MAGIC-Flow：用于生成和可解释分类的多尺度自适应条件流
机器学习
2025-10-28 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
生成模型已成为一种强大的表征学习范式，但其直接应用于医学影像等具有挑战性的领域仍受限：仅靠生成而不进行任务对齐，无法为临床实践提供稳健的基础。我们提出 MAGIC-Flow，一种条件多尺度正规化流架构，能够在单一模块化框架中完成生成和分类。该模型构建为一系列可逆且可微的双射构件，其中雅可比行列式跨子变换分解。我们展示，这确保了精确似然计算和稳定优化，同时通过可逆性实现对样本似然性的显式可视化，为模型推理提供可解释窗口。通过以类别标签为条件，MAGIC-Flow 支持可控样本合成和原则化的类概率估计，有效辅助生成式和判别式目标。我们使用相似性、保真度和多样性等指标对 MAGIC-Flow 与顶级基线进行评估。跨多个数据集，MAGIC-Flow 在扫描仪噪声下实现生成和分类，在特定模态的合成和识别方面表现出色。结果表明，MAGIC-Flow 创建了真实且多样化的样本，并提升了分类性能。MAGIC-Flow 是数据受限领域中有效的生成和分类策略，为隐私保护增强、稳健泛化和可信医学 AI 提供了直接好处。
引用
@article{arxiv.2510.22070,
title = {MAGIC-Flow: Multiscale Adaptive Conditional Flows for Generation and Interpretable Classification},
author = {Luca Caldera and Giacomo Bottacini and Lara Cavinato},
journal= {arXiv preprint arXiv:2510.22070},
year = {2025}
}