# 整流流

血管CT超分辨重建出的血管常出现断裂、多余或错误连接，而图像质量指标看不出这些结构错误。VascuSR把血管结构从CT灰度重建中拆出来，先在3D血管标签空间用条件整流流修正血管，再通过轻量控制器把修正后的结构注入扩散解码器，并在每轮重建后重新提取结构形成反馈。在重新标注的MSD Task08与HVM上，它的Dice和clDice优于插值和学习型基线，类别平均连通分量数在两个数据集上均下降超过20%，MSD上平均中心线距离下降超过10%，图像质量与SR骨干相当。

血管CT超分辨重建出的血管常出现断裂、多余或错误连接，而图像质量指标看不出这些结构错误。VascuSR把血管结构从CT灰度重建中拆出来，先在3D血管标签空间用条件整流流修正血管，再通过轻量控制器把修正后的结构注入扩散解码器，并在每轮重建后重新提取结构形成反馈。在重新标注的MSD Task08与HVM上，它的Dice和clDice优于插值和学习型基线，类别平均连通分量数在两个数据集上均下降超过20%，MSD上平均中心线距离下降超过10%，图像质量与SR骨干相当。

SILSA提出一种拓扑感知的高分辨率三维生成框架，用沿三个坐标轴的固定重叠切片潜变量替代体素token，配合SliceVAE、体素锚格与切片级持续同调监督，在单图到三维任务上把PSNR从30.12提升到32.74、覆盖率从73.12%提升到79.08%、Betti误差相对降低9.2%，同时只用384个token，训练内存降低40.4%、推理时间降低58.5%。

SILSA提出一种拓扑感知的高分辨率三维生成框架，用沿三个坐标轴的固定重叠切片潜变量替代体素token，配合SliceVAE、体素锚格与切片级持续同调监督，在单图到三维任务上把PSNR从30.12提升到32.74、覆盖率从73.12%提升到79.08%、Betti误差相对降低9.2%，同时只用384个token，训练内存降低40.4%、推理时间降低58.5%。

作者提出 ALICE，一个仅在合成分布族上训练一次的 Transformer 基础模型，它把互信息估计转化为对未见分布整流流速度场的上下文内估计，在 Beyond Normal 基准上与逐分布训练的神经估计器竞争，并在 1k 样本预算下误差至少低两倍，同时在模型从未见过的生物学、遗传学和神经科学数据上零样本复现并扩展了专用估计器的结论。

作者提出 ALICE，一个仅在合成分布族上训练一次的 Transformer 基础模型，它把互信息估计转化为对未见分布整流流速度场的上下文内估计，在 Beyond Normal 基准上与逐分布训练的神经估计器竞争，并在 1k 样本预算下误差至少低两倍，同时在模型从未见过的生物学、遗传学和神经科学数据上零样本复现并扩展了专用估计器的结论。

Adobe Research与KAIST的研究者提出FlowTool，用条件整流流（conditional rectified flow）直接建模图像与指令条件下的高质量修图工具参数分布，以视觉语言模型骨干加DiT参数生成器和工具存在性预测头替代自回归MLLM的推理与逐token数值生成，在MMArt-Bench、FlowTool-Eval、ArtEdit-Bench和MIT-Adobe5K上参考指标优于专用MLLM编辑智能体与专有MLLM，并在无参考评测中与专有模型相当，同时把推理延迟降低至少50倍、峰值显存降低近2倍。

Adobe Research与KAIST的研究者提出FlowTool，用条件整流流（conditional rectified flow）直接建模图像与指令条件下的高质量修图工具参数分布，以视觉语言模型骨干加DiT参数生成器和工具存在性预测头替代自回归MLLM的推理与逐token数值生成，在MMArt-Bench、FlowTool-Eval、ArtEdit-Bench和MIT-Adobe5K上参考指标优于专用MLLM编辑智能体与专有MLLM，并在无参考评测中与专有模型相当，同时把推理延迟降低至少50倍、峰值显存降低近2倍。

该工作提出MPFlow，一个基于整流流的零样本多模态MRI重建框架，通过自监督预训练策略PAMRI学习跨模态共享表征，在推理时用数据一致性与跨模态特征对齐联合引导无条件先验，在HCP的T2 4倍超分辨与BraTS的FLAIR 8倍k空间重建上，以仅20%的采样步数匹配扩散基线的图像质量，并将肿瘤分割Dice提升15%、SHAFE幻觉分数降低26%。

该工作提出MPFlow，一个基于整流流的零样本多模态MRI重建框架，通过自监督预训练策略PAMRI学习跨模态共享表征，在推理时用数据一致性与跨模态特征对齐联合引导无条件先验，在HCP的T2 4倍超分辨与BraTS的FLAIR 8倍k空间重建上，以仅20%的采样步数匹配扩散基线的图像质量，并将肿瘤分割Dice提升15%、SHAFE幻觉分数降低26%。

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。

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。