从基础模型蒸馏生成 Polyp 分割的轻量化模型：边界引导的 LiteBounD
计算机视觉与模式识别
2026-04-21 v1
摘要
自动化 Polyp 分割对于早期结直肠癌检测和预防至关重要，但由于边界模糊、外观差异大以及标注数据有限，仍面临挑战。轻量化分割模型如 U-Net、U-Net++ 和 PraNet 为临床部署提供了实用效率，但难以捕获复杂 Polyp 区域精确描绘所需的丰富语义和结构线索。相比之下，大型视觉基础模型（VFMs）如 SAM、OneFormer、Mask2Former 和 DINOv2 具备强大泛化能力，但由于领域不匹配、边界灵敏度不足和计算成本高，难以迁移到 Polyp 分割。为弥合这一差距，我们提出了 \textit{\textbf{LiteBounD}，一个 \underline{Li}ghtweight \underline{Boun}dary-guided \underline{D}istillation 框架，将多个 VFMs 的互补语义和结构先验知识蒸馏到紧凑的分割主干网络中。LiteBounD 引入（i）一种双路径蒸馈机制，用于分离语义和边界感知表征，（ii）一种频率感知对齐策略，分别监督低频全局语义和高频边界细节，（iii）一种边界感知解码器，将多尺度编码器特征与蒸馈的语义丰富边界信息融合以实现精确分割。大量实验表明，在面对 seen 数据集（Kvasir-SEG、CVC-ClinicDB）和 unseen 数据集（ColonDB、CVC-300、ETIS）时，LiteBounD 均显著优于轻量基线模型，并在保持实时临床应用所需效率的同时，达到与 SOTA 方法相当的性能。我们的代码已公开于 https://github.com/lostinrepo/LiteBounD。
引用
@article{arxiv.2604.17865,
title = {Sharpening Lightweight Models for Generalized Polyp Segmentation: A Boundary Guided Distillation from Foundation Models},
author = {Shivanshu Agnihotri and Snehashis Majhi and Deepak Ranjan Nayak},
journal= {arXiv preprint arXiv:2604.17865},
year = {2026}
}