🔥 今日值得一读
医学影像分割新SOTA！FAN-LoRA用傅里叶解耦，Dice分数碾压最强基线，边界误差大减！
FAN-LoRA: A Fourier-Adaptive Nonlinear Low-Rank Adaptor for Medical Foundation Model Domain Adaptation
👨💼 主理人解读 · 为什么值得关注
通过傅里叶自适应低秩适配，提升SAM在医学影像跨模态迁移的鲁棒性。
📖 AI 总结
该论文提出了一种名为FAN-LoRA的新型参数高效微调方法，用于解决视觉基础模型（如SAM）在医学图像分割中面临的跨模态和跨中心域迁移难题。现有PEFT方法在严重分布偏移下性能下降，根源在于共享低秩子空间中异质频率成分的纠缠，导致结构对齐不佳和边界模糊。FAN-LoRA通过频率解耦架构显式分离优化空间：采用B样条驱动的低通分支实现全局结构对齐，结合离散傅里叶高通分支进行局部纹理补偿。在三个跨模态和跨中心基准上的实验表明，该方法持续优于现有PEFT基线，在平均Dice分数上取得一致提升，并显著降低边界误差，同时保持紧凑的模块尺寸和计算效率。
🔑 关键词速览
| FAN-LoRA | 傅里叶自适应非线性低秩适配器，一种用于医学基础模型域适应的频率解耦微调架构。 |
| SAM (Segment Anything Model) | 分割一切模型，一种视觉基础模型，旨在通过提示实现通用图像分割。 |
| PEFT (Parameter-Efficient Fine-Tuning) | 参数高效微调，一类仅调整少量参数以适应下游任务的方法。 |
| B-spline | B样条，一种基于控制点的分段多项式函数，用于平滑曲线或曲面拟合。 |
| Dice score | Dice系数，一种衡量分割结果与真实标签重叠程度的指标，值越高表示性能越好。 |
📱 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