面向多域医学图像生成的扩散专家情境感知路由学习

基于摘要分析。该研究针对多域医学图像生成中如何组合领域专用扩散专家的预测，比较服务器图像有限且可能不具代表性时的两种路由学习策略。核心贡献是区分数据来源标签与专家实际去噪表现所提供的信号，并利用后者辅助学习固定专家池的路由器。 Server-Only 使用带有来源成分标签的服务器图像，学习依赖输入与扩散时间步的专家分配。Anchor-Delta（AD）使用相同图像与冻结专家，从去噪损失中提取额外证据，将其与当前路由器的分配结合形成蒸馏目标，并由 proxy gate 控制后续细化步骤。来源标签描述数据来自何处，专家损失则衡量经验预测表现；两者不应视为等价的专家选择依据。具体目标公式、证据融合方式及门控规则尚未验证。 作者报告，在异构四域医学图像生成设置中，AD 训练的路由器相较 Server-Only 改善了生成指标；另一项服务器数据研究显示，其留出路由评估优于 corrected-routing 对照。作者还报告，额外的配对评估中，推理时证据混合的效果随基准而变化，因此不能概括为稳定有效。摘要未提供数据集名称、指标数值、划分细节或统计信息，实验协议、消融及统计信息尚未验证。 原研究对象是医学图像生成，并非 EEG 解码或 BCI。平台推测（待验证）：若已有多个领域专用的 EEG 扩散生成专家，可探索用经验去噪表现补充数据来源标签进行路由；可复用的是冻结专家与辅助证据蒸馏思路，需改造输入表示、噪声建模及生成质量评估。该假设依赖可比较的专家损失与有代表性的服务器数据，可能受 EEG 低信噪比、被试差异、通道不一致和小样本损失估计不稳定影响。可在固定专家池与匹配服务器样本条件下，比较 Server-Only 与 AD 的留出被试生成表现，检验收益是否保持；已有 EEG 相关工作尚未检索确认。