SD-FSMIS：适配Stable Diffusion的小样本医学图像分割
计算机视觉与模式识别
2026-04-10 v2
摘要
小样本医学图像分割（FSMIS）旨在仅使用最少的标注样本来分割医学图像中的新目标类别，解决医学成像中数据稀缺和域偏移的关键挑战。虽然扩散模型（DM）在视觉任务中表现出色，但其在FSMIS中的潜力尚未被充分探索。我们提出，大规模DM学到的丰富视觉先验可为更鲁棒和数据高效的分割方法提供强大基础。在本文中，我们引入了SD-FSMIS，一个专门设计用于有效适配预训练Stable Diffusion（SD）模型以完成FSMIS任务的新型框架。我们的方法通过引入两个关键组件来复用其条件生成架构：支持-查询交互（SQI）和视觉-文本条件转换器（VTCT）。具体而言，SQI为将SD适配到FSMIS范式提供了一种简单而强大的手段。VTCT模块将支持集中的视觉线索转换为隐式文本嵌入，引导扩散模型，实现对生成过程的精确条件化。大量实验表明，SD-FSMIS在标准设置下取得了与最先进方法相当的结果。令人惊讶的是，它在更具挑战性的跨域场景中也展现了出色的泛化能力。这些发现凸显了适配大规模生成模型以推进数据高效和鲁棒的医学图像分割的巨大潜力。
引用
@article{arxiv.2604.03134,
title = {SD-FSMIS: Adapting Stable Diffusion for Few-Shot Medical Image Segmentation},
author = {Meihua Li and Yang Zhang and Weizhao He and Hu Qu and Yisong Li},
journal= {arXiv preprint arXiv:2604.03134},
year = {2026}
}
备注
CVPR2026