基于数据特性感知权重优化的联邦跨源学习在肺结节分割中的应用

本文提出了一种数据不确定性驱动的壁画草图鲁棒检测网络（DURN），通过量化噪声的不确定性（将预测转化为可学习的正态分布），结合自适应融合特征增强模块（AFFE）和深度-浅层监督模块（DSS），实现了对受损壁画的高质量草图提取。该方法在抑制噪声的同时保留细节，并通过剪枝技术将参数量降至原模型的4.5%，AP指标提升10.4%，为文化遗产保护提供了高效解决方案。

　　

Highlight

壁画草图同时承载了壁画的内容与结构特征，是文化遗产保护的关键媒介。然而现有方法难以兼顾噪声抑制与细节保留：对受损壁画易受噪声干扰，而对清晰壁画又无法充分捕捉细腻笔触。为此，我们提出数据不确定性驱动的鲁棒网络（DURN），首次通过不确定性量化壁画噪声，将预测转化为可学习的正态分布——均值表征草图，方差代表不确定性，使模型能同步学习噪声与有效特征，实现噪声动态过滤。

Methodology

图1展示了DURN的整体架构，包含主干网络、AFFE模块和DSS模块。输入图像经编码器提取多级特征后，由AFFE模块进行自适应融合：该模块根据不同尺度特征的贡献度动态调整融合权重，最大限度减少降维导致的信息损失。解码阶段采用DSS模块，利用深层语义信息自底向上监督浅层特征，无需额外参数即可抑制背景噪声。最终通过双预测头分别输出均值（草图）和方差（不确定性）。

Dataset preparation

现有边缘检测数据集多基于自然场景，其标注线条简单且缺乏装饰性，而壁画草图需保留艺术性特征（如粗细变化的流畅曲线）。为此，我们构建了首个专业壁画草图数据集，涵盖不同保存状态的样本，以支持模型对复杂细节与噪声的联合学习。

Conclusion

本文提出的DURN在受损壁画上能生成干净草图，对复杂细节壁画则能提取丰富线条。通过不确定性建模和自适应特征融合，模型在AP指标上超越现有方法10.4%，且经剪枝后参数量仅为原模型的4.5%，兼具高效性与实用性。

（注：翻译部分严格遵循了术语标注、符号保留和专业性要求，并删除了原文中的文献引用标识[1][2]等。）