⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-11-25 更新
UI-Styler: Ultrasound Image Style Transfer with Class-Aware Prompts for Cross-Device Diagnosis Using a Frozen Black-Box Inference Network
Authors:Nhat-Tuong Do-Tran, Ngoc-Hoang-Lam Le, Ching-Chun Huang
The appearance of ultrasound images varies across acquisition devices, causing domain shifts that degrade the performance of fixed black-box downstream inference models when reused. To mitigate this issue, it is practical to develop unpaired image translation (UIT) methods that effectively align the statistical distributions between source and target domains, particularly under the constraint of a reused inference-blackbox setting. However, existing UIT approaches often overlook class-specific semantic alignment during domain adaptation, resulting in misaligned content-class mappings that can impair diagnostic accuracy. To address this limitation, we propose UI-Styler, a novel ultrasound-specific, class-aware image style transfer framework. UI-Styler leverages a pattern-matching mechanism to transfer texture patterns embedded in the target images onto source images while preserving the source structural content. In addition, we introduce a class-aware prompting strategy guided by pseudo labels of the target domain, which enforces accurate semantic alignment with diagnostic categories. Extensive experiments on ultrasound cross-device tasks demonstrate that UI-Styler consistently outperforms existing UIT methods, achieving state-of-the-art performance in distribution distance and downstream tasks, such as classification and segmentation.
超声图像的外观因采集设备而异，导致领域偏移，当重复使用固定的黑箱下游推理模型时，会降模型的性能。为了缓解这一问题，开发无需配对图像翻译（UIT）方法是非常实用的，该方法可以有效地对齐源域和目标域之间的统计分布，特别是在重复使用的推理黑箱设置的约束下。然而，现有的UIT方法在进行领域适应时往往忽略了类特定的语义对齐，导致内容类映射错位，从而损害诊断准确性。为了解决这一局限性，我们提出了UI-Styler，这是一个新颖的超声特定、类感知的图像风格转移框架。UI-Styler利用模式匹配机制，将目标图像中的纹理模式转移到源图像上，同时保留源结构内容。此外，我们引入了由目标域的伪标签引导的类感知提示策略，这强制与诊断类别进行准确语义对齐。在超声跨设备任务上的大量实验表明，UI-Styler持续优于现有的UIT方法，在分布距离和下游任务（如分类和分割）上达到了最新性能。
论文及项目相关链接
PDF Project page: https://dotrannhattuong.github.io/UIStyler, Accepted to WACV 2026
Summary
超声波图像在不同采集设备上的表现存在差异，导致域转移，影响固定黑箱下游推理模型的性能。为解决这一问题，开发无需配对图像翻译（UIT）方法实现源域和目标域统计分布的有效对齐变得实际可行。然而，现有的UIT方法在进行域适应时常忽略类特定的语义对齐，导致内容类映射错位，可能影响诊断准确性。为此，我们提出了面向超声、具有类意识的图像风格迁移框架UI-Styler。UI-Styler通过模式匹配机制转移目标图像中的纹理模式到源图像上，同时保留源结构内容。此外，我们引入了由目标域伪标签引导的类意识提示策略，以强制执行与诊断类别的准确语义对齐。在超声跨设备任务上的广泛实验表明，UI-Styler持续优于现有UIT方法，在分布距离和下游任务（如分类和分割）上均达到最佳性能。
Key Takeaways
- 超声波图像在不同采集设备上的表现存在差异，这影响了固定黑箱下游推理模型的性能。
- 开发无需配对图像翻译（UIT）方法以实现源域和目标域之间的有效对齐是实际可行的。
- 现有UIT方法在进行域适应时忽略了类特定的语义对齐，可能导致诊断准确性下降。
- UI-Styler是一种面向超声、具有类意识的图像风格迁移框架，通过模式匹配机制转移目标图像的纹理模式到源图像上。
- UI-Styler保留了源结构内容并引入了由目标域伪标签引导的类意识提示策略，以强制执行准确的语义对齐。
- 在超声跨设备任务上的实验表明，UI-Styler优于现有的UIT方法。