具内置身份验证的可授权医学图像融合模型：AMIF
计算机视觉与模式识别
2026-03-26 v1
摘要
多模态图像融合通过实现精确的病灶定位和特征描述，提升临床诊断准确性，从而增强临床决策并推动医学影像研究的不断发展。强大的多模态图像融合模型依赖于高质量、具有临床代表性的多模态训练数据以及严格设计的模型架构。因此，开发此类专业放射组学模型是一种以标准化采集、临床专业知识和算法设计专业技能为基础的协同成果，要求保护相关的知识产权。然而，当前的多模态图像融合模型在生成融合输出时缺乏保护知识产权的内置机制，无意中通过推理泄露暴露了专有的模型知识和敏感训练数据。例如，恶意用户可利用融合输出和模型蒸馏或其他推理基础的逆向工程技术来逼近专有模型的融合性能。为此，我们提出AMIF（Authorizable Medical Image Fusion），即具内置身份验证的可授权医学图像融合模型，将授权访问控制集成到图像融合目标中。对于未授权的用途，AMIF在融合结果中嵌入显式且可见的版权标识符；而在成功进行基于密钥的身份验证后，则可获得高质量的融合结果。
引用
@article{arxiv.2603.24296,
title = {AMIF: Authorizable Medical Image Fusion Model with Built-in Authentication},
author = {Jie Song and Jun Jia and Wei Sun and Wangqiu Zhou and Tao Tan and Guangtao Zhai},
journal= {arXiv preprint arXiv:2603.24296},
year = {2026}
}