大多数医学图像分割模型假设所有数据同时可用，但临床实践中数据往往是顺序到达，模型需持续适应不断变化的数据分布。本文研究了妇科图像分割中的持续学习问题，面对影像模态、解剖结构和标注协议的巨大异质性，现有方法难以防止灾难性遗忘。通过编码器-解码器各部分的块级消融分析，发现早期编码器和后期解码器区域对性能影响最大；控制性适应实验显示仅更新瓶颈附近区域时遗忘有限，但更新较浅层时遗忘迅速增加。结果表明，在持续学习中遗忘程度受网络深度更新位置强烈影响。代码与分析将在论文接受后公开。
这条 研究论文 信号说明，来自 arXiv cs.CV 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CV 发布了这条关于 研究论文 的更新：大多数医学图像分割模型假设所有数据同时可用，但临床实践中数据往往是顺序到达，模型需持续适应不断变化的数据分布。本文研究了妇科图像分割中的持续学习问题，面对影像模态、解剖结构和标注协议的巨大异质性，现有方法难以防止灾难性遗忘。通过编码器-解码器各部分的块级消融分析，发现早期编码器和后期解码器区域对性能影响最大；控制性适应实验显示仅更新瓶颈附近区域时遗忘有限，但更新较浅层时遗忘迅速增加。结果表明，在持续学习中遗忘程度受网络深度更新位置强烈影响。代码与分析将在论文接受后公开。
该研究明确揭示了持续学习中编码器-解码器结构不同深度区域对遗忘的影响，有助于设计更有效的医学图像分割模型，尤其是面对实际临床中不断变化的数据分布时的适应策略。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
面对高对比度且具有尖锐界面的多相场，基于物理约束的扩散模型遇到三大挑战：系数跳变处强形式偏微分方程残差包含奇异梯度项，可能惩罚物理界面；极端对比度下低幅度相可能低于扩散噪声水平而被抹除、缩放错误或出现负系数；全局似然尺度导致高幅度相主导监督。Multiphase-Diff提出三项核心贡献：保守通量残差避免对不连续系数求导并保持离散守恒；解析双射映射将低幅度信号转换到阶数为1的潜变量尺度，并通过指数解码保证系数为正；Jacobi预条件似然归一化局部残差尺度，实现平衡监督。多项多相基准测试表明，该方法在物理和分布一致性方面优于七种基线，对不同相对比度和组成具备鲁棒性，证明了其在科学样本生成中的有效性。
现代文本到图像模型能从自然语言提示生成高度逼真的图像，近期提示反演技术使从生成图像中恢复提示变得越来越可行，这引发了版权保护和内容所有权的新关注。PROVE是一个无训练、黑盒的提示反演攻击方法，通过组合可验证的场景描述来恢复提示，能针对原始版权作品和AI生成内容，生成完全可审计且基于显式图像证据的提示。它在多个数据集和先进生成器上，无需训练或访问生成器，均超越了基于优化、字幕和强化学习的基线，在图像相似度和文本图像对齐上表现更佳。
本文提出RubricForge，一种基于少量带标签轨迹，通过反思进化生成的文本判分规则，用于无奖励环境下自动评估语言模型代理。相较于现有手写或微调的判分器，RubricForge更忠实于真实环境奖励，显著减少了对失败轨迹的过度加分，在tau-bench和WebShop数据集上表现出更低的假通过率和更佳的排序一致性。其判分规则为人类可读文本，便于追踪判决依据。