XNet v2：更少限制、更好结果与更广普适性
计算机视觉与模式识别
2024-09-04 v1 人工智能
摘要
XNet 提出了一种基于小波的 X 形统一架构，用于完全监督和半监督生物医学分割。然而，XNet 仍面临诸多限制，包括在缺乏高频（HF）信息的图像上性能下降、对原始图像的利用不足以及融合不足的问题。为此，我们提出 XNet v2，一种低频和高频互补模型。XNet v2 执行基于小波的图像级互补融合，并将融合结果和原始图像输入作为三个不同的子网络，以构建一致性损失。此外，我们引入特征级融合模块以增强低频（LF）信息和 HF 信息的传递。XNet v2 在半监督分割中实现了最先进的性能，同时保持竞争的完全监督学习结果。更重要的是，XNet v2 在 XNet 失败的场景中表现出色。与 XNet 相比，XNet v2 具有更少的限制、更好的结果和更广的适用性。在三个 2D 和两个 3D 数据集上的广泛实验表明 XNet v2 的有效性。代码已公开于 https://github.com/Yanfeng-Zhou/XNetv2。
引用
@article{arxiv.2409.00947,
title = {XNet v2: Fewer Limitations, Better Results and Greater Universality},
author = {Yanfeng Zhou and Lingrui Li and Zichen Wang and Guole Liu and Ziwen Liu and Ge Yang},
journal= {arXiv preprint arXiv:2409.00947},
year = {2024}
}