频频登顶Nature子刊！UNet为何这么好发高区？

最新推荐文章于 2025-02-17 20:00:00 发布

AI科研技术派

最新推荐文章于 2025-02-17 20:00:00 发布

阅读量938

点赞数 8

文章标签： U魔改

本文链接：https://blog.csdn.net/2401_82426425/article/details/144619068

版权

UNet改进太好发文了！频频登上Nature子刊和顶会！比如一种通过引入Transformer的UNet结构，便在甲烷检测任务中性能狂飙10倍；模型LightM-UNet则通过与Mamba结合，参数量狂降116倍……

主要在于，作为图像分割领域的经典模型，其不仅结构简单，更是以效果拔群著称！但是，其也一直面临过拟合、结构固定、语义信息不全、输入图像尺寸限制、长距离相关性信息处理困难等问题，严重限制了其在诸多领域的运用。因而对其的改进迫在眉睫，成为学术界的热门研究方向。

目前改进的思路主要围绕： ·模型架构改进：除前文所提，还有与注意力、小波变换、强化学习、KAN等热门技术结合； ·训练策略优化：像是数据增强、损失函数调整等。

为方便大家研究的进行，每种方法我都给大家准备了参考论文和源码，共38篇，一起来看！

论文原文+开源代码需要的同学看文末

UNet+Transformer

Automatic detection of methane emissions in multispectral satellite imageryusing a vision transformer

内容：文章介绍了一种基于Vision Transformer的深度学习架构，该架构能够自动检测多光谱卫星图像中的甲烷排放，并从噪声中分离出甲烷信号。这项技术显著提高了甲烷检测能力，能够检测到比现有技术小一个数量级的排放量，对于全球气候变化对抗和甲烷排放减少具有重要意义。

UNet+Mamba

Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation

内容：文章介绍了Mamba-UNet，这是一种基于纯视觉Mamba（VMamba）的UNet风格的网络，用于医学图像分割。Mamba-UNet结合了U-Net的对称编码器-解码器结构和跳跃连接，以及Mamba架构处理长序列和全局上下文信息的能力，以提高医学图像中长距离依赖关系的建模效率。实验结果表明，Mamba-UNet在MRI心脏多结构分割数据集上的表现优于UNet和Swin-UNet。

UNet+小波变换

Retina image 深度之眼整理segmentation using the three-path Unet model

内容：文章介绍了一种基于三路径Unet模型的视网膜图像分割方法，该方法通过结合Haar小波变换、自编码器（AE）和深度监督学习（DSL）技术，提高了视网膜血管分割的精度和准确性。在DRIVE和CHASE公共数据集上的实验结果表明，该模型在Dice系数、敏感性指数和准确度等指标上均优于传统的Unet模型，对于辅助医生进行眼科疾病诊断具有重要意义。

UNet+强化学习

Subject-driven Text-to-Image Generation via Preference-based Reinforcement Learning

内容：文章介绍了一种基于偏好的强化学习方法，用于主题驱动的文本到图像生成。研究者们提出了一个λ-Harmonic奖励函数，该函数可以提供可靠的奖励信号，实现早期停止以加速训练并有效正则化。通过结合Bradley-Terry偏好模型，该方法在只需要少量负样本和梯度步骤的情况下，就能实现高质量的文本到图像对齐。

UNet+特征融合

2T-UNET: A Two-Tower UNet with Depth Clues for Robust Stereo Depth Estimation

内容：论文介绍了一种名为2T-UNet的新型双塔UNet架构，用于鲁棒的立体深度估计。该架构通过两个具有不同权重的卷积塔来替代传统的成本体积构建，并且利用单目深度线索来增强预测场景几何的质量。2T-UNet在复杂的自然场景中表现出色，超越了现有的单目和立体深度估计方法，具有实时应用的潜力。

损失函数优化

DCDR-UNet: Deformable Convolution Based Detail Restoration via U-shape Network for Single Image HDR Reconstruction

内容：论文介绍了一种名为DCDR-UNet的新型深度神经网络，用于单图像高动态范围（HDR）重建。该网络通过引入可变形卷积和一种新的损失函数，有效地恢复过曝区域的细节，并通过实验结果证明了其在定量和定性上都优于现有的方法。DCDR-UNet的核心在于DCRB，它结合了偏移估计、可变形卷积和空间特征变换层，使得网络能够自适应地学习每个像素位置的感受野，从而更好地恢复过曝对象的细节。