# 视觉-语言对齐

肝脏CT诊断模型通常直接从图像预测疾病标签，因此只能识别训练中出现过的病种。DbC把诊断拆成两步：先学习一组放射学征象在扫描上的分布图，再按指南把疾病定义为若干必需征象的组合，用无参数的软最小值算子合成诊断图。在多期肝脏CT上，对训练中完全未见过的六种疾病，DbC的病灶定位显著优于包括图像—疾病名对齐模型在内的全部对照，并在另一机构的罕见病和公开外部队列上保持优势。

肝脏CT诊断模型通常直接从图像预测疾病标签，因此只能识别训练中出现过的病种。DbC把诊断拆成两步：先学习一组放射学征象在扫描上的分布图，再按指南把疾病定义为若干必需征象的组合，用无参数的软最小值算子合成诊断图。在多期肝脏CT上，对训练中完全未见过的六种疾病，DbC的病灶定位显著优于包括图像—疾病名对齐模型在内的全部对照，并在另一机构的罕见病和公开外部队列上保持优势。

步态属性识别有了一个大规模多模态基准：RA-GAR 收录 1001 名受试者、242729 段行走序列，并标注 15 项静态与运动步态属性，用来补上细粒度标注不足的缺口。配套的 Gait-VL 不再用分类器输出权重代表候选类别，而是把属性专属的多帧视觉证据与文本类别原型直接匹配。在 RA-GAR 上属性识别达到当前最好水平，且用属性预训练替换通用上游视觉模型后，多个身份识别流程与基准上出现一致提升。

步态属性识别有了一个大规模多模态基准：RA-GAR 收录 1001 名受试者、242729 段行走序列，并标注 15 项静态与运动步态属性，用来补上细粒度标注不足的缺口。配套的 Gait-VL 不再用分类器输出权重代表候选类别，而是把属性专属的多帧视觉证据与文本类别原型直接匹配。在 RA-GAR 上属性识别达到当前最好水平，且用属性预训练替换通用上游视觉模型后，多个身份识别流程与基准上出现一致提升。