ICCV MK-UNet：多核深度可分离卷积医学分割
一篇ICCV 2025 的 Paper《MK-UNet》，MK-UNet 证明了：不用 Transformer，纯 CNN 只要设计得好，照样能 SOTA，而且参数量小了 300 多倍！
论文原文 ：https://arxiv.org/abs/2509.18493
代码：https://github.com/SLDGroup/MK-UNett
即插即用代码仓库：https://github.com/AITricks/AITricks
1️⃣ 痛点：轻量级模型"看不远"
以前为了轻量化，我们通常用 MobileNet 或者单纯减少通道数。虽然速度快了，但卷积核太小，感受野很窄，根本看不全病灶的整体形状。
MK-UNet 就是为了解决这个的难题。
2️⃣ 核心大招：多核深度卷积
作者的思路：既然 3x3 卷积看不远，大卷积核又太慢，那我并行用不就行了？
MK-UNet 不再纠结用多大的核，而是同时用 3x3、5x5、7x7... 等不同尺寸的深度卷积。
既能看到微小的细节，又能看到宏观的轮廓。
3️⃣ 架构设计：MKIR 模块
它把这个多核思想融入到了 倒残差块 里，提出了 MKIR。
这简直是 MobileNetV2 的究极进化版！在提取特征的时候，它能自动适应不同大小的目标。不管你的病灶是巨大的器官，还是微小的息肉，它都能匹配到最合适的卷积核去处理。
4️⃣ 提纯神器：分组注意力门
在 U-Net 的跳跃连接部分。其实带了很多噪声。MK-UNet 设计了个 GAG。
它把特征分组，每一组单独算注意力，把无关的背景噪声滤掉，只保留有用的病灶信息。
5️⃣ 实验结果：参数极其小，精度极其高
参数量对比：TransUNet 有 105M 参数，MK-UNet 只有 0.316M！体积缩小了 333 倍。
精度吊打：在 BUSI、ISIC、CVC-ClinicDB等 6 个数据集上，MK-UNet 的 Dice 分数竟然比 TransUNet 还要高！
实测速度：在同样的硬件上，它的 FLOPs 只有 0.3G，推理速度飞快，完全可以在手机或者嵌入式设备上跑实时分割。
MK-UNet结构设计了多尺度+注意力，如果你在做医学分割、缺陷检测，这篇论文的 MKDC 模块绝对是最好用的"积木"！
#计算机视觉 #深度学习 #科研 #提供思路和创新点 #深度学习与神经网络 #论文 #医学图像分割 #论文分享 #医学