arXiv · cs.AI· Sagar Kumar, Shailja Sharma, Tirthajit Baruah, Punit Rathore·· 2 天前
SGAV-MP：面向可部署医学图像分割的保真压缩框架
Reliability-Preserving Compression for Deployable Medical Image Segmentation
arXiv:2610.25460v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Sagar Kumar, Shailja Sharma, Tirthajit Baruah, Punit Rathore
研究任务与主要进展
SGAV-MP提出一种后训练压缩框架，通过可靠性评分和校准集上的全模型验证选择层精度，以保持压缩模型的分割性能与不确定性信号。根据论文摘要，在5个2D骨干和3个3D基准上，该方法保持FP32水平Dice和较高不确定性图一致性，2D压缩比为3.59–7.8倍，3D为4.73–7.82倍；TensorRT支持的运行时测量与保真存储压缩分开报告。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org