北京
多模态融合的默认假设是：数据源越多，模型越准。华中师范大学团队联合华中科技大学、广州中医药大学及北卡罗来纳大学教堂山分校的研究者，在ACM MM 2026发表的工作给出了一个反向结论——当MRI已经空间对齐，但T1、T2、FLAIR等模态的采样质量差别很大时，低质量模态可能把高质量模态中产生的重采样伪影一起带入融合网络。
论文标题直接点出了这个困境：When Fusion Fails，融合失败。团队提出的方法叫CoReFuse-Med，思路可以概括为四个字：先净化，再融合。
问题出在采样质量的不均衡上。同一组MRI数据里，不同模态的成像条件并不一致，质量参差不齐。低质量模态本身信息就不可靠，更麻烦的是，它还会把高质量模态在重采样过程中产生的伪影一并卷进融合环节。融合网络拿到的不是互补信息，而是被污染的特征。
CoReFuse-Med的应对方式分两步走。第一步是净化，在融合之前先处理各模态中的质量缺陷与伪影干扰；第二步才是融合，让参与融合的特征尽可能干净。这套设计对应论文标题里的两个关键词：Corruption-Aware（感知污染）与Rebalanced Fusion（重平衡融合）。
论文作者包括Yuchen Pei、Xiaoyu Hu、Yixiong Zou、Dingwen Hu、Hui Chu、Yutao Ma、Shijun Qiu、Gang Li，研究指向的任务是多模态医学图像分割。代码已在GitHub开源，仓库名为lrever/CoReFuse，论文编号为arXiv:2609.10261。
对做医学影像融合的团队来说，这项工作的价值在于把"模态越多越好"这个默认前提拆开检验了一遍。融合失败不是模型容量不够，而是输入端的质量差异没有被处理。先净化再融合，等于在架构层面承认了一件事：低质模态不该被平等对待。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
