L2L-Flow 把体积随机分割搬到潜空间：放疗靶区推理提速约14倍，GED 0.161 仍具竞争力

作者发现 Flow-SSN 在高分辨率体积医学数据上性能退化，并提出时间偏移噪声调度 yt=(1−ts)u+tsy，其中 ts=t/(α−t(α−1))，α 越大加噪越强。 此前 Flow-SSN 的噪声调度未针对高维体积任务校准，作者把现代流模型中的 shift schedule 改写为适配 t=0 到 t=1 路径方向的形式，并给出 α 的消融。 放疗数据集 5 折交叉验证显示，偏移后的 Flow-SSN GED 从 0.165±.008 降到 0.155±.005，Dice 从 0.894±.004 升到 0.899±.001；消融中 α=3 表现最好，α 更大时更易过拟合。

作者提出 L2L-Flow：训练体积标签自编码器得到压缩标签潜变量 z1=Eϕ(y)，再学习从图像条件潜先验 N(Eλ(x),I) 到冻结标签潜表示的线性流插值，并用最小二乘回归目标训练。 与在观测空间建模联合分布的 Flow-SSN 不同，该方法把源和目标都放在编码后的潜空间，使体积采样在计算上可行；与一般潜空间扩散只建模单一图像变量不同，这里建模的是标签条件分布。 放疗数据集上 L2L-Flow 的 GED 为 0.161±.004、Dice 为 0.896±.002、多样性 0.182±.008，参数量 9.3M，推理 0.936±.016 秒/图，而 Flow-SSN 为 15.296±.013 秒/图。

L2L-Flow 提供可调的效率/性能权衡：放疗数据下采样 4 倍到 48³ 潜分辨率，CURVAS 上额外下采样 2 倍到 96³。 作者把下采样倍率作为显式控制旋钮，并报告 2 倍下采样版本在胰腺上缩小了与全分辨率模型的差距，代价是推理变慢。 CURVAS 上 2 倍下采样模型仍比全分辨率 Flow-SSN 快约 5 倍；4 倍下采样在胰腺这类本就小的结构上因压缩而出现更明显的性能差距，图 5 用红箭头标出未能精确分割的部分。

定性比较显示，基于流的模型（L2L-Flow 与 Flow-SSN）的样本变异与 10 位临床专家的 IOV 轮廓在形态上更接近，而 SSN 的轮廓只呈强同心式变化。 作者指出这种临床相关性差异无法仅由 GED 指标反映，因此主张在临床工作流中把定量评估与定性、临床考量结合。 该结论来自一个可获得 10 位专家真值 IOV 的病例的定性评估，作者明确说明 GED 单独使用不足以捕捉这一区别。

该工作面向体积医学图像中由观察者间差异引起的随机分割不确定性，适用于放疗临床靶区勾画与多器官分割这类需要模拟轮廓变异的下游计划场景；作者给出的效率/性能旋钮（放疗 4 倍下采样到 48³、CURVAS 2 倍下采样到 96³）让使用者可按算力与结构大小选择配置。作者在结论中提出，后续可引入更具表达力的图像与标签编码器（例如来自基础模型的编码器）来进一步增强 L2L-Flow。

放疗数据集为私有数据且仅 55 例，CURVAS 为 90 例，两者均采用 5 折交叉验证，样本规模限制了结论的普适性；作者也指出把复杂概率模型从 2D 扩展到 3D 存在方法性与计算性困难，例如 SSN 的低秩采样不稳定与 MoSE 因显存限制而减少训练采样数。此外，作者强调 GED 单独使用不足以反映临床相关性，因此读者在解读指标排名时仍需结合定性样本与临床判断；未来工作提出的更强编码器尚未在本工作中验证。