U-KAN 成为医学图像分割与生成的强大主干网络
图像与视频处理
2024-08-23 v3 计算机视觉与模式识别
摘要
U-Net 已成为各种视觉应用中不可或缺的工具，如图像分割和扩散概率模型。尽管通过整合Transformer或MLP等创新设计不断改进，但网络仍受限于线性建模模式且解释性不足。为此，我们受克拉米科-阿尔诺德网络（Kolmogorov-Arnold Networks, KANs）在准确性和解释性方面卓越成绩的启发，提出构建非线性可学习激活函数堆叠以重塑神经网络学习。具体而言，本文探索了将KANs应用于提升视觉任务主干网络的潜力。我们研究、修改并重新设计经典U-Net框架，集成KAN层于标记化中间表征上，构成U-KAN。严格的医学图像分割基准测试验证了U-KAN在更高准确率下还能降低计算成本。我们进一步探讨U-KAN作为U-Net噪声预测器在扩散模型中的应用，展示其在生成任务导向模型架构中的可行性。这些努力揭示了使用U-KAN可构建医学图像分割与生成强大主干网络的宝贵洞见。项目页面:\url{https://yes-u-kan.github.io/}。
关键词
引用
@article{arxiv.2406.02918,
title = {U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation},
author = {Chenxin Li and Xinyu Liu and Wuyang Li and Cheng Wang and Hengyu Liu and Yifan Liu and Zhen Chen and Yixuan Yuan},
journal= {arXiv preprint arXiv:2406.02918},
year = {2024}
}