Qizhen Lan

该工作提出位移保持关系蒸馏（DPRD），在 nnU-Net 中对 ROI 掩码后的病例级嵌入做批量成对位移向量对齐并配合关系尺度归一化，在 ISLES 2022 与 AMOS 2022 上以约5%教师参数和约3% FLOPs 的学生取得优于 Logits KD、FitNet、RKD、CIRKD 的分割结果，AMOS 上 Dice 达 85.46%、HD95 降至 11.72 mm。

该工作提出位移保持关系蒸馏（DPRD），在 nnU-Net 中对 ROI 掩码后的病例级嵌入做批量成对位移向量对齐并配合关系尺度归一化，在 ISLES 2022 与 AMOS 2022 上以约5%教师参数和约3% FLOPs 的学生取得优于 Logits KD、FitNet、RKD、CIRKD 的分割结果，AMOS 上 Dice 达 85.46%、HD95 降至 11.72 mm。

作者提出 Detail Consistent Distillation（DCD）：在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解，只对方向性细节子带 D（排除低频近似带 A 与最易含噪的极高频带 S）经逆小波重建后在空间域做 MSE 对齐，在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%，且不增加推理开销。

作者提出 Detail Consistent Distillation（DCD）：在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解，只对方向性细节子带 D（排除低频近似带 A 与最易含噪的极高频带 S）经逆小波重建后在空间域做 MSE 对齐，在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%，且不增加推理开销。