<U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation>
U-Net已成为各种视觉应用的基石,如图像分割和扩散概率模型。虽然通过整合变压器或mlp引入了许多创新设计和改进,但网络仍然局限于线性建模模式以及缺乏可解释性。为了应对这些挑战,受到了Kolmogorov-Arnold网络(KANs)在准确性和可解释性方面的令人印象深刻的结果的启发,该网络通过从Kolmogorov-Anold表示定理派生的非线性可学习激活函数堆栈来重塑神经网络学习。
具体来说,探索了KANs在改善视觉任务的主干方面尚未开发的潜力。通过将专用的KAN层集成到标记化的中间表示(称为U-KAN)上,研究、修改和重新设计已建立的U-Net管道。严格的医学图像分割基准验证了UKAN算法的优越性,以更低的计算成本获得更高的分割精度。进一步深入研究了U-KAN作为扩散模型中另一种U-Net噪声预测器的潜力,证明了它在生成面向任务的模型架构方面的适用性。