UniPrompt-CL：单次推理的医学图像持续学习

共享提示池让医学图像增量学习单次推理即可减少遗忘

资讯摘要

论文提出 UniPrompt-CL，一种面向医学图像分类的无回放域增量学习框架，仅用单一骨干网络和单次推理。它让 Transformer 各层共享统一提示池，每新增一个域只扩充少量提示，以减少跨层冗余。作者报告在糖尿病视网膜病变数据上平均准确率提升 2.0 个百分点并显著降低遗忘，在皮肤癌数据上以最低训练成本取得有竞争力的准确率。

要点速读

1. UniPrompt-CL 采用跨层共享的统一提示池，每个新域仅新增少量提示，无需多骨干或重复 ViT 推理。
2. 作者报告在糖尿病视网膜病变上平均准确率提升 2.0 个百分点，遗忘显著低于最强同骨干基线。
3. 仅改变提示池组织的对照显示收益主要来自保留旧域知识，该收益在医学基准最大、OfficeHome 较小、六阶段 DomainNet 流上反转。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。