MedVAR：基于下一尺度自回归预测实现医学图像生成的可扩展高效方法
计算机视觉与模式识别
2026-02-24 v2
摘要
医学图像生成在数据增强低资源临床任务和隐私保护数据共享等应用中至关重要。然而，开发面向医学成像的可扩展生成式主干网络需要满足架构效率、充足的多器官数据和原则性评估，但当前方法尚未解决这些问题。因此，我们引入 MedVAR，这是第一个采用下一尺度预测范式的自回归基础模型，旨在实现快速且易于扩展的医学图像合成。MedVAR 以粗到细的方式生成图像，并产生结构化的多尺度表示，适合用于下游任务。为支持分层生成，我们收集了一个涵盖六个解剖区域的约 44 万张 CT 和 MRI 图像的和谐数据集。全面实验表明，MedVAR 在保真度、多样性和可扩展性方面实现了最先进的生成性能，为未来医学生成式基础模型提供了具有前景的架构方向。
引用
@article{arxiv.2602.14512,
title = {MedVAR: Towards Scalable and Efficient Medical Image Generation via Next-scale Autoregressive Prediction},
author = {Zhicheng He and Yunpeng Zhao and Junde Wu and Ziwei Niu and Zijun Li and Bohan Li and Lanfen Lin and Yueming Jin},
journal= {arXiv preprint arXiv:2602.14512},
year = {2026}
}
备注
23 pages, 8 figures