医疗AI瘦身5.6倍，边缘设备推理能耗直降68%！
Hardware-Aware Functional Kolmogorov-Arnold Networks for Efficient Medical Image Enhancement and Segmentation
📖 AI 总结
该研究针对功能性Kolmogorov-Arnold网络（FunKAN）在医学图像增强与分割中精度优异但参数量大（1160万）、算力需求高（8.7 GFLOPs）、难以部署于边缘医疗设备的问题，提出了一种硬件感知的两阶段压缩方案FunKANLite。第一阶段FunKANLite-TR通过缩减空间先验并用深度可分离模块替换残差块偏移预测器，在精度不损失的前提下将参数量减少1.9倍；第二阶段通过知识蒸馏得到FunKANLite-ST，进一步降低Hermite基秩、对空间先验做低秩分解并减半滤波器宽度，使参数量减少5.6倍、GFLOPs减少3.7倍。在BUSI、GlaS和CVC-ClinicDB数据集上，其IoU与原始模型差距不超过1.4个百分点，在IXI上达到33.95 dB PSNR。在Jetson Orin Nano和树莓派5上，单次推理能耗最多降低68%，吞吐量提升2.9倍，表明该方案能在保持精度的同时显著提升边缘设备上的部署效率。
🔑 关键词速览
| FunKAN | 功能性Kolmogorov-Arnold网络，一种在医学图像增强与分割任务中达到最先进精度的神经网络模型。 |
| FunKANLite | 本文提出的两阶段硬件感知压缩模型，专为边缘医疗设备设计，包含TR和ST两个变体。 |
| 深度可分离块 | 一种将标准卷积分解为深度卷积和逐点卷积的轻量级卷积模块，可显著减少参数量和计算量。 |
| Hermite基 | FunKAN中用于函数逼近的Hermite多项式基函数，降低其秩可压缩模型规模。 |
| IoU | 交并比，衡量图像分割精度的常用指标，表示预测区域与真实区域的重叠程度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅