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
该工作提出 Latent-to-Latent Flow（L2L-Flow），先用体积标签自编码器把标签压到潜空间，再在图像条件潜先验与冻结的标签潜表示之间学习整流流，从而在放疗临床靶区（55例、5折交叉验证）和 CURVAS 多器官数据集（90例）上实现随机分割，推理速度比全分辨率 Flow-SSN 快约14倍（0.936 秒/图 对 15.296 秒/图），GED 为 0.161，并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。