近期，图像与视频处理再度成为研究热点，相关理论与应用层出不穷，投稿热度持续上升。如果你正在为论文选题发愁，不妨试试该新思路：用KAN进行图像处理。

KAN凭借其可学习的激活函数和灵活的架构，能够根据图像特征自适应调整，精准捕捉麻烦模式，显著提升处理效率与性能。

更令人欣喜的是，借助预训练KAN模型或在特定数据集上微调，即可快速构建高效图像处理系统，无需从头训练，大大节省时间和资源。该方法已成功应用于图像分类、目标检测、语义分割等多个任务，展现出强大潜力。

目前已有相关论文陆续发表，为方便大家参考，我们精心整理了12篇顶刊前沿论文，从不同角度和方法对KAN图像处理进行创新，希望对大家有所帮助！

全部论文+开源代码需要的同学看文末！

【论文1】The Dawn of KAN in Image-to-Image (I2I) Translation: Integrating Kolmogorov-Arnold Networks with GANs for Unpaired I2I Translation

![Comparison of Embedding Visualizations of Simulated Data with Transformation by Simple MLP and KAN Model

](https://i-blog.csdnimg.cn/direct/d2b12acca8d34b98a71e9bb83cb57cdc.png)

1.研究方法

Comparison between the Two-Layer MLP and Two-Layer KAN architectures

Architecture of Generator used in KAN-CUT.

该研究基于 Kolmogorov-Arnold 表示定理构建 KAN 网络，将其应用于传统卷积层和线性层构建相关模型，用于图像分类等任务；在图像 - 图像翻译任务中，把 CUT 模型里的两层 MLP 替换为两层 KAN，构建 KAN-CUT 模型；在医学图像分割任务里，对 U-Net 架构进行改造，将卷积层替换为 KAN 卷积、MLP 层替换为 KANLinear，并融入 ViT 的移位思想，或在 U-KAN 模型中引入 Mamba 块形成 KAN-Mamba FusionNet。

2.论文创新点

Comparative Results of Horse → Zebra and Cat → Dog

Comparative Results of Horse → Zebra and Cat → Dog

  1. 独特架构与激活函数：KAN具有独特架构，其节点间的激活函数可学习、能根据图像特性自适应，可精准捕捉复杂特征与模式，提升图像处理效率与性能。

  2. 替换传统组件：可奏效替代传统多层感知机（MLP），如在图像-图像翻译和医学图像分割任务中替换相关组件，增强模型特征提取与处理能力 。

  3. 结合其他技术：与对比学习、生成对抗网络（GANs）结合用于图像-图像翻译；在医学图像分割中与Mamba架构协同，还引入新的激活函数集成方式（如Bag-of-Activation函数） 。

  4. 提出优化策略：针对KAN对噪声敏感问题，提出平滑正则化方法约束样条函数变化率、引入段失活技术将特定样条段简化为线性函数，提升其在视觉任务中的稳定性与泛化性 。

论文链接：https://arxiv.org/pdf/2408.08216

【论文2】SpectralKAN: Kolmogorov-Arnold Network for Hyperspectral Images Change Detection

Pseudo-color images of five HSIs-CD datasets. The first row is the before-temporal HSIs, and the second row is the the after-temporal HSIs. (a)Farmland. (b) river. (c) USA. (d) Bay Area. (e) Santa Barbara.

Pseudo-color images of five HSIs-CD datasets. The first row is the before-temporal HSIs, and the second row is the the after-temporal HSIs. (a)Farmland. (b) river. (c) USA. (d) Bay Area. (e) Santa Barbara.

1.研究方法

The flowchart of the SpectralKAN

The flowchart of the SpectralKAN

论文提出 SpectralKAN 用于高光谱图像变化检测（HSIs-CD），先通过 KAN 编码器对高光谱图像进行特征提取，优化计算效率并减少参数和 FLOPs；再利用空间 - 光谱 KAN 编码器分别处理图像的空间和光谱维度，将空间 KAN 编码器提取的空间特征压缩后，输入光谱 KAN 编码器进行光谱特征提取和分类，最终搭建高光谱图像变化检测。

2.论文创新点

The K of different nodes and layers on five datasets.

The K of different training set number on five datasets.

  1. 首次应用于HSIs-CD领域：首次将KAN应用于高光谱图像变化检测领域，缓解了传统深度学习方法（如CNNs和transformers）存在的参数数量大、FLOPs高、GPU内存使用量大以及训练和测试时间长等问题。

  2. 设计KAN编码器：提出KAN编码器，通过共享激活函数(\alpha(\cdot))和(spline (\cdot)) ，减少了处理高光谱图像时的参数数量和FLOPs，提高了计算效率，且不会造成信息损失。

  3. 构建空间 - 光谱KAN编码器：设计空间 - 光谱KAN编码器，分别处理高光谱图像的空间和光谱维度，在有效提取空间光谱特征的同时，显著降低了参数数量和FLOPs，提升了模型性能。

  4. 多数据集验证有效性：使用五个HSIs-CD资料集对SpectralKAN进行验证，分析了最新方法的优缺点，证明SpectralKAN在保持高检测精度的同时，减少了资源消耗。

论文链接：https://arxiv.org/abs/2407.00949

关注下方《AI前沿速递》
回复“C287”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏