U-Bench：通过100种变体基准测试全面理解U-Net
计算机视觉与模式识别
2025-10-09 v1
摘要
过去十年间，U-Net已成为医学图像分割的主导架构，催生了数千种U形变体。尽管其被广泛采用，但目前仍缺乏全面的基准测试来系统评估其性能与效用，主要原因在于统计验证不足以及对效率与跨多样数据集泛化能力的有限考虑。为弥补这一空白，我们提出了U-Bench——首个大规模、统计严谨的基准测试，在28个数据集和10种成像模态下评估了100种U-Net变体。我们的贡献有三：（1）全面评估：U-Bench沿三个关键维度评估模型——统计鲁棒性、零样本泛化能力和计算效率。我们引入了一种新指标U-Score，联合捕捉性能-效率权衡，提供了面向部署的模型进展视角。（2）系统分析与模型选择指导：我们总结了大规模评估的关键发现，并系统分析了数据集特征和架构范式对模型性能的影响。基于这些见解，我们提出了一种模型顾问智能体，用于指导研究人员为特定数据集和任务选择最合适的模型。（3）公开可用性：我们提供所有代码、模型、协议和权重，使社区能够复现我们的结果并用未来方法扩展基准测试。总之，U-Bench不仅揭示了先前评估中的空白，还为下一代基于U-Net的分割模型建立了公平、可复现且实际相关的基准测试基础。该项目可访问：https://fenghetan9.github.io/ubench。代码可在：https://github.com/FengheTan9/U-Bench 获取。
引用
@article{arxiv.2510.07041,
title = {U-Bench: A Comprehensive Understanding of U-Net through 100-Variant Benchmarking},
author = {Fenghe Tang and Chengqi Dong and Wenxin Ma and Zikang Xu and Heqin Zhu and Zihang Jiang and Rongsheng Wang and Yuhao Wang and Chenxu Wu and Shaohua Kevin Zhou},
journal= {arXiv preprint arXiv:2510.07041},
year = {2025}
}
备注
54 pages. The project can be accessed at: https://fenghetan9.github.io/ubench. Code is available at: https://github.com/FengheTan9/U-Bench