信息来源： 复杂信号分析团队 RUC明理新声 发布日期：2026年6月26日

在小说阅读器读本章去阅读在小说阅读器中沉浸阅读

图像识别方向

研究工作分享

复杂信号分析团队

图像识别与医学应用

随着深度学习技术的飞速发展，如何从海量、多模态的数据中高效提取关键特征，已成为提升模型理解力的核心。以下两项研究展示了扩散模型（Diffusion Models）在多标签图像分类以及医学影像辅助诊断中的前沿应用，体现了人工智能在处理复杂视觉信息与解决临床实际问题上的巨大潜力。

01

基于图文融合的特征提取

（文章：Diff-Feat: Diffusion-Based Cross-Modal Feature Extraction for Multi-Label Classification）

本工作主要研究如何让人工智能更准确地理解一张图片中包含的多种信息。现实中的图片往往不是只有一个标签，比如一张街景图里可能同时有“人”、“车”、“建筑”、“树”等。

文章提出了Diff-Feat方法，利用扩散模型在生成图像和文本过程中学到的中间特征，分别提取图片和文字信息，再把两类信息融合起来完成多标签分类。研究发现，图像特征通常在扩散过程的中间阶段、模型的中间层最有用；而文本特征则更依赖未加噪声的输入和更深层的表示。

实验表明，该方法在多个数据集上都取得了较好的分类效果，说明扩散模型不仅能生成内容，也能作为强大的特征提取工具。

原文链接：

https://arxiv.org/abs/2509.15553

02

图像识别的医学影像应用

（文章：OrthoDiffusion: A Generalizable Multi-Task Diffusion Foundation Model for Musculoskeletal MRI Interpretation）

本工作开发了一种名为OrthoDiffusion的人工智能模型，用于辅助医生解读骨骼肌肉系统的MRI影像。传统上，膝关节、踝关节和肩关节MRI的判读需要医生综合多个方向的图像，既耗时又依赖经验。

OrthoDiffusion通过学习大量未标注的膝关节MRI，掌握关节结构和病变特征，不仅能识别韧带损伤、半月板撕裂等多种疾病，还能分割骨骼、软骨和韧带等解剖结构。

研究显示，该模型在标注数据较少、不同医院和不同磁场强度的条件下仍表现稳定，并能迁移到肩关节和踝关节任务中，为骨科影像智能诊断提供了新的思路。

原文链接：

https://papers.nips.cc/paper_files/paper/2025/hash/b9a17133e3943509243b5e197c1c23b2-Abstract-Conference.html

团队介绍

我们是明理书院创新实验室旗下的复杂信号分析团队，是一支融合了统计学与信息理论的科研创新团队。

团队目前关注机器学习中复杂信号的识别问题。在大数据时代，统计模型往往需要处理有多层级结构的信号，这使得我们不仅需要构建有自适应性的算法来分析数据、估计模型，还需要提供更精细的统计理论支持，确保分析结果的准确性、稳定性和优良性。此外，我们还需依据优化与信息理论来提升算法的计算效率和复杂度。

我们鼓励团队成员紧跟前沿研究，参与跨学科交流与合作，以催生新思路和解决实际问题。在这里，你将得到老师和学长学姐的耐心指导，学习统计学、优化理论的必备知识，并通过科研实践提升编程技能。

欢迎对数据科学感兴趣的同学积极加入！

简历投递邮箱：liushixiang_stat@ruc.edu.cn

明理书院创新实验室

明理书院创新实验室是以学生志趣为原点、真实问题为牵引的科研创新实训平台。实验室发挥书院教育资源聚集优势，秉持“价值引领、创新育人”理念，坚持“学生主导、使命驱动、学科交叉、过程规范”运行原则，为学生提供场景化科研条件和全过程科研服务。目前，实验室已建成 AI4Science、大数据+、基础学科、算力试验与数据定价、具身智能、技术俱乐部、AI Application等七大特色研究群组，汇聚20余支学生科研创新团队，形成多学科交叉融合、多领域实践创新、多方面协同育人的良好局面。

明理书院创新实验室欢迎你的加入！联系邮箱：minglipyb@ruc.edu.cn