LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

U-Net编码器—解码器与跳跃连接的医学图像分割

#near-cvpr-2025#segmentation#representation-learning#primary-source

U-Net：多尺度编码器—解码器

一句话结论

U-Net 用对称编码器—解码器和同尺度跳跃连接，把全局语义与精细定位结合，成为分割与扩散去噪器共同复用的基础形状。

问题定义

在医学图像标注稀缺、边界要求精细时，怎样同时获得大感受野与高分辨率定位？

方法概述

编码器逐级下采样，解码器逐级上采样；高分辨率编码特征与对应解码层拼接，配合强数据增强训练。

关键发现

  • 多尺度 skip 连接帮助恢复定位细节。
  • U 形结构可在少量领域标注和强增强下工作。
  • 同一主干形状可迁移到生成去噪，但任务目标完全不同。

局限或疑问

  • 高分辨率拼接带来显存开销。
  • 小样本结果依赖领域结构与增强，不能普遍外推。
  • 原始 valid-convolution U-Net 与现代同 padding 变体并不完全相同。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-u-net",
  "type": "source",
  "title": "U-Net：编码器—解码器与跳跃连接的医学图像分割",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "MICCAI 2015",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "segmentation",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Olaf Ronneberger",
    "Philipp Fischer",
    "Thomas Brox"
  ],
  "published_at": "2015-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1505.04597",
    "https://arxiv.org/pdf/1505.04597",
    "https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/"
  ],
  "raw_entry": "raw/ingest/2026-07-14-u-net/",
  "analysis_note": "raw/ingest/2026-07-14-u-net/analysis.md",
  "topics": [
    "topics/vision-task-foundations",
    "topics/visual-generation-foundations"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}