LUC课程缓解医学视觉ICL配对依赖

研究提出用测试时错位重排诊断医学视觉上下文学习（ICL）的配对依赖，发现四个已发布模型均存在不同程度的配对差距。为此，作者提出后期解耦课程（LUC）：先进行匹配训练，再随机解耦，把每个支持样本的标签替换为同一episode中另一个支持样本的标签。 在两个骨干网络上，LUC几乎消除配对差距并保持或提升匹配性能。在BraTS全肿瘤分割上，匹配支持DSC从0.733升至0.857，配对差距从-0.184收窄至-0.008。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。