论文页面 - UniH³：统一层级同质性与异质性以实现全能医学图像恢复

来源：https://huggingface.co/papers/2609.11156

摘要

UniH³ 通过基于记忆的同质性先验和异质性平衡器，统一了层级同质性与异质性，实现了全能医学图像恢复。

全能医学图像恢复 (https://huggingface.co/papers?q=All-in-One%20medical%20image%20restoration) (MedIR (https://huggingface.co/papers?q=MedIR)) 旨在使用单个通用模型解决跨模态和退化类型的多样化任务。现有方法通常优先建模任务间异质性（例如，不同的数据分布和退化类型）。然而，它们很大程度上忽视了医学图像中固有的同质性，例如模态内和模态间广泛共享的解剖结构，这些可以被用来简化模型训练并提高泛化能力。为此，我们提出了 UniH³，一个新颖的框架，统一了层级同质性与异质性以实现全能医学图像恢复 (https://huggingface.co/papers?q=all-in-one%20medical%20image%20restoration)。具体来说，为了全面利用同质性，我们引入了一个层级同质性记忆 (https://huggingface.co/papers?q=Hierarchical%20Homogeneity%20Memory) (H²M (https://huggingface.co/papers?q=H²M)) 模块，该模块在训练期间从高质量图像中逐步蒸馏任务内和任务间的同质性先验，并自适应地检索最相关的先验以适配输入，用于引导恢复。然后，这些检索到的先验通过一个高效的同质性引导注意力 (https://huggingface.co/papers?q=Homogeneity-Guided%20Attention) (HGA (https://huggingface.co/papers?q=HGA)) 机制注入到恢复流程中。此外，为了全面解决异质性，我们设计了一个层级异质性平衡器 (https://huggingface.co/papers?q=Hierarchical%20Heterogeneity%20Balancer) (H²B (https://huggingface.co/papers?q=H²B))，用于缓解优化过程中的任务间和任务内冲突，促进平衡且有效的多任务学习。在两个大规模基准测试集 MedIR (https://huggingface.co/papers?q=MedIR)-2D-500K 和 MedIR (https://huggingface.co/papers?q=MedIR)-3D-3K 上的大量实验表明，UniH³ 在全能和单任务医学图像恢复方面均实现了最先进的性能。我们希望这项工作能建立一个强大的基准，并推动通用医学图像恢复模型的发展。代码可在 https://github.com/Yaziwel/UniH3 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2609.11156) 查看 PDF (https://arxiv.org/pdf/2609.11156) 项目页面 (https://github.com/Yaziwel/UniH3) GitHub5 (https://github.com/Yaziwel/UniH3) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.11156)

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2609.11156 以从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2609.11156 以从此页面链接它。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2609.11156 以从此页面链接它。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接它。