(arXiv 2025) 小模型，大感受野：U-RWKV 如何做到线性复杂度的 SOTA 医学分割？

主要观点总结

本文介绍了一篇关于U-RWKV: Lightweight medical image segmentation with direction-adaptive RWKV的论文。该论文提出了创新点包括DARM（Direction-Adaptive RWKV Module）、SASE（Stage-Adaptive SE Module）以及轻量化的U-RWKV框架。U-RWKV基于U-Net结构，通过加入SASE做分阶段特征强化，并在bottleneck处使用DARM，实现了全局有效感受野与方向无偏的依赖捕获能力。文章还介绍了U-RWKV的性能可视化结果，包括与其他模型的对比和分割结果的可视化展示。

关键观点总结

关键观点1: 创新点介绍

提出了DARM（Direction-Adaptive RWKV Module）和SASE（Stage-Adaptive SE Module），解决了RWKV原本只适用于1D序列的问题，使其能在2D医学图像上建模全局ERF。

关键观点2: U-RWKV框架的特点

基于U-Net结构，每个encoder stage后加入SASE做分阶段特征强化，在bottleneck处使用DARM。通过QuadScan的四方向序列扫描与Dual-RWKV的双向建模机制，提供全局有效感受野与方向无偏的依赖捕获能力。

关键观点3: 性能可视化结果

U-RWKV在轻量化前提下仍拥有最优或接近最优的分割性能。可视化结果包括性能可视化（参数量–mIoU）对比图、ERF（有效感受野）可视化图以及分割结果可视化。