2025年还在用KAN网络的也是神人了...

自从KAN的原始论文发表，相关研究就层出不穷，比如前段时间港中文提出的很有代表性的U-KAN，在准确性以及计算成本方面遥遥领先。

还有刚公布录用的ICASSP 2025，其中关于KAN的创新成果更是不少。Nature子刊以及IEEE上也有优秀成果陆续发表，比如CKANs模型、PIKANs架构...可见KAN在今年依然是研究热点。

从这些成果来看，目前关于KAN的创新大多都从模型改进（如动态门控）、跨领域应用（如材料学）、工具开发等角度切入，大家找idea也建议从这些开始，需要参考可直接看我整理好的16篇KAN相关的2025新论文，基本都有开源代码。

值得一提的是，鉴于KAN的理论创新性和应用广泛性，它有望在未来AI4Science的时代占据重要地位。感兴趣的同学速速上车。

全部论文+开源代码需要的同学看文末

U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation

方法：论文提出了一种结合了KANs的新型U-Net架构（U-KAN），通过在U-Net中引入KAN层，增强了模型对医学图像的分割和生成能力，同时提高了效率和可解释性。

创新点：

• 提出了一种新的U-KAN框架，首次将KANs的优势整合到U-Net架构中，显著提升了医学图像分割和生成任务的性能。

• 提出了一个创新的Tokenized KAN块，能够将KAN操作与现有的基于卷积的设计有效结合，使得KAN能够处理图像分割中的中间特征表示。

• 实验验证了U-KAN在多个医学图像分割基准测试中的优越性能，以及KAN在提高网络效率和可解释性方面的巨大价值。

Physics-Informed Kolmogorov-Arnold Networks for Power System Dynamics

方法：论文提出了一种新的方法PIKANs，用于电力系统动态建模。它首次将KANs引入电力系统，利用其可学习的激活函数和高效逼近能力，替代传统MLP架构。通过将电力系统的物理模型嵌入网络训练，PIKANs在减少训练数据依赖的同时，以更小的网络规模实现了更高的预测精度，并能准确识别系统参数。

创新点：

• 首次将KANs应用于电力系统动态建模，开发出PIKANs，替代传统MLP架构，显著减少网络规模和训练数据需求。

• PIKANs以更小的网络规模实现更高精度，准确预测电力系统动态并识别惯性和阻尼系数。

• 通过物理模型嵌入训练过程，PIKANs大幅减少对大规模训练数据的依赖，提升计算效率。

Color Matching Using Hypernetwork-Based Kolmogorov-Arnold Networks

方法：论文提出了一种基于KANs的颜色匹配框架cmKAN。它通过超网络生成空间变化的权重图来控制 KAN 的非线性样条，实现源图像颜色到目标图像颜色的精确匹配，同时引入大规模数据集进行验证，展示了其在多种任务中的优越性能和轻量级特性。

创新点：

• 首次将KAN应用于颜色匹配，利用其样条非线性特性实现高精度的颜色映射。

• 设计轻量级生成器，预测空间变化的KAN参数，提升颜色匹配的适应性和效率。

• 创建大规模成对图像数据集，支持颜色匹配方法的训练和评估。

Kolmogorov-Arnold Network for Remote Sensing Image Semantic Segmentation

方法：论文提出了一种名为DeepKANSeg的遥感图像语义分割网络，创新性地引入了KAN模块。DeepKAN模块用于提取高维特征中的复杂语义信息，GLKAN模块用于恢复语义细节，显著提升了分割精度和模型可解释性。

创新点：

• 提出基于KAN的深度特征精炼模块DeepKAN，通过非线性操作高效提取高维特征中的复杂语义信息。

• 引入基于KAN的GLKAN模块替代传统MLP，增强解码器恢复语义细节的能力。

• DeepKANSeg网络在高分辨率遥感数据集上表现出色，优于现有先进方法，同时提高了模型的可解释性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏