많은 밀집 예측 (dense prediction) 네트워크는 가산적 특징 변환 (additive feature transformations)에 의존하며, 고차 특징 상호작용 (higher-order feature interactions)을 암시적으로만 모델링합니다. 곱셈 유닛 (Product units)은 곱셈적 특징 모델링 (multiplicative feature modeling)을 위한 명시적인 메커니즘을 제공하지만, 이들의 로그-지수 (logarithmic--exponential) 공식은 수치적 불안정성 (numerical instability)을 유발할 수 있으며, 이는 심층 밀집 예측 네트워크에서의 사용을 제한해 왔습니다. 본 연구에서는 의료 영상 분할 (medical image segmentation)을 위해 풍부한 저해상도 단계에 안정적인 곱셈 유닛 잔차 블록 (product-unit residual blocks)을 통합한 잔차 U-Net (residual U-Net)인 PU-UNet (Product-Unit U-Net)을 제안합니다. 제안된 공식은 매끄러운 양수 매핑 (smooth positivity mapping)과 로그 도메인 클리핑 (log-domain clipping)을 결합하여, 무시할 수 있는 계산 오버헤드 (computational overhead)로 안정적인 곱셈적 특징 학습을 가능하게 합니다. ISIC 2018, Kvasir-SEG, 그리고 BUSI 데이터셋에서 PU-UNet은 각각 0.942, 0.959, 그리고 최대 0.925의 Dice 점수를 달성했습니다. 매칭된 Residual U-Net 베이스라인과 비교했을 때, PU-UNet은 파라미터 (parameters), FLOPs, 그리고 추론 지연 시간 (inference latency)을 거의 변화시키지 않으면서도 Dice와 IoU를 일관되게 향상시켰으며, 정상 BUSI 사례에서의 이미지 수준 오탐률 (false-positive rate)을 0.077에서 0으로 줄였습니다. 절제 연구 (Ablation studies) 결과, 이러한 이득은 곱셈 유닛 상호작용 (product-unit interactions)과 관련이 있으며, 저해상도 배치 (low-resolution placement) 환경에서 가장 강력하게 나타나고, 제안된 안정화 설계 (stabilization design)로부터 이득을 얻는 것으로 나타났습니다. 이러한 결과는 안정적인 곱셈 유닛 잔차 학습 (stable product-unit residual learning)이 명시적인 곱셈적 상호작용을 통해 U-Net 스타일의 분할 네트워크를 강화하는 효과적인 방법이 될 수 있음을 시사합니다.