U-Net+CNN 2025最新创新性用于图像分割

CNN（卷积神经网络）和U-Net是深度学习中两种重要的网络架构，它们在图像处理和分割任务中具有广泛的应用。

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】  

论文1

标题：

U-Net: Convolutional Networks for Biomedical Image Segmentation

U-Net：用于生物医学图像分割的卷积网络

方法：

• U-Net架构：提出了一种基于U型结构的卷积网络，包含收缩路径（编码器）和扩展路径（解码器），通过跳跃连接将高分辨率特征与上采样特征结合。

• 数据增强：通过弹性变形对有限的标注样本进行数据增强，模拟组织变形，提高网络对变形的鲁棒性。

创新点：

• U-Net架构：通过U型结构实现高精度分割，仅需少量标注图像即可训练出优于传统滑动窗口卷积网络的模型（例如在ISBI挑战中，U-Net的warping error为0.000353，优于Ciresan等人的0.000420）。

• 数据增强策略：通过弹性变形显著提高了网络对组织变形的鲁棒性，减少了对大量标注数据的依赖，训练时间仅需10小时。

• 加权损失函数：通过加权损失函数改善了细胞分割中接触物体的分离效果，例如在ISBI细胞跟踪挑战中，U-Net的平均交并比（IOU）达到92.03%，显著优于第二名的83%。

• 无缝分割能力：通过重叠平铺策略实现了对任意大小图像的无缝分割，突破了GPU内存限制，适用于大型图像分割任务。

论文2

标题：

Weak-Mamba-UNet: Visual Mamba Makes CNN and ViT Work Better for Scribble-based Medical Image Segmentation

Weak-Mamba-UNet：视觉Mamba让CNN和ViT在基于涂鸦的医学图像分割中表现更好

方法：

• 多架构融合：提出了一个弱监督学习框架，结合CNN（UNet）、Transformer（SwinUNet）和Mamba架构（MambaUNet），分别用于局部特征提取、全局上下文理解和长距离依赖建模。

• 跨监督机制：通过伪标签实现多网络之间的协作和交叉监督学习，将稀疏的涂鸦注释转换为密集的伪标签用于训练。

创新点：

• Mamba架构引入：首次将Mamba架构应用于基于涂鸦的医学图像分割任务，显著提升了分割性能（例如在MRI心脏分割任务中，Dice系数达到0.9171，优于仅使用UNet或SwinUNet的框架）。

• 多视图交叉监督：通过结合三种不同架构的网络，实现了多视图交叉监督学习，提升了模型对有限标注数据的适应性和鲁棒性。

• 性能提升：相比仅使用UNet或SwinUNet的弱监督框架，Weak-Mamba-UNet在多个评估指标上表现出色，例如平均Dice系数提升了约2%~3%，Hausdorff距离降低了约50%，平均表面距离降低了约50%。

• 稀疏注释的有效利用：通过伪标签生成和交叉监督机制，有效地将稀疏的涂鸦注释转化为密集信号，降低了标注成本，同时保持了高精度的分割效果。

论文3

标题：

CM-UNet: Hybrid CNN-Mamba UNet for Remote Sensing Image Semantic Segmentation

CM-UNet：用于遥感图像语义分割的混合CNN-Mamba UNet

方法：

• 混合架构设计：提出了一种结合CNN编码器和Mamba解码器的混合架构，CNN用于提取局部图像特征，Mamba用于聚合和整合全局信息。

• CSMamba模块：引入CSMamba模块作为核心分割解码器，通过通道和空间注意力机制增强特征交互和全局-局部信息融合。

创新点：

• 混合架构优势：通过结合CNN的局部特征提取能力和Mamba的全局信息整合能力，显著提升了遥感图像语义分割的性能。例如，在ISPRS Potsdam数据集上，CM-UNet的平均F1分数（mF1）达到93.05%，比UNetformer高出0.25%。

• CSMamba模块：通过引入通道和空间注意力机制，增强了特征交互和全局-局部信息融合能力。在ISPRS Vaihingen数据集上，CM-UNet的平均交并比（mIoU）达到85.48%，比其他方法高出2.78%至16.08%。

• 多尺度特征融合：MSAA模块通过融合不同尺度的特征，进一步提升了分割精度。在LoveDA数据集上，CM-UNet的mIoU达到52.17%，优于其他方法。

• 计算效率与性能平衡：CM-UNet在计算复杂度和分割性能之间取得了良好的平衡。例如，其FLOPs和参数量均低于其他方法，但mIoU结果却优于其他模型，显示出更高的性价比。

论文4

标题：

DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Image Segmentation

DC-UNet：用双通道高效CNN重新思考医学图像分割的U-Net架构

方法：

• 双通道CNN块设计：提出了双通道CNN块（DC块），用以替代传统的残差连接，增强特征提取能力。

• Res-Path连接：在编码器和解码器之间引入Res-Path连接，通过多个3×3卷积层和残差连接传递特征。

创新点：

• 双通道CNN块：通过双通道CNN块，显著提升了特征提取能力，减少了模型参数数量。例如，在红外乳腺图像数据集上，DC-UNet的分割准确率比U-Net提高了2.90%，比MultiResUNet提高了1.20%。

• 改进的Res-Path连接：通过Res-Path连接，增强了特征传递效率，提升了分割精度。在ISBI-2012电子显微镜数据集上，DC-UNet的平均Tanimoto相似性达到92.62%，比U-Net高出1.49%，比MultiResUNet高出0.66%。

• 多尺度特征融合：通过双通道CNN块的多尺度特征融合，提升了模型对复杂医学图像的分割能力。在CVC-ClinicDB内窥镜数据集上，DC-UNet的分割准确率比U-Net提高了11.42%，比MultiResUNet提高了2.02%。

• Tanimoto相似性度量：采用Tanimoto相似性度量，避免了二值化处理，保留了更多分割图像的信息，同时在不同图像尺寸和目标比例下保持稳定。

 

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】