MorphSeek：用于可变形图像配准的细粒度潜在表征级策略优化

基于摘要分析。MorphSeek 针对医学可变形图像配准中稠密位移场维度高、体素级监督稀缺的问题，将配准重构为潜在特征空间中的空间连续优化过程，旨在兼顾局部形变表达能力与标注效率。研究对象是三维医学图像配准，而非 EEG 解码或 BCI 控制。 核心机制是在编码器之上加入随机高斯策略头，对潜在特征分布建模，通过探索与由粗到细的细化优化配准。训练结合无监督预热与采用 Group Relative Policy Optimization 的弱监督微调；作者认为，多轨迹采样有助于稳定训练并提高标签利用效率。相较于将形变空间压缩为粗粒度低维表示的既有强化学习框架，其主要设计差异在于细粒度潜在表征层面的策略优化，而不只是替换优化器。 作者报告，在 OASIS brain MRI、LiTS liver CT 和 Abdomen MR–CT 三个三维配准基准上，相较有竞争力的基线取得一致的 Dice 改善，并保持较高标注效率、较小参数代价及较低的单步延迟开销。摘要未提供具体 Dice 数值、基线名称、数据划分、弱监督标签类型与用量，因而尚不能量化收益或判断不同数据条件下的适用范围。 复现时需核对潜在特征采样与形变生成的衔接方式、奖励定义、多轨迹采样配置，以及预热和微调的训练预算；空间连贯性与形变合理性的评价、消融及统计信息尚未验证。骨干网络无关和优化器无关属于作者提出的适用性主张，验证范围仍需全文确认。材料未提供该机制用于 EEG 或 BCI 的直接证据，已有相关工作亦尚未检索确认。