域由于领域迁移、解剖变异以及依赖用户提供提示符的限制，面临着挑战。最近的无提示适应方法虽然缓解了专家干预的需求，但仍存在鲁棒性和适应性有限的问题，常常忽视语义过平滑和标记均匀性等问题。我们提出了 SAM-DCE，通过平衡局部判别与全局语义，同时缓解标记均匀性，增强类别间可分离性，并丰富基于细粒度、一致表示的掩码解码。广泛的在多样化医学基准上的实验验证了其有效性。
引用
@article{arxiv.2509.16886,
title = {SAM-DCE: Addressing Token Uniformity and Semantic Over-Smoothing in Medical Segmentation},
author = {Yingzhen Hu and Yiheng Zhong and Ruobing Li and Yingxue Su and Jiabao An and Feilong Tang and Jionglong Su and Imran Razzak},
journal= {arXiv preprint arXiv:2509.16886},
year = {2025}
}