arXiv 2026年10月5日该工作提出多模态超图流匹配（MHG-FM）框架，用模态特异超图与超图神经网络编码器学习高阶表示，经双交叉注意力做双向跨模态融合，再由变分自编码器映射到紧凑隐空间并用条件流匹配实现结构连接（SC）与功能连接（FC）的联合生成与跨模态翻译；在 HCP-YA 数据集上，其在重建质量、拓扑保持、分布相似性和 SC-FC 耦合上优于若干最先进基线，采样速度约为匹配扩散骨干的 8 倍。该工作提出多模态超图流匹配（MHG-FM）框架，用模态特异超图与超图神经网络编码器学习高阶表示，经双交叉注意力做双向跨模态融合，再由变分自编码器映射到紧凑隐空间并用条件流匹配实现结构连接（SC）与功能连接（FC）的联合生成与跨模态翻译；在 HCP-YA 数据集上，其在重建质量、拓扑保持、分布相似性和 SC-FC 耦合上优于若干最先进基线，采样速度约为匹配扩散骨干的 8 倍。MHG-FM 用多模态超图流匹配联合生成脑结构与功能连接，在 HCP-YA 上优于多个基线且采样约快 8 倍该工作提出多模态超图流匹配（MHG-FM）框架，用模态特异超图与超图神经网络编码器学习高阶表示，经双交叉注意力做双向跨模态融合，再由变分自编码器映射到紧凑隐空间并用条件流匹配实现结构连接（SC）与功能连接（FC）的联合生成与跨模态翻译；在 HCP-YA 数据集上，其在重建质量、拓扑保持、分布相似性和 SC-FC 耦合上优于若干最先进基线，采样速度约为匹配扩散骨干的 8 倍。该工作提出多模态超图流匹配（MHG-FM）框架，用模态特异超图与超图神经网络编码器学习高阶表示，经双交叉注意力做双向跨模态融合，再由变分自编码器映射到紧凑隐空间并用条件流匹配实现结构连接（SC）与功能连接（FC）的联合生成与跨模态翻译；在 HCP-YA 数据集上，其在重建质量、拓扑保持、分布相似性和 SC-FC 耦合上优于若干最先进基线，采样速度约为匹配扩散骨干的 8 倍。