本月官方发布行业最新成果2026年春季中国元首外交纪事 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

淮南市大通区朝阳区管庄地区青海省玉树藏族自治州治多县江西省宜春市奉新县辽宁省辽阳市白塔区青海省海北藏族自治州门源回族自治县西藏山南市贡嘎县蚌埠市龙子湖区淮南市大通区贵州省安顺市普定县广东省深圳市湖北省宜昌市西陵区黑龙江省佳木斯市汤原县湖北省恩施土家族苗族自治州恩施市山西省运城市夏县山东省聊城市茌平区内蒙古锡林郭勒盟正镶白旗青秀区北海市海城区福建省南平市江西省鹰潭市余江区辽宁省辽阳市白塔区门头沟区大峪街道宝坻区牛家牌镇平山县岗南镇蓟州区东二营镇辽宁省辽阳市白塔区黑龙江省伊春市金林区百色市田林县四川省成都市双流区朝阳区小关街道江西省宜春市奉新县井陉县测鱼镇湖北省宜昌市西陵区芜湖市南陵县重庆市市辖区北碚区合肥市庐阳区陕西省宝鸡市千阳县银川市贺兰县海南省海口市美兰区西乡塘区福建省莆田市仙游县福建省三明市梅列区山西省长治市襄垣县哈密市伊吾县和田地区平山县岗南镇黑龙江省鹤岗市密云区古北口镇贵州省黔南布依族苗族自治州惠水县甘肃省甘南藏族自治州辽宁省铁岭市清河区平山县东回舍镇朝阳区小红门地区怀柔区宝山镇桥西区留营街道福建省福州市罗源县黑龙江省大兴安岭地区呼玛县大兴区黑龙江省大兴安岭地区呼玛县朝阳区双井街道西藏拉萨市达孜区江西省九江市武宁县怀柔区龙山街道密云区古北口镇山西省忻州市定襄县甘肃省甘南藏族自治州四川省甘孜藏族自治州丹巴县江西省宜春市宜丰县辽宁省铁岭市开原市海淀区青龙桥街道广东省汕头市南澳县平山县岗南镇元氏县殷村镇甘肃省白银市景泰县河东区大直沽街道江苏省镇江市句容市合肥市瑶海区元氏县山西省运城市夏县广东省深圳市合肥市瑶海区昌平区回龙观街道丰台区和义街道山西省晋中市灵石县桥西区留营街道甘肃省甘南藏族自治州顺义区空港街道江苏省徐州市丰县西藏阿里地区日土县四川省甘孜藏族自治州蓟州区东赵各庄镇河东区东新街道无极县大陈镇焦作市沁阳市湖北省宜昌市秭归县桂林市兴安县伊犁哈萨克自治州昭苏县和平区南市街道西城区天桥街道

今日监管部门发布政策更新CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

云南省红河哈尼族彝族自治州绿春县山西省长治市襄垣县南开区体育中心街道阿克苏地区新和县许昌市建安区淮南市大通区甘肃省甘南藏族自治州云南省红河哈尼族彝族自治州绿春县内蒙古鄂尔多斯市康巴什区吉林省长春市双阳区广东省深圳市江苏省徐州市甘肃省陇南市平山县东回舍镇辽宁省本溪市溪湖区海南省三沙市西沙区湖北省襄阳市襄州区广东省云浮市新兴县陕西省西安市未央区大兴区南阳市内乡县百色市田林县昌平区回龙观街道黑龙江省哈尔滨市巴彦县福建省南平市建瓯市密云区河南寨镇广东省江门市四川省成都市新都区江西省景德镇市昌江区山西省运城市夏县朝阳区小红门地区云南省西双版纳傣族自治州勐腊县甘肃省陇南市广东省汕头市南澳县重庆市县巫山县山西省长治市襄垣县桥西区留营街道内蒙古锡林郭勒盟正镶白旗昌平区回龙观街道山西省吕梁市岚县密云区古北口镇青海省玉树藏族自治州治多县江苏省徐州市丰县行唐县龙州镇武清区汊沽港镇陕西省商洛市山阳县江苏省徐州市新沂市山西省吕梁市岚县喀什地区麦盖提县辽宁省大连市旅顺口区甘肃省陇南市武都区延庆区康庄镇昌平区延寿镇合肥市瑶海区延庆区沈家营镇山西省晋城市高平市昌平区小汤山镇焦作市固原市西吉县青海省玉树藏族自治州治多县山东省潍坊市青州市平顶山市卫东区黑龙江省绥化市明水县辽宁省沈阳市内蒙古兴安盟乌兰浩特市昌平区延寿镇桥西区留营街道湖北省襄阳市襄州区濮阳市南乐县山东省烟台市牟平区朝阳区小关街道淮南市大通区上海市市辖区嘉定区密云区高岭镇元氏县殷村镇山东省聊城市茌平区山东省聊城市冠县丰台区和义街道丰台区长辛店镇濮阳市南乐县山东省潍坊市青州市江苏省徐州市丰县蚌埠市蚌山区陕西省宝鸡市千阳县云南省大理白族自治州云龙县平山县岗南镇桥西区苑东街道昌平区阳坊镇山西省晋城市高平市广东省汕头市南澳县内蒙古鄂尔多斯市鄂托克旗内蒙古乌海市乌达区福建省南平市辽宁省沈阳市沈河区许昌市建安区海南省儋州市青海省海北藏族自治州门源回族自治县辽宁省锦州市义县内蒙古乌海市乌达区崇左市宁明县

全球服务区域:湖北省恩施土家族苗族自治州恩施市黑龙江省佳木斯市富锦市信阳市平桥区广东省汕头市龙湖区北辰区乌鲁木齐市沙依巴克区江苏省镇江市句容市甘肃省陇南市陕西省商洛市山阳县青海省果洛藏族自治州贵州省铜仁市印江土家族苗族自治县黑龙江省鸡西市鸡冠区陕西省汉中市南郑区福建省漳州市龙海市江西省景德镇市昌江区南开区体育中心街道河东区大直沽街道桥西区留营街道四川省乐山市内蒙古锡林郭勒盟正镶白旗广东省佛山市三水区山西省晋中市太谷区青海省海北藏族自治州门源回族自治县陕西省宝鸡市眉县元氏县广东省汕头市龙湖区江西省萍乡市上栗县蓟州区官庄镇陕西省汉中市南郑区平顶山市湛河区四川省甘孜藏族自治州丹巴县内蒙古兴安盟乌兰浩特市上海市市辖区嘉定区甘肃省白银市景泰县河东区东新街道山东省泰安市泰山区南开区体育中心街道四川省广元市昌平区延寿镇辽宁省沈阳市沈河区福建省南平市建瓯市内蒙古鄂尔多斯市鄂托克旗甘肃省陇南市武都区山东省烟台市龙口市元氏县苏村乡宝坻区牛家牌镇青海省海西蒙古族藏族自治州德令哈市河西区桃园街道丰台区和义街道甘肃省庆阳市镇原县江苏省南通市启东市黑龙江省大兴安岭地区呼玛县江苏省连云港市赣榆区辽宁省铁岭市清河区四川省甘孜藏族自治州泸定县内蒙古兴安盟乌兰浩特市山东省青岛市城阳区江苏省南通市启东市焦作市静海区大邱庄镇长安区广安街道黑龙江省伊春市金林区吉林省白山市浑江区湖北省恩施土家族苗族自治州建始县山西省长治市襄垣县元氏县黑龙江省绥化市明水县江苏省徐州市山东省枣庄市台儿庄区江西省萍乡市上栗县井陉县吴家窑乡云南省怒江傈僳族自治州福贡县黑龙江省绥化市明水县四川省甘孜藏族自治州泸定县亳州市利辛县江苏省连云港市赣榆区四川省甘孜藏族自治州九龙县黑龙江省七台河市桃山区赞皇县院头镇山西省运城市夏县广东省汕头市南澳县湖北省宜昌市宜都市昌平区延寿镇海南省三沙市西沙区银川市贺兰县西城区天桥街道防城港市东兴市内蒙古呼伦贝尔市阿荣旗洛阳市汝阳县黑龙江省佳木斯市富锦市山西省晋中市灵石县银川市贺兰县钦州市黑龙江省佳木斯市汤原县百色市田林县山东省聊城市冠县江西省宜春市奉新县山东省聊城市茌平区门头沟区大峪街道江苏省苏州市相城区

昨日行业协会发布新报告CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：青海省海北藏族自治州门源回族自治县长安区南村镇陕西省汉中市留坝县武清区汊沽港镇江西省吉安市吉安县江西省鹰潭市余江区蚌埠市蚌山区陕西省宝鸡市眉县哈密市伊吾县开封市通许县四川省乐山市内蒙古乌海市乌达区辽宁省本溪市溪湖区陕西省咸阳市兴平市黑龙江省七台河市桃山区辽宁省锦州市义县江苏省镇江市句容市贵州省安顺市普定县密云区河南寨镇山西省朔州市山阴县山东省滨州市井陉县吴家窑乡桥西区苑东街道山西省忻州市定襄县广东省惠州市龙门县广东省汕头市龙湖区青海省海西蒙古族藏族自治州德令哈市四川省凉山彝族自治州西昌市朝阳区豆各庄地区隆安县辽宁省沈阳市沈河区昌平区延寿镇海南省儋州市门头沟区大峪街道山东省烟台市龙口市云南省普洱市景东彝族自治县四川省甘孜藏族自治州丹巴县西藏阿里地区日土县怀柔区龙山街道隆安县无极县大陈镇赞皇县院头镇芜湖市南陵县贵州省铜仁市玉屏侗族自治县湖北省孝感市汉川市贵州省六盘水市水城县西藏阿里地区日土县山西省朔州市山阴县怀柔区龙山街道四川省凉山彝族自治州甘洛县江苏省连云港市赣榆区重庆市市辖区北碚区桂林市兴安县百色市田林县山东省聊城市冠县山东省聊城市冠县江西省景德镇市昌江区山西省朔州市山阴县陕西省汉中市南郑区甘肃省陇南市武都区青海省海西蒙古族藏族自治州德令哈市甘肃省白银市景泰县四川省甘孜藏族自治州九龙县西藏山南市静海区西翟庄镇四川省遂宁市蓬溪县四川省凉山彝族自治州昭觉县平顶山市卫东区广东省珠海市斗门区江西省赣州市石城县焦作市沁阳市山西省晋城市高平市西藏山南市贡嘎县江苏省南通市启东市新乐市协神乡湖北省宜昌市西陵区广东省江门市山东省淄博市临淄区山东省潍坊市青州市陕西省西安市未央区四川省甘孜藏族自治州泸定县山西省运城市夏县钦州市平顶山市卫东区黑龙江省佳木斯市富锦市山东省枣庄市台儿庄区云南省文山壮族苗族自治州广南县广东省佛山市三水区密云区不老屯镇蓟州区东赵各庄镇平山县岗南镇开封市通许县元氏县山东省滨州市密云区不老屯镇陕西省商洛市山阳县山西省吕梁市中阳县广东省深圳市四川省成都市金牛区平山县岗南镇

售后服务上门服务电话，智能分配单据：CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流

模型正从影像识别走向高效适配、临床语义理解与跨模态推理。

作者丨郑佳美

编辑丨马晓宁

医学 AI 过去很长一段时间都在回答一个问题：模型能不能看得比人更准？

于是，大量研究围绕病灶识别、器官分割、影像分类和报告生成展开，目标是在标准数据集上取得更高指标。但现在，这个问题已经不够了。

真实的医学与生物科研场景并不是一个干净、统一、标注充分的 benchmark，而是由不同设备、不同协议、不同数据质量、不同任务目标和不同专业知识共同组成的复杂系统。

因此，新的研究重点开始发生转移。一个模型是否有价值，不再只取决于它在某个数据集上的分数，而取决于它能否在新实验室的数据上快速适配，能否用更少标注学到有效推理，能否把 CT、超声、病理、报告、空间转录组、运动传感器、脑活动和多视角 X-ray 等异质信息连接起来。

也就是说，医学与生物视觉正在从“会看图”走向“会理解任务”，从“模型本身更大”走向“系统整体更有用”。

CVPR 2026 相关论文中也能看到这种趋势：一方面，AI agent、数据筛选和轻量化适配方法正在减少人工调参、数据标注和模型微调成本；

另一方面，三维 CT 基础模型、超声图文预训练、空间转录组预测、IMU-视频对齐、fMRI 视频重建和双视角 X-ray 推理等工作，则不断扩展医学视觉模型能够处理的信息边界。

这些研究共同指向一个方向：医学 AI 的下一步，不只是训练更大的模型，而是让模型真正进入真实科研与临床流程。

少数据、少微调、少人工

来自加州理工学院、康奈尔大学、德克萨斯大学奥斯汀分校和伦斯勒理工学院的研究团队在《Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization》中，关注的是如何用简单的 AI agent 自动优化生物医学图像分析工作流。

研究的重点不是重新训练一个新模型，而是让 agent 为已有的成熟工具自动编写图像预处理和后处理代码，从而解决不同实验室、不同成像设备、不同数据分布下工具效果下降的问题。

论文在 Polaris、Cellpose 和 MedSAM 这 3 个真实生物医学图像分析流程上进行了实验，覆盖单分子点检测、细胞实例分割和医学图像分割等不同尺度任务，结果发现简单的基础 agent 就能超过专家手写的官方优化方案，尤其在 MedSAM 任务上提升非常明显。

论文地址：https://arxiv.org/pdf/2512.06006v1

研究的亮点在于，它证明了在这种工程性很强、数据量有限、目标明确的科研工作流优化场景中，简单、透明、低成本的 agent 往往已经足够有效，复杂的 agent 架构、专家函数库或 AutoML 并不一定稳定带来收益，甚至可能因为任务差异、搜索空间偏置或小验证集过拟合而降低效果；

同时，论文还分析了不同任务中 API 空间和参数空间的差异，解释了为什么同一种 agent 设计在不同工具上表现不同。雷峰网

整体来看，这项工作把 LLM agent 从泛泛的自动化概念落到了真实科研工具适配中，说明 agent 可以帮助科研人员减少大量手工调参和代码适配工作，并有潜力成为生物医学图像分析工具落地应用中的实用辅助系统。

在工具工作流的自动适配之外，《Towards Efficient Medical Reasoning with Minimal Fine-Tuning Data》把问题转向医学推理模型的训练数据选择。

来自华东师范大学、穆罕默德·本·扎耶德人工智能大学、蒙纳士大学和上海人工智能实验室的研究团队提出 DIQ，即 Difficulty-Influence Quadrant，希望用极少量微调数据提升医学推理模型的效率。

研究指出，医学 VLM / LLM 的监督微调通常依赖大量带推理链的数据，但其中存在许多重复、低质量或优化价值不高的样本，直接扩大数据规模会带来较高计算成本，也不一定提升复杂临床推理能力。

论文认为，单纯按“难度”选数据容易选到噪声大、过难且难以优化的样本，单纯按“梯度影响”选数据又容易偏向浅层、好学但推理不深的样本，因此 DIQ 同时计算每个样本的医学推理难度和训练影响力，把样本划分到不同象限，并优先选择“高难度、高影响力”的数据，让模型在很小数据量下也能学到有价值的临床推理模式。

实验显示，在 Huatuo 和 FineMed 等医学推理数据上，DIQ 只用 1% 选中数据就能接近甚至超过全量微调效果，用 10% 数据时整体优于随机选择、困惑度选择、相似度选择和 LESS 等基线；同时在人类和 LLM-as-a-judge 评估中，DIQ 选出的数据在鉴别诊断、安全检查和证据引用等方面更符合专家临床推理习惯。

论文地址：https://arxiv.org/pdf/2508.01450v3

它的亮点在于，不是继续堆更多医学推理数据，而是从“样本是否有推理价值”和“样本是否真正推动模型优化”两个角度做精细筛选，说明高质量数据选择比粗暴扩大数据规模更有效；

同时，DIQ 的影响力计算基于一阶梯度点积，避免传统影响函数的高成本，难度分数又通过医学 BiomedBERT 分类器估计，因此整体方法相对轻量、可复用。雷峰网

整体来看，这项工作为医学推理模型提供了一种更省数据、更省计算的微调方案，尤其适合医学数据昂贵、标注困难、但又需要模型具备可靠临床推理能力的场景。

进一步来看，《Decoupling Vision and Language: Codebook Anchored Visual Adaptation》关注的不是训练数据筛选，而是视觉语言模型在特定领域中的轻量化适配。

亚马逊云科技和加州大学洛杉矶分校的研究团队提出 CRAFT，全称是 Codebook Regulated Fine-Tuning，主要研究如何在不改动大语言模型部分的情况下，让大型视觉语言模型更好适应医学图像、细粒度分类、植物病害识别等特定视觉领域。

论文指出，现有方法通常会微调视觉编码器、投影层或 LLM，但这样容易造成视觉特征空间变化，需要重新对齐语言模型，甚至会让模型在短答案数据上过拟合，损害原本的指令遵循和解释能力；

CRAFT 的核心思路是只微调离散视觉编码器，并把视觉特征锚定到一个固定的离散 codebook 中，让视觉编码器学会选择和排列已有的“视觉词汇”，从而向冻结的语言模型传递更适合目标领域的视觉信息。

训练时，方法结合 surrogate LLM 的对齐损失、commitment loss 和对比学习损失，保证离散 token 既贴近图像内容，又能被语言模型理解；推理时还加入基于 token 稀有度的剪枝机制，去掉大量背景或重复 token，让模型更关注关键视觉区域。

实验覆盖 IconQA、OCRVQA、ScienceQA、VQA-RAD、EuroSAT、Flowers、Kvasir、PlantVillage、Cars、Dogs 等 10 个分类和视觉问答基准，结果显示 CRAFT 相比原始离散模型平均提升 13.51%，在最强设置下平均准确率达到 68.58%，并且在推理解释能力上比 LoRA、projector fine-tuning 和连续特征微调更稳定。

论为地址：https://arxiv.org/pdf/2602.19449v1

它的亮点在于把“视觉适配”和“语言推理”解耦：只更新视觉编码器，不重新训练或破坏 LLM，却能让同一个适配后的编码器迁移到共享 codebook 的不同语言模型上；

同时，离散 codebook 起到了稳定接口的作用，避免连续特征微调带来的跨模态错位。整体来看，这项工作为领域专用 LVLM 适配提供了一种更轻量、更可复用的方法，尤其适合那些视觉分布特殊、但又不希望重新训练大语言模型的应用场景。

从三维 CT 到超声图文理解

在《Scaling Self-Supervised and Cross-Modal Pretraining for Volumetric CT Transformers》中，荷兰埃因霍温理工大学电气工程系（ARIA 实验室、AIMS 实验室）提出了面向三维 CT 的开放式基础模型 SPECTRE。

它的目标是学习既包含体积影像空间结构、又包含放射科报告临床语义的通用 CT 表征。论文关注的核心问题是：三维 CT 不同于普通二维图像，直接使用常规视觉基础模型会遇到 token 数量过大、体素各向异性、扫描范围和层厚不一致、医学报告监督噪声较强等困难。

论文地址：https://arxiv.org/pdf/2511.17209v2

为此，作者设计了“局部 ViT + 全局 ViT”的两级纯 Transformer 架构，先在局部三维窗口中提取精细结构特征，再在全局层面整合完整扫描信息；训练上则结合自监督学习和 CT-文本跨模态对齐，让模型同时具备几何理解能力和临床语义理解能力。

实验显示，SPECTRE 在肿瘤生物标志物预测、器官分割和文本到 CT 检索等任务上整体优于多数基线，尤其在文本检索影像任务中提升明显。

论文的亮点在于，它不是简单把二维视觉模型扩展到三维医学影像，而是针对体积 CT 的计算结构、空间特性和报告语义进行了系统设计；

同时，它强调使用公开数据训练并开源模型和代码，降低了医学影像基础模型对私有数据的依赖。整体来看，这项工作为三维 CT 基础模型提供了一个更可复现、更适合体积医学影像特点的方案，也说明纯 Transformer 架构在经过合适设计后，可以在 CT 表征学习中兼顾空间细节和临床语义。

与 SPECTRE 面向三维 CT 的体积建模不同，《Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding》把重点放在超声这一更依赖临床经验、图像表现更复杂、诊断属性更细粒度的医学影像模态上。

来自浙大城市学院、香港浸会大学、浙江大学、浙江大学医学院附属妇产科医院、浙江大学医学院附属第一医院和香港城市大学的研究团队提出 Ultrasound-CLIP，主要研究如何为超声图像构建更适合临床语义理解的图文预训练模型。

现有 CLIP 或医学 VLP 模型大多偏向 CT、MRI、病理等模态，超声数据占比很低，而且超声报告里有很多专门的诊断属性，比如回声、边界、后方声学现象和血流情况，普通图文对比学习很难准确处理这些细粒度语义。

为了解决这个问题，论文先构建了大规模超声图文数据集 US-365K，包含约 36.4 万对图像—文本样本，覆盖 52 个解剖类别；

论为地址：https://arxiv.org/pdf/2604.01749v1

同时提出超声诊断分类体系 UDT，把解剖层级和 9 类诊断属性统一起来，再基于这些知识设计 Ultrasound-CLIP，通过语义软标签减少“相似病例被当成完全负样本”的问题，并用异构图编码器建模病灶和诊断属性之间的结构关系。

实验显示，该方法在超声多属性分类、图文检索以及下游零样本、线性探测和微调任务上都优于通用 CLIP 和多种医学 CLIP 基线，例如平均分类准确率达到 59.61%，明显高于最强基线 BiomedCLIP 的 33.81%，图像到文本检索的 R@10 也提升到 0.3745。

这项工作的亮点在于，它不是简单收集超声数据后套用标准 CLIP，而是把超声影像特有的解剖层级、诊断属性和语义相似性显式放进训练目标中，使模型更能理解超声报告里的临床语言；

同时，数据集、分类体系和模型框架一起提出，也为后续超声图文理解、检索、辅助诊断和跨数据集泛化提供了比较系统的基础资源。

从病理、运动到 X-ray 双视角

《HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction》来自厦门大学、上海人工智能实验室、清华大学和鹏城实验室的合作研究，关注的是如何从病理 H&E 全切片图像中预测空间转录组的基因表达。

论文提出的方法叫 HyperST，核心问题在于：现有方法大多只做单个 spot 图像和基因表达之间的局部匹配，容易忽略空间转录组数据本身的层次结构，例如单个 spot 与周围组织微环境 niche 之间的关系，以及病理形态信息与更细粒度分子表达信息之间的不对称关系。

为了解决这个问题，论文把图像和基因表达都建模成多层级表示，一方面提取 spot 级和 niche 级的病理图像特征与基因表达特征，另一方面把这些表示投影到双曲空间中，通过层次化对比对齐和层次化蕴含约束，让模型显式学习“spot 到 niche”“图像到基因表达”这类由粗到细、由一般到具体的结构关系，从而得到更有分子语义的图像表征。

实验方面，论文在来自 HEST-1K 的肾脏、结直肠、皮肤和肺部 4 个公开空间转录组数据集上验证，结果显示 HyperST 在 PCC@10、PCC@50、PCC@200、MSE、MAE 等指标上整体优于 TRIPLEX、StNet、BLEEP、Stem 等方法，其中相对第二强的 TRIPLEX，在 PCC@200 上分别提升约 10.95%、3.24%、2.52% 和 16.7%；

论文还做了临床下游验证，用在结直肠数据上训练的模型对外部 TCGA-COADREAD 数据进行零样本基因表达预测，再用于 MSI 状态分类，HyperST 在 MSI-H 和 MSS 上的 AUROC 达到 0.719 和 0.601，也高于最强基线。

论文地址：https://arxiv.org/pdf/2511.22107

它的亮点在于没有把空间转录组预测简单看成普通图像回归问题，而是抓住了空间组学中天然存在的层级结构，并用双曲几何来表示这种树状、层次化关系；

同时，它不仅利用局部 spot 图像，还引入周围 niche 的组织上下文，并在图像侧用病理基础模型 UNI 加 LoRA 做高效适配，使模型能同时保留组织形态信息和分子表达语义；

消融实验也支持这一设计，去掉完整的层次双曲对齐模块会造成 PCC@200 明显下降，说明双曲空间和层级约束确实是性能提升的关键。

整体来看，这项工作把几何深度学习引入空间转录组预测，用更符合生物组织层次结构的方式连接病理图像和基因表达，为低成本、可扩展的空间转录组推断提供了一个更稳健的建模思路。

在《MoBind: Motion Binding for Fine-Grained IMU–Video Pose Alignment》中，阿德莱德大学澳大利亚机器学习研究所将问题聚焦在可穿戴 IMU 传感器信号与视频中 2D 人体姿态序列之间的细粒度对齐。

论文提出的方法叫 MoBind，目标是学习一个统一的跨模态表示，使系统能够完成 IMU 到视频检索、视频到 IMU 检索、时间同步、人物和身体部位定位以及人体动作识别等任务。

它的核心思路不是直接对齐原始视频像素，而是先从视频中提取骨架运动信息，以减少背景干扰，再把全身运动拆成不同身体部位，让每个部位轨迹与对应的 IMU 传感器进行局部对齐，最后通过 token 级、局部身体部位级和全局全身级的层次化对比学习来同时保留亚秒级时间同步能力和整体动作语义。

论文在 mRi、TotalCapture 和 EgoHumans 三个多模态数据集上验证了方法，结果显示 MoBind 在跨模态检索中稳定超过 IMU2CLIP、DeSPITE、SyncNet 等基线，在时间同步任务中也明显更强，例如在随机引入 [-7, 7] 秒偏移的 20 秒片段上，MoBind 在 TotalCapture 和 EgoHumans 上的平均误差分别只有 0.05 秒和 0.04 秒，并且在 200 ms 容忍范围内的准确率达到 0.98 和 1.00。

论文地址：https://arxiv.org/pdf/2602.19004v1

这项工作的亮点在于，它针对 IMU-视频对齐中最难的几个问题给出了比较完整的设计：一是用骨架姿态替代原始图像，避免模型被无关视觉背景影响；

二是显式建模多传感器和身体部位之间的结构关系，不只是把所有 IMU 信号简单拼接；三是通过层次化对比学习解决重复动作、相位偏移和短时间错位带来的细粒度同步困难；四是加入 Masked Token Prediction 辅助任务，避免模型只关注局部同步而丢失动作类别语义。

整体来看，它把可穿戴传感器和视频人体运动之间的对应关系做得更细、更稳，不仅能用于无需人工校准的多模态时间同步，也能用于多人物场景下判断哪个人佩戴了哪个传感器、传感器位于哪个身体部位，并且在传感器缺失时仍保持较强鲁棒性，因而对运动分析、康复监测、体育训练和多模态数据采集都有较直接的应用意义。

从可穿戴传感器和视频之间的运动对齐继续延伸，《SemVideo: Reconstructs What You Watch from Brain Activity via Hierarchical Semantic Guidance》进一步研究脑活动与视觉内容之间的映射关系。

北京邮电大学和萨里大学的研究团队提出 SemVideo，尝试从人观看视频时记录到的 fMRI 脑活动中重建其看到的动态视觉内容。

它的核心目标是解决现有 fMRI 到视频重建方法中常见的两个问题：一是跨帧主体外观不稳定，导致同一个物体在生成视频里前后不一致；二是时间连续性差，容易出现动作错位或帧间突变。

论文的思路不是直接让脑信号恢复每一帧像素，而是先用 SemMiner 从原始视频中挖掘三层语义信息，包括第一帧静态锚点描述、面向动作的运动叙事和整体视频摘要，再让 SemVideo 通过语义对齐解码器 SAD 将 fMRI 信号对齐到这些语义嵌入，通过运动适配解码器 MAD 建模动态运动潜变量，最后用条件视频渲染模块把语义和运动信息融合生成视频。

实验在 CC2017 和 HCP 7T 两个公开 fMRI-video 数据集上进行，论文称方法在语义、像素和时空三个层面的 10 个指标中的 8 个达到最好结果；在 CC2017 上，SemVideo 的 2-way-V、50-way-V、CLIP 和 EPE 分别达到 0.865、0.264、0.526 和 4.788，说明它不仅更能恢复视频中的语义对象，也能更好保持动作和时序一致性。

论文地址：https://arxiv.org/pdf/2602.21819v2

它的亮点在于把“人脑看视频时更偏向关键语义和动作记忆，而不是逐像素逐帧处理”的认知假设转化成可训练框架，用多层级语义作为中间监督来弥补 fMRI 时间分辨率低、语义稀疏的问题；

同时，论文通过消融实验证明三类语义提示都很重要，其中去掉运动叙事 Cmotion 会明显损害像素级和时空指标，去掉 MAD 后帧序对齐能力大幅下降，说明运动提升不是单纯来自文本到视频模型的先验，而是确实从脑信号和运动语义中解码出来的。

另一个有价值的点是，作者还做了脑区重要性可视化，发现锚点语义更依赖高级视觉皮层，运动语义与 MT、MST、TPOJ 等运动相关脑区更匹配，整体语义则分布在视觉和运动相关区域，这让方法不仅是一个生成模型，也提供了一定的神经科学可解释性。

整体来看，这项工作把 fMRI 视频重建从“生成看起来像的视频”推进到“同时保持对象语义、动作轨迹和时间连贯性”的方向，为未来基于脑活动重建动态视觉体验提供了一个更结构化、更可解释的框架。

如果说 MoBind 和 SemVideo 都是在时间序列层面做跨模态对齐，那么《Can a Second-View Image Be a Language? Geometric and Semantic Cross-Modal Reasoning for X-ray Prohibited Item Detection》则把跨模态思想用于空间几何推理，尤其是安检 X-ray 场景中的双视角理解。

来自北京交通大学信息科学研究所和北京航空航天大学复杂与关键软件环境国家重点实验室的研究团队关注安检场景中的 X-ray 违禁品检测，核心问题是：现实安检人员通常会同时观察俯视和侧视两张 X-ray 图像来判断物体结构、遮挡关系和空间位置，但现有视觉语言模型多依赖单视角图像或文本提示，缺乏对“双视角几何一致性”的显式推理；

因此论文提出一个很有意思的观点——第二视角图像能否像语言一样，为模型提供额外约束。围绕这个问题，作者构建了 DualXrayBench，这是一个结合双视角图像和多模态标注的基准，包含 45,613 对双视角图像、12 类违禁物品，以及 1,594 个专家验证的视觉问答样本，用来测试计数、识别、遮挡、空间关系、摆放属性等 8 类跨视角推理能力。

方法上，论文提出 GSR，即 Geometric-Semantic Reasoner，基于 Qwen3-VL-MoE-8B 构建，通过视觉编码器、特征对齐模块和语言推理模块，把俯视图、侧视图和文本问题统一到一个推理流程中，并进一步构建 GSXray 数据集，将推理过程组织成 、、 这样的结构化 Chain-of-Thought，让模型先分别理解两个视角，再综合得出结论。

实验结果显示，GSR-8B 在 DualXrayBench 上取得 65.4 的准确率、70.6 的 F1 和 52.3 的 mIoU，明显超过 GPT-4o、Gemini-2.5-Pro、Qwen3-VL-235B 等通用模型，也优于单视角 X-ray 视觉语言模型；

消融实验还表明，单纯加入第二视角并不一定足够，只有把双视角信息和结构化推理标签结合起来，才能稳定提升几何对齐、遮挡判断和空间关系理解能力。

论文地址：https://arxiv.org/pdf/2511.18385v1

它的亮点在于，不只是把两张图简单拼接做多模态输入，而是把第二视角当成一种“类语言模态”，用来约束和补充主视角中的不确定信息；

同时，论文同时贡献了数据集、评测任务和模型框架，为安检 X-ray 场景中更接近人工检查流程的跨视角推理提供了系统方案。

整体来看，这项工作把视觉语言模型从单图像语义理解推进到双视角几何—语义联合推理，对于复杂遮挡、相似物体区分和未知违禁品泛化都有较强的应用意义。

这次去 CVPR 现场，一定不要错过

【认识大牛+赚外快】的机会

需要你做什么：把你最关注的10个大会报告，每页PPT都拍下来

你能获得什么？

认识大牛：你将可以进入CVPR名师博士社群；

钱多活少：提供丰厚奖金，任务量精简；

听会自由：你的行程你做主，顺手就把外快赚。拍下你最感兴趣的10个报告PPT即可。

如果你即将前往CVPR，想边听会边赚钱，还能顺便为AI学术社区做贡献、认识更多大牛，欢迎联系华体汇(中国)：[添加微信号:MS_Yahei]

【限额5位，先到先得】

今日行业协会传达最新政策CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流

模型正从影像识别走向高效适配、临床语义理解与跨模态推理。

作者丨郑佳美

编辑丨马晓宁

医学 AI 过去很长一段时间都在回答一个问题：模型能不能看得比人更准？

于是，大量研究围绕病灶识别、器官分割、影像分类和报告生成展开，目标是在标准数据集上取得更高指标。但现在，这个问题已经不够了。

真实的医学与生物科研场景并不是一个干净、统一、标注充分的 benchmark，而是由不同设备、不同协议、不同数据质量、不同任务目标和不同专业知识共同组成的复杂系统。

因此，新的研究重点开始发生转移。一个模型是否有价值，不再只取决于它在某个数据集上的分数，而取决于它能否在新实验室的数据上快速适配，能否用更少标注学到有效推理，能否把 CT、超声、病理、报告、空间转录组、运动传感器、脑活动和多视角 X-ray 等异质信息连接起来。

也就是说，医学与生物视觉正在从“会看图”走向“会理解任务”，从“模型本身更大”走向“系统整体更有用”。

CVPR 2026 相关论文中也能看到这种趋势：一方面，AI agent、数据筛选和轻量化适配方法正在减少人工调参、数据标注和模型微调成本；

另一方面，三维 CT 基础模型、超声图文预训练、空间转录组预测、IMU-视频对齐、fMRI 视频重建和双视角 X-ray 推理等工作，则不断扩展医学视觉模型能够处理的信息边界。

这些研究共同指向一个方向：医学 AI 的下一步，不只是训练更大的模型，而是让模型真正进入真实科研与临床流程。

少数据、少微调、少人工

来自加州理工学院、康奈尔大学、德克萨斯大学奥斯汀分校和伦斯勒理工学院的研究团队在《Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization》中，关注的是如何用简单的 AI agent 自动优化生物医学图像分析工作流。

研究的重点不是重新训练一个新模型，而是让 agent 为已有的成熟工具自动编写图像预处理和后处理代码，从而解决不同实验室、不同成像设备、不同数据分布下工具效果下降的问题。

论文在 Polaris、Cellpose 和 MedSAM 这 3 个真实生物医学图像分析流程上进行了实验，覆盖单分子点检测、细胞实例分割和医学图像分割等不同尺度任务，结果发现简单的基础 agent 就能超过专家手写的官方优化方案，尤其在 MedSAM 任务上提升非常明显。

论文地址：https://arxiv.org/pdf/2512.06006v1

研究的亮点在于，它证明了在这种工程性很强、数据量有限、目标明确的科研工作流优化场景中，简单、透明、低成本的 agent 往往已经足够有效，复杂的 agent 架构、专家函数库或 AutoML 并不一定稳定带来收益，甚至可能因为任务差异、搜索空间偏置或小验证集过拟合而降低效果；

同时，论文还分析了不同任务中 API 空间和参数空间的差异，解释了为什么同一种 agent 设计在不同工具上表现不同。雷峰网

整体来看，这项工作把 LLM agent 从泛泛的自动化概念落到了真实科研工具适配中，说明 agent 可以帮助科研人员减少大量手工调参和代码适配工作，并有潜力成为生物医学图像分析工具落地应用中的实用辅助系统。

在工具工作流的自动适配之外，《Towards Efficient Medical Reasoning with Minimal Fine-Tuning Data》把问题转向医学推理模型的训练数据选择。

来自华东师范大学、穆罕默德·本·扎耶德人工智能大学、蒙纳士大学和上海人工智能实验室的研究团队提出 DIQ，即 Difficulty-Influence Quadrant，希望用极少量微调数据提升医学推理模型的效率。

研究指出，医学 VLM / LLM 的监督微调通常依赖大量带推理链的数据，但其中存在许多重复、低质量或优化价值不高的样本，直接扩大数据规模会带来较高计算成本，也不一定提升复杂临床推理能力。

论文认为，单纯按“难度”选数据容易选到噪声大、过难且难以优化的样本，单纯按“梯度影响”选数据又容易偏向浅层、好学但推理不深的样本，因此 DIQ 同时计算每个样本的医学推理难度和训练影响力，把样本划分到不同象限，并优先选择“高难度、高影响力”的数据，让模型在很小数据量下也能学到有价值的临床推理模式。

实验显示，在 Huatuo 和 FineMed 等医学推理数据上，DIQ 只用 1% 选中数据就能接近甚至超过全量微调效果，用 10% 数据时整体优于随机选择、困惑度选择、相似度选择和 LESS 等基线；同时在人类和 LLM-as-a-judge 评估中，DIQ 选出的数据在鉴别诊断、安全检查和证据引用等方面更符合专家临床推理习惯。

论文地址：https://arxiv.org/pdf/2508.01450v3

它的亮点在于，不是继续堆更多医学推理数据，而是从“样本是否有推理价值”和“样本是否真正推动模型优化”两个角度做精细筛选，说明高质量数据选择比粗暴扩大数据规模更有效；

同时，DIQ 的影响力计算基于一阶梯度点积，避免传统影响函数的高成本，难度分数又通过医学 BiomedBERT 分类器估计，因此整体方法相对轻量、可复用。雷峰网

整体来看，这项工作为医学推理模型提供了一种更省数据、更省计算的微调方案，尤其适合医学数据昂贵、标注困难、但又需要模型具备可靠临床推理能力的场景。

进一步来看，《Decoupling Vision and Language: Codebook Anchored Visual Adaptation》关注的不是训练数据筛选，而是视觉语言模型在特定领域中的轻量化适配。

亚马逊云科技和加州大学洛杉矶分校的研究团队提出 CRAFT，全称是 Codebook Regulated Fine-Tuning，主要研究如何在不改动大语言模型部分的情况下，让大型视觉语言模型更好适应医学图像、细粒度分类、植物病害识别等特定视觉领域。

论文指出，现有方法通常会微调视觉编码器、投影层或 LLM，但这样容易造成视觉特征空间变化，需要重新对齐语言模型，甚至会让模型在短答案数据上过拟合，损害原本的指令遵循和解释能力；

CRAFT 的核心思路是只微调离散视觉编码器，并把视觉特征锚定到一个固定的离散 codebook 中，让视觉编码器学会选择和排列已有的“视觉词汇”，从而向冻结的语言模型传递更适合目标领域的视觉信息。

训练时，方法结合 surrogate LLM 的对齐损失、commitment loss 和对比学习损失，保证离散 token 既贴近图像内容，又能被语言模型理解；推理时还加入基于 token 稀有度的剪枝机制，去掉大量背景或重复 token，让模型更关注关键视觉区域。

实验覆盖 IconQA、OCRVQA、ScienceQA、VQA-RAD、EuroSAT、Flowers、Kvasir、PlantVillage、Cars、Dogs 等 10 个分类和视觉问答基准，结果显示 CRAFT 相比原始离散模型平均提升 13.51%，在最强设置下平均准确率达到 68.58%，并且在推理解释能力上比 LoRA、projector fine-tuning 和连续特征微调更稳定。

论为地址：https://arxiv.org/pdf/2602.19449v1

它的亮点在于把“视觉适配”和“语言推理”解耦：只更新视觉编码器，不重新训练或破坏 LLM，却能让同一个适配后的编码器迁移到共享 codebook 的不同语言模型上；

同时，离散 codebook 起到了稳定接口的作用，避免连续特征微调带来的跨模态错位。整体来看，这项工作为领域专用 LVLM 适配提供了一种更轻量、更可复用的方法，尤其适合那些视觉分布特殊、但又不希望重新训练大语言模型的应用场景。

从三维 CT 到超声图文理解

在《Scaling Self-Supervised and Cross-Modal Pretraining for Volumetric CT Transformers》中，荷兰埃因霍温理工大学电气工程系（ARIA 实验室、AIMS 实验室）提出了面向三维 CT 的开放式基础模型 SPECTRE。

它的目标是学习既包含体积影像空间结构、又包含放射科报告临床语义的通用 CT 表征。论文关注的核心问题是：三维 CT 不同于普通二维图像，直接使用常规视觉基础模型会遇到 token 数量过大、体素各向异性、扫描范围和层厚不一致、医学报告监督噪声较强等困难。

论文地址：https://arxiv.org/pdf/2511.17209v2

为此，作者设计了“局部 ViT + 全局 ViT”的两级纯 Transformer 架构，先在局部三维窗口中提取精细结构特征，再在全局层面整合完整扫描信息；训练上则结合自监督学习和 CT-文本跨模态对齐，让模型同时具备几何理解能力和临床语义理解能力。

实验显示，SPECTRE 在肿瘤生物标志物预测、器官分割和文本到 CT 检索等任务上整体优于多数基线，尤其在文本检索影像任务中提升明显。

论文的亮点在于，它不是简单把二维视觉模型扩展到三维医学影像，而是针对体积 CT 的计算结构、空间特性和报告语义进行了系统设计；

同时，它强调使用公开数据训练并开源模型和代码，降低了医学影像基础模型对私有数据的依赖。整体来看，这项工作为三维 CT 基础模型提供了一个更可复现、更适合体积医学影像特点的方案，也说明纯 Transformer 架构在经过合适设计后，可以在 CT 表征学习中兼顾空间细节和临床语义。

与 SPECTRE 面向三维 CT 的体积建模不同，《Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding》把重点放在超声这一更依赖临床经验、图像表现更复杂、诊断属性更细粒度的医学影像模态上。

来自浙大城市学院、香港浸会大学、浙江大学、浙江大学医学院附属妇产科医院、浙江大学医学院附属第一医院和香港城市大学的研究团队提出 Ultrasound-CLIP，主要研究如何为超声图像构建更适合临床语义理解的图文预训练模型。

现有 CLIP 或医学 VLP 模型大多偏向 CT、MRI、病理等模态，超声数据占比很低，而且超声报告里有很多专门的诊断属性，比如回声、边界、后方声学现象和血流情况，普通图文对比学习很难准确处理这些细粒度语义。

为了解决这个问题，论文先构建了大规模超声图文数据集 US-365K，包含约 36.4 万对图像—文本样本，覆盖 52 个解剖类别；

论为地址：https://arxiv.org/pdf/2604.01749v1

同时提出超声诊断分类体系 UDT，把解剖层级和 9 类诊断属性统一起来，再基于这些知识设计 Ultrasound-CLIP，通过语义软标签减少“相似病例被当成完全负样本”的问题，并用异构图编码器建模病灶和诊断属性之间的结构关系。

实验显示，该方法在超声多属性分类、图文检索以及下游零样本、线性探测和微调任务上都优于通用 CLIP 和多种医学 CLIP 基线，例如平均分类准确率达到 59.61%，明显高于最强基线 BiomedCLIP 的 33.81%，图像到文本检索的 R@10 也提升到 0.3745。

这项工作的亮点在于，它不是简单收集超声数据后套用标准 CLIP，而是把超声影像特有的解剖层级、诊断属性和语义相似性显式放进训练目标中，使模型更能理解超声报告里的临床语言；

同时，数据集、分类体系和模型框架一起提出，也为后续超声图文理解、检索、辅助诊断和跨数据集泛化提供了比较系统的基础资源。

从病理、运动到 X-ray 双视角

《HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction》来自厦门大学、上海人工智能实验室、清华大学和鹏城实验室的合作研究，关注的是如何从病理 H&E 全切片图像中预测空间转录组的基因表达。

论文提出的方法叫 HyperST，核心问题在于：现有方法大多只做单个 spot 图像和基因表达之间的局部匹配，容易忽略空间转录组数据本身的层次结构，例如单个 spot 与周围组织微环境 niche 之间的关系，以及病理形态信息与更细粒度分子表达信息之间的不对称关系。

为了解决这个问题，论文把图像和基因表达都建模成多层级表示，一方面提取 spot 级和 niche 级的病理图像特征与基因表达特征，另一方面把这些表示投影到双曲空间中，通过层次化对比对齐和层次化蕴含约束，让模型显式学习“spot 到 niche”“图像到基因表达”这类由粗到细、由一般到具体的结构关系，从而得到更有分子语义的图像表征。

实验方面，论文在来自 HEST-1K 的肾脏、结直肠、皮肤和肺部 4 个公开空间转录组数据集上验证，结果显示 HyperST 在 PCC@10、PCC@50、PCC@200、MSE、MAE 等指标上整体优于 TRIPLEX、StNet、BLEEP、Stem 等方法，其中相对第二强的 TRIPLEX，在 PCC@200 上分别提升约 10.95%、3.24%、2.52% 和 16.7%；

论文还做了临床下游验证，用在结直肠数据上训练的模型对外部 TCGA-COADREAD 数据进行零样本基因表达预测，再用于 MSI 状态分类，HyperST 在 MSI-H 和 MSS 上的 AUROC 达到 0.719 和 0.601，也高于最强基线。

论文地址：https://arxiv.org/pdf/2511.22107

它的亮点在于没有把空间转录组预测简单看成普通图像回归问题，而是抓住了空间组学中天然存在的层级结构，并用双曲几何来表示这种树状、层次化关系；

同时，它不仅利用局部 spot 图像，还引入周围 niche 的组织上下文，并在图像侧用病理基础模型 UNI 加 LoRA 做高效适配，使模型能同时保留组织形态信息和分子表达语义；

消融实验也支持这一设计，去掉完整的层次双曲对齐模块会造成 PCC@200 明显下降，说明双曲空间和层级约束确实是性能提升的关键。

整体来看，这项工作把几何深度学习引入空间转录组预测，用更符合生物组织层次结构的方式连接病理图像和基因表达，为低成本、可扩展的空间转录组推断提供了一个更稳健的建模思路。

在《MoBind: Motion Binding for Fine-Grained IMU–Video Pose Alignment》中，阿德莱德大学澳大利亚机器学习研究所将问题聚焦在可穿戴 IMU 传感器信号与视频中 2D 人体姿态序列之间的细粒度对齐。

论文提出的方法叫 MoBind，目标是学习一个统一的跨模态表示，使系统能够完成 IMU 到视频检索、视频到 IMU 检索、时间同步、人物和身体部位定位以及人体动作识别等任务。

它的核心思路不是直接对齐原始视频像素，而是先从视频中提取骨架运动信息，以减少背景干扰，再把全身运动拆成不同身体部位，让每个部位轨迹与对应的 IMU 传感器进行局部对齐，最后通过 token 级、局部身体部位级和全局全身级的层次化对比学习来同时保留亚秒级时间同步能力和整体动作语义。

论文在 mRi、TotalCapture 和 EgoHumans 三个多模态数据集上验证了方法，结果显示 MoBind 在跨模态检索中稳定超过 IMU2CLIP、DeSPITE、SyncNet 等基线，在时间同步任务中也明显更强，例如在随机引入 [-7, 7] 秒偏移的 20 秒片段上，MoBind 在 TotalCapture 和 EgoHumans 上的平均误差分别只有 0.05 秒和 0.04 秒，并且在 200 ms 容忍范围内的准确率达到 0.98 和 1.00。

论文地址：https://arxiv.org/pdf/2602.19004v1

这项工作的亮点在于，它针对 IMU-视频对齐中最难的几个问题给出了比较完整的设计：一是用骨架姿态替代原始图像，避免模型被无关视觉背景影响；

二是显式建模多传感器和身体部位之间的结构关系，不只是把所有 IMU 信号简单拼接；三是通过层次化对比学习解决重复动作、相位偏移和短时间错位带来的细粒度同步困难；四是加入 Masked Token Prediction 辅助任务，避免模型只关注局部同步而丢失动作类别语义。

整体来看，它把可穿戴传感器和视频人体运动之间的对应关系做得更细、更稳，不仅能用于无需人工校准的多模态时间同步，也能用于多人物场景下判断哪个人佩戴了哪个传感器、传感器位于哪个身体部位，并且在传感器缺失时仍保持较强鲁棒性，因而对运动分析、康复监测、体育训练和多模态数据采集都有较直接的应用意义。

从可穿戴传感器和视频之间的运动对齐继续延伸，《SemVideo: Reconstructs What You Watch from Brain Activity via Hierarchical Semantic Guidance》进一步研究脑活动与视觉内容之间的映射关系。

北京邮电大学和萨里大学的研究团队提出 SemVideo，尝试从人观看视频时记录到的 fMRI 脑活动中重建其看到的动态视觉内容。

它的核心目标是解决现有 fMRI 到视频重建方法中常见的两个问题：一是跨帧主体外观不稳定，导致同一个物体在生成视频里前后不一致；二是时间连续性差，容易出现动作错位或帧间突变。

论文的思路不是直接让脑信号恢复每一帧像素，而是先用 SemMiner 从原始视频中挖掘三层语义信息，包括第一帧静态锚点描述、面向动作的运动叙事和整体视频摘要，再让 SemVideo 通过语义对齐解码器 SAD 将 fMRI 信号对齐到这些语义嵌入，通过运动适配解码器 MAD 建模动态运动潜变量，最后用条件视频渲染模块把语义和运动信息融合生成视频。

实验在 CC2017 和 HCP 7T 两个公开 fMRI-video 数据集上进行，论文称方法在语义、像素和时空三个层面的 10 个指标中的 8 个达到最好结果；在 CC2017 上，SemVideo 的 2-way-V、50-way-V、CLIP 和 EPE 分别达到 0.865、0.264、0.526 和 4.788，说明它不仅更能恢复视频中的语义对象，也能更好保持动作和时序一致性。

论文地址：https://arxiv.org/pdf/2602.21819v2

它的亮点在于把“人脑看视频时更偏向关键语义和动作记忆，而不是逐像素逐帧处理”的认知假设转化成可训练框架，用多层级语义作为中间监督来弥补 fMRI 时间分辨率低、语义稀疏的问题；

同时，论文通过消融实验证明三类语义提示都很重要，其中去掉运动叙事 Cmotion 会明显损害像素级和时空指标，去掉 MAD 后帧序对齐能力大幅下降，说明运动提升不是单纯来自文本到视频模型的先验，而是确实从脑信号和运动语义中解码出来的。

另一个有价值的点是，作者还做了脑区重要性可视化，发现锚点语义更依赖高级视觉皮层，运动语义与 MT、MST、TPOJ 等运动相关脑区更匹配，整体语义则分布在视觉和运动相关区域，这让方法不仅是一个生成模型，也提供了一定的神经科学可解释性。

整体来看，这项工作把 fMRI 视频重建从“生成看起来像的视频”推进到“同时保持对象语义、动作轨迹和时间连贯性”的方向，为未来基于脑活动重建动态视觉体验提供了一个更结构化、更可解释的框架。

如果说 MoBind 和 SemVideo 都是在时间序列层面做跨模态对齐，那么《Can a Second-View Image Be a Language? Geometric and Semantic Cross-Modal Reasoning for X-ray Prohibited Item Detection》则把跨模态思想用于空间几何推理，尤其是安检 X-ray 场景中的双视角理解。

来自北京交通大学信息科学研究所和北京航空航天大学复杂与关键软件环境国家重点实验室的研究团队关注安检场景中的 X-ray 违禁品检测，核心问题是：现实安检人员通常会同时观察俯视和侧视两张 X-ray 图像来判断物体结构、遮挡关系和空间位置，但现有视觉语言模型多依赖单视角图像或文本提示，缺乏对“双视角几何一致性”的显式推理；

因此论文提出一个很有意思的观点——第二视角图像能否像语言一样，为模型提供额外约束。围绕这个问题，作者构建了 DualXrayBench，这是一个结合双视角图像和多模态标注的基准，包含 45,613 对双视角图像、12 类违禁物品，以及 1,594 个专家验证的视觉问答样本，用来测试计数、识别、遮挡、空间关系、摆放属性等 8 类跨视角推理能力。

方法上，论文提出 GSR，即 Geometric-Semantic Reasoner，基于 Qwen3-VL-MoE-8B 构建，通过视觉编码器、特征对齐模块和语言推理模块，把俯视图、侧视图和文本问题统一到一个推理流程中，并进一步构建 GSXray 数据集，将推理过程组织成 、、 这样的结构化 Chain-of-Thought，让模型先分别理解两个视角，再综合得出结论。

实验结果显示，GSR-8B 在 DualXrayBench 上取得 65.4 的准确率、70.6 的 F1 和 52.3 的 mIoU，明显超过 GPT-4o、Gemini-2.5-Pro、Qwen3-VL-235B 等通用模型，也优于单视角 X-ray 视觉语言模型；

消融实验还表明，单纯加入第二视角并不一定足够，只有把双视角信息和结构化推理标签结合起来，才能稳定提升几何对齐、遮挡判断和空间关系理解能力。

论文地址：https://arxiv.org/pdf/2511.18385v1

它的亮点在于，不只是把两张图简单拼接做多模态输入，而是把第二视角当成一种“类语言模态”，用来约束和补充主视角中的不确定信息；

同时，论文同时贡献了数据集、评测任务和模型框架，为安检 X-ray 场景中更接近人工检查流程的跨视角推理提供了系统方案。

整体来看，这项工作把视觉语言模型从单图像语义理解推进到双视角几何—语义联合推理，对于复杂遮挡、相似物体区分和未知违禁品泛化都有较强的应用意义。

这次去 CVPR 现场，一定不要错过

【认识大牛+赚外快】的机会

需要你做什么：把你最关注的10个大会报告，每页PPT都拍下来

你能获得什么？

认识大牛：你将可以进入CVPR名师博士社群；

钱多活少：提供丰厚奖金，任务量精简；

听会自由：你的行程你做主，顺手就把外快赚。拍下你最感兴趣的10个报告PPT即可。

如果你即将前往CVPR，想边听会边赚钱，还能顺便为AI学术社区做贡献、认识更多大牛，欢迎联系华体汇(中国)：[添加微信号:MS_Yahei]

【限额5位，先到先得】

单季度会员净增超千万，华体汇电竞-华体汇(中国)创新与用户体验成增长驱动力

华体汇电竞-华体汇(中国)

2026年春季中国元首外交纪事

2026年春季中国元首外交纪事

百万最新免费软件游戏

下载

首页>>原来高考一开始没选择题只有主观题

华体汇电竞-华体汇(中国):2026年春季中国元首外交纪事

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

49.17MB

版本{版本}

下载APK高速下载

下载再CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流安装你想要的应用 更方便 更快捷 发现更多

72%好评(61人)

47

详细信息

• 软件大小:38.45MB
• 最后更新:2026-06-01 03:56:42
• 最新版本:{版本}
• 文件格式:apk
• 应用分类:ios-AndroidCVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流
• 使用语言:中文
• :需要联网
• 系统要求:7.24以上

应用介绍

?第一步：访问《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》官网?首先,打开您的浏览器,输入《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。??
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。??
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。??
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站的条款，恭喜您！您已经成功注册了《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站账户。现在，您可以畅享《CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!??
【联系华体汇(中国)】
客服热线

加载更多

版本更新

{版本}

CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流

• 记者体验动车模拟驾驶：一个“小白”的忙乱与背后的“差之毫厘”
• “Token套餐”来了，你会尝鲜吗？专家解读
• 5月27日央行开展1776亿元7天期逆回购操作
• 时政微观察丨加强基础研究，不断抓出新成效
• 特斯拉召回173辆Cybertruck
• 北京绿色电力市场化交易规模首次超过火电
• 2026年全国跳水冠军赛在广州开赛
• 珠江委会同广西水利部门开展平陆运河航运用水保障工作
• 华为徐直军：“韬定律”不可能只靠一家华体汇电竞-华体汇(中国)完成
• 人工智能如何重塑电影行业？中国科技馆《北辰对话》聚焦研讨
• 75岁种粮大户来到袁隆平墓前送秧苗 “今年产量可以 您安息吧”
• 巨额亏损的本田还能扛多久
• 美日英债市同时崩了

• 

  文脉华章丨从总书记的文化足迹中感受何以中国

  华体汇电竞-华体汇(中国):四川宝兴：男子工作途中偶遇野生大熊猫

  详情

查看更多

加载中，请稍等...

华体汇电竞-华体汇(中国): CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流类似软件

• 科研人员揭示鄂西页岩气形成之谜

  吴宜泽10-7暂时领先肖恩·墨菲

• 南非9岁华人女孩被绑后获救 四名嫌疑人被捕

  香港富豪孙女遭绑架，被囚山洞4天，绑匪拿到2800万后逃跑，警方最新透露：她记得吃过什么、喝过什么，成为破案关键

• 短道速滑世界冠军李佳军：每一滴拼搏的汗水都自有光芒

  DeepSeek宣布：永久降价

• 三峡水库去冬今春枯水期累计补水超百亿立方米

  辽宁本溪：初夏时节槐花开

• 姚高员任浙江省副省长

  澳门科技大学副校长庞川：横琴不仅是澳门地理上的邻居 更是澳门数字人文的合伙人

• 稳定币发行商Circle一季度营收增长

  广东持续强降雨 水利系统提前转移群众1300余人

• 兰州小学生逐梦机器人界“世界杯”：在科创磨砺中斩获大奖

  外交部提醒：中国公民近期谨慎前往刚果（金）

• 广州以南沙为“棋眼” 扎实推进粤港澳大湾区建设

  天津七里海湿地十年蝶变：鸟类增至308种 变身“候鸟天堂”

• 5月1日起高速不再使用ETC？假的

  “十五五”：西藏围绕打造国家清洁能源基地提出三个举措

• 人间烟火暖 家和岁月安——记2026年“最美家庭”

  两岸百余名青年武汉乐享体育嘉年华

• 俄对乌发动报复性打击

  广州探索超大城市生物多样性保护新路径

• 前4月交通运输经济“成绩单”出炉 货运量等延续增长态势

  心相近｜共同铸牢中塞“铁杆友谊”

• 今年1-4月全国规模以上工业企业利润增长18.2%

  美伊僵住了，黄金4700关口如何走？

• 中泰将举行“突击-2026”陆军联训

  特朗普警告台湾不要试图走向“独立”

• 山西通洲集团留神峪煤矿瓦斯爆炸事故已致90人遇难

  400余组件文物亮相 “战国秦汉时期的云南”在北京大运河博物馆展出

• 广东首个中非贸易法律服务平台在广州揭牌

  带滤镜看中国，欧洲议会正上演荒诞剧

• 新疆哈密：巴里坤古粮仓引游人

  中金合并东兴信达

• 侨界关注：吉隆坡广东义山是座什么“山”？

  （台海观澜）福建赴金门自由行持续升温

• 两岸青年江苏昆山“舞中生友”展青春活力

  习近平：中俄两国已成为世界百年变局中的关键恒量

• 4月金融数据公布 释放哪些信号

  第二十一届海峡旅游博览会在福建厦门开幕

• 解放军南部战区：荷兰军舰非法侵闯中国西沙群岛

  九三学社海南省委员会赴安徽开展专题调研

• 西藏拉萨：医院新生儿科的“白衣天使”

  蓝鸿春再谈《给阿嬷的情书》创作信条：从心而发打动自己

• 5个坏习惯让血压悄悄升高

  发泡剂被遗留车内 因高温爆喷驾驶室

• 文脉华章丨要把博物馆事业搞好

  河北衡水：假日邂逅飞行 低空魅力引游人

• 海南：自贸港多项便利助力荔枝加速“出海”

  笛韵、水墨、汉服……中国艺术课燃动马耳他

• 史杰鹏五部小说新版结集 揭开先秦至两汉历史秘境

  在不确定时代锚定长期价值：解码伊利生态行动的底层逻辑

• 深圳先进院公众科学日累计吸引逾1.2万人参与

  在建设科技强国新征程上建功立业（弘扬科学家精神·全国科技工作者日特别报道）

• 特朗普就台湾问题表态 不希望看到有人走向“独立”

  外国友人盛赞西藏文化传承：不仅留住了“形”而且守住了“魂”

• 2026年“五一”假期宁夏道路运输总体平稳有序

  重庆公路应急抢险队驰援永川：打通道路，疏散被困群众

• 商会秘书处专业化职业化建设工作交流活动在重庆举行

  中外茶友相约黄山共品徽茶

• 天津高校举办国际文化节 中外青年共享多元文化盛宴

  山西留神峪煤矿爆炸瞬间画面公布

• 广西糖料蔗机收工作取得突破性成效 收获机具实现国产化替代

  阿里率先打通AI购物全链路，千问上也能“逛淘宝”了

• 翠竹、中药材也能“七十二变” 产业升级激活经济新动能

  探访新疆高昌回鹘佛寺遗址

• 中国地震局对广西柳州市柳南区5.2级地震启动三级应急服务响应

  从“估摸着浇”到“AI算着灌” 沙漠绿洲民勤“水逆”翻身

• 武夷山春茶制茶忙

  天目山实验室发布多项低空经济成果

• 美蓝色起源华体汇电竞-华体汇(中国)火箭点火测试时爆炸

  免申即享+AI赋能 上海持续深化“一网通办”改革

相关攻略

• 《形相之外：虚实共生——寻找陆蓉之》亮相威尼斯
  2026-06-01 03:56:42

包含 饿了么 的应用集

• 
  【滇藏公路50年】滇藏公路上的“加加面”如何把小新加到“怀疑人生”

  尿酸高的人 建议每天多喝这种水

  684270812026-06-01 03:56:42
• 
  2026年中德企业家论坛在上海举办

  2026年文化中国·水立方杯中文歌曲大赛泰国曼谷赛区举行决赛和颁奖典礼

  6213202026-06-01 03:56:42
• 
  韩国一小型飞机坠落 已致2人受伤

  乒乓球德甲半决赛：樊振东独得两分 率队挺进决赛

  805199592026-06-01 03:56:42
• 
  “海洋石油112”FPSO原油外输破千船次

  女生发老公日常 网友：嫁了个白敬亭

  88997612026-06-01 03:56:42
• 
  广西柳城一小学272名学生震后返校复课

  中国科研人员发现两栖动物新物种“叶氏肥螈”

  401013752026-06-01 03:56:42
• 
  学习进行时｜习近平总书记关心劳动者的故事

  比利时前驻华大使：不应妄加评论中国西藏，多学多听多理解

  7984122026-06-01 03:56:42
• 
  湖北宣恩暴雨灾情已致3人死亡 4人失联

  涉疫邮轮“零号病人”身份曝光

  8197452026-06-01 03:56:42
• 
  这里没有春天，你就是我的春天

  习近平同塞尔维亚总统武契奇举行会谈

  462495462026-06-01 03:56:42
• 
  马鞍山成了南京最高的“山”

  纪念东京审判开庭80周年国际研讨会：东京审判的法律基础不容诋毁

  5219302026-06-01 03:56:42
• 
  “8家车企被约谈”冲上热搜 多家车企辟谣

  剑指冠军！国乒男团3-1战胜法国队晋级世乒赛决赛

  39974902026-06-01 03:56:42
• 
  石榴花开 籽籽同心丨沙漠边上稻花香 新疆和田风沙里开出团结花

  第六届它博会智能养宠新品云集 AI科技赋能人宠生活新体验

  6990362552026-06-01 03:56:42
• 
  重庆举行国际友好城市交流展 共展出217件展品

  唢呐演奏家《百鸟朝凤》一口气封神

  66717712026-06-01 03:56:42
• 
  挖婆婆丁、尝鲜春菜 中国北疆“春日经济”从田间火到餐桌

  五月天向柳州震区捐款100万

  947643762026-06-01 03:56:42
• 
  学习手记｜打造更多叫得响的品牌

  六旬环卫工11次跳海救人：自学心肺复苏 报酬分文不取

  473159892026-06-01 03:56:42
• 
  “天地同和——中国古代音乐文化展”在呼和浩特开展

  曾破坏文保单位历史风貌，损毁明长城的煤企今年多次被罚

  72757692026-06-01 03:56:42
• 
  压缩试验成本 我国室内最大全季冰雪汽车试验基地开建

  广西柳州发生5.2级地震

  983788892026-06-01 03:56:42
• 
  水果有个小霉点挖掉还能吃吗

  福建三位老人坚持制作“福船”模型 复刻渔乡记忆

  373355442026-06-01 03:56:42
• 
  新疆访千年古刹 大漠觅丝路“佛缘”

  广东出台“海洋牧场金融十条”赋能“蓝色粮仓”建设

  57484372026-06-01 03:56:42
• 
  回扣入刑 医药代表迎最严监管

  当大学春招遇到AI：月薪7万起

  557255552026-06-01 03:56:42
• 
  河南周口：小麦灌浆管护忙

  谢锋大使就美国总统特朗普访华和中美关系接受专访

  26382392026-06-01 03:56:42
• 
  孟加拉国外交部长卡利勒将访华

  台湾“跑旅团”在兰马：享受跑步，乐在途中

  2122972026-06-01 03:56:42
• 
  昌九高铁全线无砟轨道浇筑完成

  中国潮玩迭代升级 融入国风经典走俏海外

  502342412026-06-01 03:56:42
• 
  中国硬刚国际足联 到底在争什么

  面向高校毕业生、首月租金减免 北京专项配租今起开放登记

  83114542026-06-01 03:56:42

友情链接

• 假期体验户外极限运动 要避免这些危险行为
  2026-06-01 03:56:42
• 重庆永川暴雨山洪灾后重建 水退人进恢复家园
  2026-06-01 03:56:42
• 军报评魏凤和李尚福案：有贪必肃
  2026-06-01 03:56:42

安卓手机网上最贴心的Android软件应用平台!版权所有：CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1

华体汇电竞-华体汇(中国)

<small id='2P2NuN'></small><noframes id='Uq3kme'>

<tbody id='J5YiMFc'></tbody>

<tfoot id='FA2T'></tfoot>

<legend id='ORXIEB'><style id='bXcB'><dir id='ayI043'><q id='aFiT'></q></dir></style></legend>

<i id='YM3m'><tr id='qw8j9U6'><dt id='Ymkd'><q id='zPz0zB'><span id='7mugW'><b id='FdljDz'><form id='HpX1uj'><ins id='rfIl5S'></ins><ul id='FYg9'></ul><sub id='pp5UDx'></sub></form><legend id='RSXWo'></legend><bdo id='CECvSl'><pre id='nxPI10'><center id='klZMO'></center></pre></bdo></b><th id='lqs8ULs'></th></span></q></dt></tr></i><div id='kv3VnF'><tfoot id='KdEag'></tfoot><dl id='YsHqs'><fieldset id='ZDaTBIoa'></fieldset></dl></div>

<bdo id='a29oXF'></bdo><ul id='P27ut'></ul>

<li id='C0JA52Q'><abbr id='CktFh'></abbr></li>