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

U-Net已成为各种视觉应用（如图像分割和扩散概率模型）中的基石。尽管通过整合变压器或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解释性不足。为了解决这些挑战，我们的直觉受到Kolmogorov-Arnold Networks（KANs）在准确性和可解释性方面的惊人成果的启发，它通过来自Kolmogorov-Anold表示定理的非线性可学习激活函数堆栈来重塑神经网络学习。具体而言，在本文中，我们探索了KANs在改进视觉任务的骨干网络中未被开发的潜力。我们通过将专用的KAN层集成到标记化的中间表示上来调查、修改和重新设计已建立的U-Net流程，称之为U-KAN。严格的医学图像分割基准验证了U-KAN的优越性，即使计算成本更低，也可以获得更高的准确性。我们进一步深入探讨了U-KAN作为扩散模型中替代U-Net噪声预测器的潜力，展示了它在生成面向任务的模型架构方面的适用性。这些努力揭示了有价值的见解，并为U-KAN提供了前景，即您可以为医学图像分割和生成创建强大的骨干网络。项目页面：https://yes-ukan.github.io/

论文旨在探索Kolmogorov-Arnold Networks (KANs)在改进视觉任务中的潜力，尤其是在医学图像分割和扩散概率模型方面。同时解决U-Net模型的线性建模和解释性不足的问题。

论文通过在U-Net中集成KAN层，重新设计U-Net管道，提高了医学图像分割的准确性，同时降低了计算成本。这个新的模型被称为U-KAN。

论文使用严格的医学图像分割基准测试验证了U-KAN的优越性。此外，论文还探讨了U-KAN作为扩散模型中的替代U-Net噪声预测器的潜力，并证明了其在生成面向任务的模型架构方面的适用性。研究结果为未来的研究提供了有价值的见解。

最近在这个领域中，还有一些相关的研究，如Transformer或MLP的改进设计，以及KAN在其他领域的应用。