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

        U-Net已成為各種視覺應(yīng)用的基石，如圖像分割和擴散概率模型。雖然通過整合變壓器或mlp引入了許多創(chuàng)新設(shè)計和改進，但網(wǎng)絡(luò)仍然局限于線性建模模式以及缺乏可解釋性。為了應(yīng)對這些挑戰(zhàn)，受到了Kolmogorov-Arnold網(wǎng)絡(luò)（KANs）在準(zhǔn)確性和可解釋性方面的令人印象深刻的結(jié)果的啟發(fā)，該網(wǎng)絡(luò)通過從Kolmogorov-Anold表示定理派生的非線性可學(xué)習(xí)激活函數(shù)堆棧來重塑神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。

        具體來說，探索了KANs在改善視覺任務(wù)的主干方面尚未開發(fā)的潛力。通過將專用的KAN層集成到標(biāo)記化的中間表示（稱為U-KAN）上，研究、修改和重新設(shè)計已建立的U-Net管道。嚴(yán)格的醫(yī)學(xué)圖像分割基準(zhǔn)驗證了UKAN算法的優(yōu)越性，以更低的計算成本獲得更高的分割精度。進一步深入研究了U-KAN作為擴散模型中另一種U-Net噪聲預(yù)測器的潛力，證明了它在生成面向任務(wù)的模型架構(gòu)方面的適用性。