今日行业报告披露重大政策更新伊朗：发射两枚导弹击中美国军舰 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

山西省阳泉市平定县桥西区留营街道湖北省宜昌市宜都市江苏省镇江市句容市焦作市中站区河东区东新街道合肥市庐阳区江西省吉安市永新县江西省宜春市奉新县辽宁省铁岭市开原市无极县大陈镇重庆市市辖区北碚区昌平区小汤山镇江西省宜春市奉新县合肥市庐阳区江西省赣州市石城县南开区体育中心街道西青区精武镇云南省大理白族自治州云龙县云南省丽江市宁蒗彝族自治县福建省福州市永泰县蚌埠市蚌山区黑龙江省哈尔滨市巴彦县河西区桃园街道北辰区广源街道西藏山南市贡嘎县福建省三明市梅列区西城区天桥街道陕西省咸阳市兴平市合肥市庐阳区黑龙江省大兴安岭地区呼玛县湖北省宜昌市宜都市银川市贺兰县新乐市协神乡银川市贺兰县青海省玉树藏族自治州治多县蓟州区官庄镇陕西省咸阳市兴平市许昌市建安区山西省晋中市太谷区山东省威海市桥西区东华街道上海市市辖区嘉定区陕西省商洛市山阳县北辰区陕西省宝鸡市千阳县丰台区宛平城地区静海区西翟庄镇阿克苏地区拜城县元氏县苏村乡海南省海口市美兰区甘肃省甘南藏族自治州云南省文山壮族苗族自治州广南县湖北省恩施土家族苗族自治州恩施市福建省南平市建瓯市辽宁省铁岭市清河区朝阳区小红门地区信阳市平桥区丰台区和义街道朝阳区管庄地区江苏省徐州市新沂市黑龙江省哈尔滨市巴彦县陕西省宝鸡市千阳县湖北省宜昌市秭归县陕西省咸阳市兴平市哈密市伊吾县福建省莆田市仙游县湖北省宜昌市宜都市山东省滨州市顺义区空港街道开封市通许县马鞍山市博望区广东省汕头市龙湖区陕西省西安市未央区重庆市市辖区北碚区山东省东营市垦利区宝坻区牛家牌镇防城港市东兴市新乐市协神乡内蒙古鄂尔多斯市康巴什区黑龙江省七台河市桃山区河西区桃园街道平山县宅北乡广东省汕头市南澳县内蒙古锡林郭勒盟正镶白旗山东省淄博市临淄区湖北省宜昌市秭归县湖北省宜昌市秭归县山东省泰安市泰山区西藏山南市贡嘎县四川省德阳市广汉市朝阳区管庄地区黑龙江省伊春市金林区江苏省徐州市新沂市百色市田林县江西省鹰潭市余江区井陉县测鱼镇黑龙江省佳木斯市富锦市赞皇县西龙门乡吉林省四平市铁西区

今日监管部门公布重要研究成果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

长安区南村镇四川省成都市金牛区广东省江门市山西省朔州市山阴县北辰区广源街道湖北省宜昌市西陵区喀什地区麦盖提县青海省海北藏族自治州门源回族自治县湖北省宜昌市夷陵区信阳市平桥区四川省广元市西藏山南市贡嘎县朝阳区双井街道山西省晋中市灵石县海南省海口市美兰区朝阳区管庄地区和平区南市街道淮南市大通区朝阳区管庄地区四川省遂宁市蓬溪县鹿泉区白鹿泉乡延庆区沈家营镇江西省景德镇市昌江区青海省海西蒙古族藏族自治州德令哈市贵州省黔南布依族苗族自治州惠水县福建省漳州市龙海市辽宁省大连市旅顺口区云南省玉溪市新平彝族傣族自治县广东省云浮市新兴县怀柔区龙山街道黑龙江省七台河市桃山区青海省海西蒙古族藏族自治州德令哈市内蒙古鄂尔多斯市康巴什区河东区东新街道濮阳市南乐县青秀区钦州市湖北省宜昌市宜都市贵州省安顺市普定县桂林市秀峰区陕西省商洛市山阳县辽宁省铁岭市开原市黑龙江省伊春市金林区山东省滨州市江西省赣州市石城县山东省烟台市牟平区焦作市固原市西吉县江苏省镇江市句容市云南省丽江市宁蒗彝族自治县四川省遂宁市蓬溪县元氏县蓟州区东二营镇桥西区苑东街道四川省凉山彝族自治州甘洛县贵州省铜仁市玉屏侗族自治县蚌埠市蚌山区赵县沙河店镇赞皇县西龙门乡许昌市建安区辽宁省本溪市溪湖区江苏省徐州市新沂市新乐市协神乡江苏省苏州市相城区陕西省汉中市南郑区陕西省宝鸡市千阳县山东省滨州市合肥市庐阳区黑龙江省佳木斯市富锦市四川省凉山彝族自治州甘洛县辽宁省朝阳市北票市山东省枣庄市台儿庄区山西省朔州市山阴县湖北省恩施土家族苗族自治州建始县贵州省黔南布依族苗族自治州惠水县四川省广安市岳池县内蒙古乌海市乌达区大兴区黑龙江省七台河市桃山区贵州省六盘水市水城县辽宁省本溪市溪湖区江苏省连云港市赣榆区甘肃省庆阳市镇原县四川省成都市新都区山东省威海市山东省泰安市东平县山西省忻州市宁武县湖北省宜昌市夷陵区怀柔区龙山街道平山县东回舍镇青海省海北藏族自治州门源回族自治县伊犁哈萨克自治州昭苏县伊犁哈萨克自治州昭苏县信阳市平桥区密云区高岭镇黑龙江省哈尔滨市巴彦县甘肃省天水市秦州区焦作市中站区湖北省宜昌市秭归县海南省三沙市西沙区

全球服务区域:山东省淄博市临淄区云南省玉溪市新平彝族傣族自治县重庆市市辖区北碚区内蒙古鄂尔多斯市鄂托克旗武清区上马台镇百色市靖西市喀什地区叶城县江苏省苏州市相城区黑龙江省鹤岗市上海市市辖区嘉定区元氏县苏村乡四川省甘孜藏族自治州九龙县青海省果洛藏族自治州福建省莆田市仙游县桥西区留营街道武清区上马台镇上海市市辖区嘉定区许昌市建安区山西省晋中市灵石县井陉县吴家窑乡四川省遂宁市蓬溪县西青区精武镇朝阳区双井街道陕西省宝鸡市眉县井陉县测鱼镇内蒙古兴安盟乌兰浩特市元氏县苏村乡四川省宜宾市江安县山东省枣庄市台儿庄区辽宁省锦州市义县内蒙古锡林郭勒盟镶黄旗西藏山南市贡嘎县山西省晋城市泽州县云南省红河哈尼族彝族自治州泸西县赞皇县院头镇青海省玉树藏族自治州治多县南阳市内乡县朝阳区管庄地区西城区天桥街道江西省宜春市奉新县青海省海西蒙古族藏族自治州德令哈市焦作市中站区长安区南村镇濮阳市南乐县四川省成都市新都区福建省福州市罗源县辽宁省本溪市溪湖区和田地区新乐市协神乡陕西省商洛市山阳县陕西省咸阳市兴平市贵州省黔南布依族苗族自治州惠水县鹿泉区白鹿泉乡元氏县辽宁省大连市旅顺口区丰台区和义街道山西省晋中市榆社县黑龙江省七台河市桃山区丰台区和义街道喀什地区叶城县甘肃省陇南市云南省玉溪市新平彝族傣族自治县福建省漳州市龙海市青海省果洛藏族自治州甘肃省甘南藏族自治州湖北省恩施土家族苗族自治州恩施市宝坻区牛家牌镇博尔塔拉蒙古自治州温泉县陕西省汉中市留坝县赵县沙河店镇福建省厦门市海沧区昌平区阳坊镇开封市通许县山西省晋中市榆社县江苏省南京市浦口区山东省泰安市东平县四川省广元市赞皇县西龙门乡海南省海口市美兰区北辰区广源街道云南省普洱市景东彝族自治县福建省南平市建瓯市四川省德阳市广汉市赞皇县西龙门乡平山县岗南镇辽宁省辽阳市白塔区江西省吉安市吉安县青海省果洛藏族自治州延庆区沈家营镇山东省烟台市牟平区山西省忻州市定襄县鹿泉区寺家庄镇南阳市内乡县四川省凉山彝族自治州甘洛县湖北省孝感市汉川市四川省乐山市蓟州区东施古镇广东省云浮市新兴县北辰区山东省东营市垦利区

稍早前相关部门更新进展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：陕西省宝鸡市眉县亳州市利辛县陕西省汉中市南郑区蓟州区东施古镇辽宁省朝阳市北票市赵县沙河店镇静海区西翟庄镇云南省红河哈尼族彝族自治州绿春县顺义区空港街道丰台区宛平城地区山东省聊城市冠县福建省厦门市湖里区江西省赣州市石城县甘肃省定西市渭源县怀柔区雁栖地区陕西省咸阳市兴平市大兴区广东省深圳市青海省海北藏族自治州门源回族自治县朝阳区小红门地区合肥市庐阳区怀柔区雁栖地区湖北省宜昌市秭归县昌平区阳坊镇崇左市桥西区东华街道静海区西翟庄镇蓟州区东二营镇青海省海北藏族自治州门源回族自治县山东省聊城市冠县武清区上马台镇元氏县苏村乡山西省吕梁市岚县四川省凉山彝族自治州西昌市四川省成都市新都区武清区上马台镇黑龙江省鹤岗市内蒙古锡林郭勒盟镶黄旗平山县宅北乡大兴区博尔塔拉蒙古自治州温泉县丰台区宛平城地区蚌埠市蚌山区云南省普洱市景东彝族自治县四川省甘孜藏族自治州泸定县延庆区康庄镇福建省南平市建瓯市贵州省铜仁市印江土家族苗族自治县湖北省宜昌市夷陵区福建省厦门市湖里区合肥市瑶海区四川省凉山彝族自治州西昌市崇左市宁明县福建省三明市梅列区无极县大陈镇北辰区广源街道陕西省商洛市山阳县甘肃省天水市秦州区许昌市建安区亳州市利辛县昌平区回龙观街道海淀区青龙桥街道山西省晋城市泽州县甘肃省天水市秦州区福建省三明市梅列区桥西区留营街道防城港市东兴市贵州省铜仁市玉屏侗族自治县山西省忻州市宁武县云南省玉溪市新平彝族傣族自治县喀什地区叶城县江苏省连云港市赣榆区蓟州区东二营镇广东省云浮市新兴县银川市贺兰县湖北省宜昌市西陵区辽宁省沈阳市阿克苏地区新和县广东省惠州市龙门县桂林市兴安县合肥市庐阳区蚌埠市龙子湖区海淀区青龙桥街道崇左市福建省福州市永泰县洛阳市汝阳县桂林市兴安县吉林省长春市双阳区乌鲁木齐市沙依巴克区江苏省苏州市相城区元氏县苏村乡密云区河南寨镇蓟州区官庄镇山西省晋城市高平市平山县岗南镇四川省甘孜藏族自治州丹巴县内蒙古锡林郭勒盟镶黄旗博尔塔拉蒙古自治州温泉县平顶山市卫东区河东区大直沽街道

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】

近日官方发布重大研究报告CVPR 2026 医学影像?AI 趋势梳理：从看懂影像，到接管科研工作流

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】

中新网5月11日电 (记者 谢艺观)11日，A股三大股指早盘集体上涨，截至午间收盘，上证指数涨0.94%，深证成指涨2.13%，创业板指涨3.03%。科创50指数持续拉升，突破2020年7月高点，创出历史新高。工程机械、半导体、电脑硬件等行业板块涨幅居前。

华体汇电竞-华体汇(中国)

伊朗：发射两枚导弹击中美国军舰

伊朗：发射两枚导弹击中美国军舰

百万最新免费软件游戏

下载

首页>>数百万只粉红海参被冲上泰国海滩

华体汇电竞-华体汇(中国):伊朗：发射两枚导弹击中美国军舰

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

72.83MB

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

64%好评(97人)

73

详细信息

• 软件大小:35.60MB
• 最后更新:2026-06-17 08:14:40
• 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:1.61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

• 一碗公道饭 万里琼侨情
• 雄安新区2026年“文化和自然遗产日”非遗宣传展示活动举办
• 去年全国离境退税销售额增长近1倍
• 成为一名“学院派”烧烤师有多香？学员：从课堂香到职场
• 赵丽娜在世界杯开幕式偶遇大张伟
• 王楚钦孙颖莎荣膺最佳运动员奖
• 金观平：筑牢服务业扩能提质根基
• 真抓实干 书写无愧于人民的时代答卷
• 自费流感疫苗也可医保报销了
• 母女一问一答暖心接龙 摒弃“打压式教育” 让那句“你看别人家孩子”有了不一样的回答
• 一缕茶香百年坚守：长春老字号留住城市老味道
• 旅行社破坏生态被判赔11万元 主动设公益基金参与修复
• 山西：高速路边摘槐花 民警劝阻

• 

  聚焦“投资于人”，逾2500家企业“体检报告”发布

  华体汇电竞-华体汇(中国):伊朗公布已故最高领袖哈梅内伊葬礼安排

  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

• 西湖边00后陪拍师一天能赚大几百

  SpaceX上市前夕，忙着干三件大事

• 推动中俄关系实现更高质量发展

  山东省临沂市人大常委会原党组副书记徐福田被开除党籍

• 中国高科技成就绘本新辑在上海亮相

  日本民众举行集会 反对高市政权扩军修宪

• 广东多举措防御“龙舟水”

  特朗普抵京 韩正到机场迎接

• 朝鲜女足代表团抵达韩国 时隔12年再访韩

  解放军南部战区：荷兰军舰非法侵闯中国西沙群岛

• 中国发明专利有效量达631.8万件 有效注册商标量达5303.2万件

  多国“洋网红”走进江西九江濂溪 领略中国乡村振兴发展成果

• 武契奇：中国致力与世界各国凝聚共识 值得所有人尊重

  国家统计局：1-5月份全国固定资产投资178512亿元

• 经济热点快评｜前4个月经济数据发布，“稳”的基调没有变

  美伊达成谅解备忘录 美总统：霍尔木兹海峡“已经部分开放”

• 成都中欧班列集结中心再添“生力军” 自贡基地挂牌

  广东进入强降雨时段

• 文班苦战39分钟砍下32分

  探访新中国首个航空科研机构：七十载打造材料领域“航母”

• 渭水逐浪迎健儿 2026年中国桨板精英联赛咸阳站将启

  “幽灵扣款”频发，该如何破局

• “创赢未来”2026创业大赛辽宁省选拔赛在铁岭落幕

  中国驻日本大使馆举办“六一”国际儿童节庆祝活动

• 暴雨突袭重庆合川 各部门多措并举守护高考平安

  曝库里与李宁签十年代言合同

• 第三届“科研管理与创新发展”学术研讨会在杭州举行

  中方反对美方无理打压中国企业

• 明矾\t商品报价动态（2026-05-23）

  2026沁水半程马拉松6月14日开跑 再创报名最快纪录

• “核宇宙科学大冒险”公众科学日：探秘大科学装置兰州重离子加速器

  开局之年看中国｜千年窑火映壮美，“老手艺”变身“新潮流”

• 中国车企首次突破产销量1亿大关

  云南芒市：“砍柴人”成“护猴人” 中缅灰叶猴种群数量稳步增长

• 亚电科技再谋上市

  背着双肩包就能来 湖南携8807个岗位赴粤诚意揽才

• 高校学者聚焦北京通州晾鹰台 探寻千年捺钵文化

  （乡村行·看振兴）安徽创新乡村直播模式 理论宣讲“云”上发力

• “雏凤计划”探索女足后备人才培养新路径

  世界大学生围棋锦标赛将首次在中国内地举行

• 苏州：个人公积金最高贷款额度提至150万元

  浙江乡村，“组团”跃变

• 宁淮城际铁路站前4标完成全部箱梁预制任务

  北京启动毕业季租房服务进校园线下活动 护航青年人留京安居

• 聚焦量子科技展开深度对谈 国家科技传播中心举办专场学术发展讲堂

  三年来鄂企RCEP进出口享惠货值64.4亿元

• 哈马斯代表团抵达埃及 将就推进加沙停火协议与斡旋方会谈

  外国友人迷上采茶 点赞传统与现代技艺融合

• 山东荣成：朝阳下忙碌的海洋牧场

  一图读懂《金融信息服务数据分类分级指南》

• 从歇脚地到打卡地 库车老城激活文旅新动能

  报告：我国已逐渐形成大、中、小企业绿色联动新趋势

• 6月1日起102项国家标准正式实施

  中外骑手角逐新疆赛里木湖畔

• 漂洋过海只为一缕药香：巴基斯坦家庭的中医梦

  澳大利亚拟投入超百亿澳元保障燃料安全

• 伊朗媒体：两枚导弹“击中”霍尔木兹海峡一艘美军舰

  保山市省外购房占比达45.9% 居云南省第二

• 伊朗开启世界杯史上最特殊参赛模式

  受权发布丨国家人权行动计划（2026－2030年）

• 接续奋斗 凯歌前行 各地开展形式多样的五四青年节主题团日活动

  重庆：一把螺丝刀在气管里藏了一年 医生10分钟“丝滑取出”

• 山西太原：乘客突发疾病倒地 众人暖心施救

  70年拍摄十几万张“时代底片” 赣南耄耋老人诠释“热爱不老”

• 人民论坛网评丨“科技+服务”保障夏粮颗粒归仓

  印度自来水因高温高达51℃

• 直击菲律宾强震：有房屋坍塌成废墟

  数智赋能文旅 科技盘活吉林山水文脉

• 霍尔木兹航运受阻影响半导体行业

  “一起益企”！中小企业受益（产经视野）

• 香港四川青年总会会长李圣根：汇聚侨智侨力 抢抓川渝投资新机遇

  商务部：反对美以“强迫劳动”为由对华贸易限制

相关攻略

• 北京老佛爷百货将“落幕” 消费者前往“打卡”惜别
  2026-06-17 08:14:40

包含 饿了么 的应用集

• 
  关注巴以局势 哈马斯发言人表示愿意移交加沙地带治理权

  濮存昕与深港澳戏剧界人士聚深圳 助力人文湾区建设

  908732292026-06-17 08:14:40
• 
  中国驻英使馆谴责英情报机构恶意诽谤

  以不懈奋斗书写青春华章

  8144432026-06-17 08:14:40
• 
  凝聚人心 汇聚力量 作家蒋胜男邀您关注统战新语

  台湾再次无法参加世卫大会 国台办回应

  725186242026-06-17 08:14:40
• 
  日本岩手县发生5.0级地震

  张雪回应成于东来直播间“榜一大哥”

  22682802026-06-17 08:14:40
• 
  世界首台630℃二次再热百万机组正式投产发电

  报告：北京位列全球数字旅游引领型城市榜首

  526178422026-06-17 08:14:40
• 
  云冈石窟部分洞窟昨起临时封闭

  安徽休宁：初夏育秧忙

  9601192026-06-17 08:14:40
• 
  景区NPC被点名：背离初衷，拉低格调

  中国硬刚国际足联 到底在争什么

  6413502026-06-17 08:14:40
• 
  专家：糖尿病患者属带状疱疹高风险人群 需主动预防

  尚界汽车报案

  716939102026-06-17 08:14:40
• 
  为全球教育发展注入新动能！2026世界数字教育大会，来了

  第二十五届“汉语桥”世界大学生中文比赛菲律宾赛区决赛举行

  5628142026-06-17 08:14:40
• 
  西藏哲学社科界齐聚一堂：总结75年治藏兴藏成就与启示

  美军再次在阿曼湾向油轮开火 国际海事组织强烈谴责美军针对油轮的袭击

  80222832026-06-17 08:14:40
• 
  济南举行2026届大学生毕业典礼 诚邀学子留济筑梦

  中东部降雨进入核心时段局地雨量或破纪录 华南江南多地将现高温

  7344254542026-06-17 08:14:40
• 
  整治“幽灵外卖” 上海推出全国首个网络餐饮电子证照核验应用

  无人机竞速世界杯将在宁波举行 “空中F1”逐梦甬城

  21353992026-06-17 08:14:40
• 
  美防长称认知到中国能力与实力

  受降雨影响 未来两天国铁广州局部分列车停运

  959045622026-06-17 08:14:40
• 
  2026年海峡两岸生态环境类学科建设研讨会在宁夏举办

  联结两岸水利文脉 豫台高校重启交流破冰之旅

  212685042026-06-17 08:14:40
• 
  “华体汇(中国)时代的美学”——纪念北京大学美学学科开设105周年学术研讨会举行

  辟谣周榜｜湖北洪水冲断桥梁系谣言

  87029852026-06-17 08:14:40
• 
  探访河北地质大学博物馆：一座藏在高校里的“地质宝库”

  教育部：纠治奢华录取通知书 新生礼盒等不良风气

  419486672026-06-17 08:14:40
• 
  一“坨”云南普洱茶的世界之旅

  大庆钻探自研“减振神器”试验成功 破解复杂地层钻井难题

  559629522026-06-17 08:14:40
• 
  共促渔业可持续发展 中越联合开展北部湾增殖放流活动

  2025年浙江省控断面Ⅰ—Ⅲ类水质比例首次达到100%

  19910432026-06-17 08:14:40
• 
  海峡两岸应急消防融合发展论坛在福建三明开幕

  新疆维吾尔自治区巴音郭楞蒙古自治州党委常委徐凯被查

  617914822026-06-17 08:14:40
• 
  卢比告急 印度掀起汇率保卫战

  巴西青年喊话雷军带小米汽车到巴西

  88363132026-06-17 08:14:40
• 
  湖北通山：枇杷小镇搭台 农文旅融合促“三交”

  “中国哲学社会科学自主知识体系丛书”首批成果发布

  3104492026-06-17 08:14:40
• 
  浙江绍兴：夏季服饰面料销售旺

  李显龙被广西油柑圈粉 用中文点赞：很甜！

  261660552026-06-17 08:14:40
• 
  阿里新设Token Foundry事业部

  【诗画中国】邂逅绿意夏日 满眼皆是盎然生机

  40694192026-06-17 08:14:40

友情链接

• 飞行学员ICAO英语四级四次没考过 航司起诉要求支付近60万元培训费
  2026-06-17 08:14:40
• 上海合作组织成立25周年：为推动全球开放合作展现“上合担当”
  2026-06-17 08:14:40
• 重庆发布可转让货物单证公共服务平台
  2026-06-17 08:14:40

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='mTO9a'></small><noframes id='yX4rU'>

<tbody id='nuEGXeq'></tbody>

<tfoot id='qKft'></tfoot>

<legend id='oXjj'><style id='xdI8TNG'><dir id='LwSl1'><q id='a5wXv'></q></dir></style></legend>

<i id='XtsVi'><tr id='OlMO'><dt id='ZDBV'><q id='RWG7'><span id='j4vQg'><b id='TvZaF'><form id='fZRK'><ins id='Dged'></ins><ul id='K4V8y'></ul><sub id='j3wqJWa3'></sub></form><legend id='ZLagut'></legend><bdo id='Fwsb2r'><pre id='OVXS5f'><center id='XVKYhi'></center></pre></bdo></b><th id='8Y0wn7'></th></span></q></dt></tr></i><div id='cI71Bf'><tfoot id='xfDFW'></tfoot><dl id='01oooPCU'><fieldset id='LDIgJv0g'></fieldset></dl></div>

<bdo id='u7hzIo'></bdo><ul id='fdAGs'></ul>

<li id='0tDS'><abbr id='F77yBm'></abbr></li>