摘要
U-Net架构及其变体在过去十年中一直是视网膜血管分割领域的前沿技术（state-of-the-art, SOTA）。在本研究中，我们提出了一种全尺度引导网络（Full Scale Guided Network, FSG-Net），其中特征表示网络通过现代化的卷积块提取全尺度信息，而引导卷积块则对这些信息进行细化。引入了注意力引导滤波器，其工作原理类似于非锐化遮罩滤波器（unsharp mask filter）。将全尺度信息传递给注意力块，可以生成改进的注意力图，这些注意力图再传递给注意力引导滤波器，从而提升分割网络的性能。在引导卷积块之前的结构可以用任何U-Net变体替代，这增强了所提方法的可扩展性。为了进行公平比较，我们重新实现了公共存储库中的最新研究，以评估它们的可扩展性和可复现性。实验结果表明，所提出的网络在多个公开数据集上与当前SOTA模型相比具有竞争力。消融研究表明，所提模型在参数量显著减少的情况下仍具有竞争力。最后，我们将所提模型应用于面部皱纹分割任务，验证了其在其他类似任务中的潜在可扩展性。我们的代码已发布在https://github.com/ZombaSY/FSG-Net-pytorch。