只在有信号处算：Conformal Adaptation 用共形风险控制认证稀疏计算，脑肿瘤分割保持相近 Dice
核心概要
医学与天文成像数据比自然图像大几个数量级，而肿瘤、星系等目标只占极小区域，量化、剪枝这类均匀压缩会同时压低这些关键区域的精度。Conformal Adaptation 先用低分辨率模型筛出候选区域，再用共形风险控制校准阈值，使被丢弃区域携带的真实信号质量在期望上不超过用户设定的比例，随后只对选中区域做稀疏细化。在脑肿瘤分割、头颈癌分割、钙成像脉冲率推断和星系通量场超分辨等任务上，该流程在保持相近精度的同时减少计算量，其中 VISTA3D 在纯 CPU 推理下取得最高 82.10 倍的浮点运算加速。
深度剖析
密集预测不再对每个位置都做全分辨率计算，而是先由低分辨率模型给出粗预测，再只对可能含信号的区域调用高分辨率细化。 量化、剪枝等压缩方法对所有区域做统一缩放，在信号稀疏的科学数据上可能牺牲少数关键区域的精度，且误差只能事后评估。 在脑肿瘤分割上，U-Net、Swin-UNETR 和 VISTA3D 三种架构在粗模型加细化后保持与全分辨率相近的 Dice 系数，同时减少浮点运算量；纯 CPU 推理下 VISTA3D 的浮点运算加速为 82.10 倍。
筛选阈值不是手工设定，而是由共形风险控制校准，使被丢弃单元中的真实信号质量在期望上受控。 此前的输入自适应方法依赖学习到的或启发式的选择规则，对被丢弃的信息没有保证。 校准使用与测试数据可交换的标定集，损失定义为落在未选中单元中的信号质量占比；在脑肿瘤分割中，标定集与测试集上的漏检单元比例都接近设定的 0.1 水平。
细化阶段只处理被选中的粗单元，未选中的单元用上采样或空值填充，因此计算量随选中单元数而非全分辨率像素数增长。 全分辨率模型需要在每个位置都运行完整网络，成本随数据规模线性上升。 在星系通量场任务中，校准后的流程平均只保留一部分粗单元，解析浮点运算加速高于全分辨率基线，代价是每像素平均绝对误差与总通量相对误差都高于全分辨率基线，与认证所约束的丢弃通量比例一致。
启示与展望
演示范围限于均匀网格上的密集预测任务：MSD 脑肿瘤 MRI 分割、HECKTOR 2026 头颈癌 PET/CT 分割、CASCADE 钙成像脉冲率回归和基于 GalSim 模拟的星系通量场超分辨；作者指出推导本身与域无关，只要细化算子保持分层划分即可推广到图等非均匀域。
保证约束的是被丢弃单元中真实信号的期望比例，而非细化后预测的误差；它是边际保证，单张扫描可能超过设定水平，粗分辨率下微弱的小病灶可能被漏掉；保证还依赖标定数据与测试数据的可交换性，跨扫描仪或站点时对协变量漂移敏感。头颈癌任务中，粗模型加细化在 GTVn 上出现精度下降，作者将其归因于小病灶被粗模型漏检，并把按病灶设计的风险控制列为后续工作。