面向跨站点持续分割的同步记忆性与泛化性：基于站点调制扩散回放

由于隐私限制和存储限制，深度网络在解决实际医学图像诊断问题时，从不同数据站点顺序学习的能力至关重要。然而，适应新站点会导致对旧站点的灾难性遗忘，并降低对未见站点的泛化能力。现有的持续学习（CL）和领域泛化（DG）方法分别被提出来解决这两个挑战，但没有任何方法能同时解决两者。认识到这一局限性，本文提出了一种新颖的训练范式——面向同步记忆性与泛化性的学习（SMG-Learning）。为实现此目标，我们创建了定向梯度对齐以确保对先前站点的记忆性，以及任意梯度对齐以增强对未见站点的泛化性。这种方法被称为并行梯度对齐（PGA）。此外，我们使用一阶泰勒展开将PGA近似为双重元目标，以降低对齐梯度的计算成本。考虑到由于隐私约束，执行梯度对齐（尤其是对先前站点）不可行，我们设计了一个站点调制扩散（SMD）模型，用于生成带有站点特定可学习提示的图像，回放的图像具有与先前站点相似的数据分布。我们在两个医学图像分割任务上评估了我们的方法，其中来自不同站点的数据顺序到达。实验结果表明，我们的方法比其它最先进的方法更有效地增强了记忆性和泛化性，在所有站点上都提供了令人满意的性能。我们的代码将在以下网址提供：https://github.com/dyxu-cuhkcse/SMG-Learning。