用于医学图像合成的扩散形变先验
将临床意义的图像合成视为变形和不确定性上的迁移，而不仅仅是强度迁移。
结构骨架
该源工作将扩散模型与感知形变的结构相结合，从而使合成能够反映解剖学上的变化，而不仅仅是外观匹配。
物理概念/数学对象
可迁移结构是一种受几何约束的传输过程：有用的样本通过形变场移动，而不是在不相关的图像状态之间跳跃。
人工智能目标问题
针对多模态生成系统，其输出必须保留潜在结构，例如医学合成、仿真到真实世界的迁移，或跨传感模态的表示对齐。
变量/运算符/目标映射
- 形变场 -> 源条件与目标条件之间的潜在传输映射
- 扩散轨迹 -> 不确定性感知细化路径
- 解剖学一致性 -> 生成过程中的结构保持约束
为什么这可能奏效
许多生成式管线在学习外观迁移时，并未对何物应保持固定进行严谨的考量。一种可形变感知传输的视角，为模型提供了存储何物移动、何物保持不变以及何物仍不确定的位置。
为什么会失败
若目标域变化无法被输运过程很好地近似，则先验信息会变得受限。不良的形变估计也可能引入结构性误差，而扩散过程会进一步放大这些误差。
最小可证伪实验
在一对多模态基准上，将一个基线扩散模型与一个在去噪前显式预测潜在形变传输先验的模型进行比较。测量结构一致性、不确定性校准和下游任务效用。如果传输先验仅改善视觉效果而非结构指标或校准，则拒绝该简报。