关于图像预测边缘值过高的问题

Question

背景：本人最近在做一个图像预测任务，图像并不是指常见的jpg等格式的图片，其实就是网格内每个像素点有数值的那种类似于热点图的图像，为raw文件。模型的输入和标签如下（第一行为原数据，第二行为归一化后）：

所用的模型为一个简单的3D-Unet，如下图。该图是文献里截取的，与我的任务的差别仅为输入通道和图像尺寸不一样。我的输入通道数为2（input=2），尺寸为32×256×256整图输入（经考虑后不采取patch输入，会出现训练块效应，同组做过该任务的师兄也是这么做的）。

问题：预测出的结果如下。很明显，看差异图可知预测结果总是在边缘会出现莫名的很高的值。尝试过加深网络和增加卷积层，但都无法解决。请教师兄得到的回答是采取不同loss的组合可能会有所效果。请问该如何解释和解决？或者说，针对边缘这种数值突变区域的预测有什么策略？

Answer 1

1.从原理上来说，边缘信息本身就是一个很重要的信息，从梯度变换上面来说，像你这种边缘信息比内部的黄色到红色的梯度差距更大。
2.我没用过3Dnet，不晓得你图像预处理是怎么做的，像一些2D的目标检测和实例分割都有在预处理阶段都有一个减去图像均值（单张图像或者整个数据集的均值）的操作，这个就是消除一些背景灯管之类的导致边缘变换的影响，我觉得你如果预处理中没有这个可以试一试看下。
3.你师兄做过这个的话，那么他的建议你可以尝试下，3d和unet用的都是dice系数的损失函数吧，这个没有考虑边缘信息的问题，你可以想一想怎么改，加上边缘信息的因素.
4.另外是我个人的想法，我觉得你也可以从激活函数上面来操作，比如原先的ReLU改成sigmoid或者其他激活函数，将原先比较大的权重减小一些，特别是边缘信息的权重按照你的结果来看会比内部的大上很多，这时候修改激活函数可能会更有效一些。选择激活函数的思路就是小的增大些，大的减少些，这样就能将你的边缘信息权重降下来一些。