VQ-Seg：面向半监督医学图像分割的矢量量化令牌扰动
计算机视觉与模式识别
2026-01-16 v1
摘要
基于特征扰动的一致性学习是半监督医学图像分割中广泛使用的策略。然而，许多现有的扰动方法依赖于 dropout，因此需要仔细手动调整 dropout 率，这是一个敏感的超参数，通常难以优化，并可能导致次优的正则化效果。为克服这一局限，我们提出 VQ-Seg，这是首个采用向量量化（VQ）来离散化特征空间并引入一种新颖且可控的量化扰动模块（QPM）以替代 dropout 的方法。我们的 QPM 通过打乱码本索引的空间位置来扰动离散表示，从而实现有效且可控的正则化。为减轻量化可能造成的信息损失，我们设计了一种双分支架构，其中量化后的特征空间由图像重建和分割任务共享。此外，我们引入了一个后 VQ 特征适配器（PFA），以融入来自基础模型（FM）的指导，补充量化过程中丢失的高层语义信息。我们还收集了一个大规模肺癌（LC）数据集，包含 828 例针对中央型肺癌标注的 CT 扫描。在 LC 数据集和其他公开基准上的大量实验证明了我们方法的有效性，其性能优于当前最先进的方法。代码见：https://github.com/script-Yang/VQ-Seg。
引用
@article{arxiv.2601.10124,
title = {VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation},
author = {Sicheng Yang and Zhaohu Xing and Lei Zhu},
journal= {arXiv preprint arXiv:2601.10124},
year = {2026}
}
备注
Accepted by NeurIPS 2025