MedPCFM-TED: One-Step Point Cloud Flow Matching for Implant Generation via Teacher-Guided Endpoint Distillation

📄 arXiv: 2609.16934v1 📥 PDF

作者: Kamil Kwarciak, Marek Wodzinski

分类: cs.CV, cs.LG

发布日期: 2026-09-15

备注: 10 pages, 3 figures

💡 一句话要点

提出Teacher-Guided Endpoint Distillation以加速颅骨植入物生成

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 颅骨植入物 点云生成 教师引导 蒸馏训练 几何匹配 医学成像 深度学习

📋 核心要点

  1. 现有的点云生成方法在推理时需要多次神经网络评估，限制了快速生成多个植入物候选的能力。
  2. 本文提出了一种教师引导的端点蒸馏（TED）框架，通过一步蒸馏来实现条件颅骨植入物的生成，避免了显式路径直线化。
  3. TED在SkullBreak数据集上取得了最佳性能，生成速度约为每个样本0.04秒，显示出显著的加速效果。

📝 摘要（中文）

颅骨植入物生成是医学成像中的重要任务。近期基于点云的生成方法，特别是流匹配，提供了强大的重建质量和高效的采样能力，但在推理过程中仍需多次神经网络评估，限制了多个可行植入物候选的快速生成。本文提出了一种简单的一步蒸馏框架——教师引导的端点蒸馏（TED），用于基于点云的条件颅骨植入物生成。TED通过教师引导的端点监督和几何匹配损失训练一步学生模型，避免了显式路径直线化。实验结果表明，TED在SkullBreak数据集上表现最佳，在SkullFix上保持竞争力，并在比较的一步方法中提供了最强的Chamfer距离性能。此外，TED每个样本生成时间约为0.04秒。这些结果表明，一步蒸馏可以显著加速条件点云植入物生成，而不牺牲重建质量。

🔬 方法详解

问题定义：本文旨在解决颅骨植入物生成过程中的效率问题，现有方法在推理阶段需要多次神经网络评估，导致生成速度慢，限制了临床应用的灵活性。

核心思路：提出教师引导的端点蒸馏（TED）框架，通过教师模型的指导，训练一个一步的学生模型，利用几何匹配损失来实现高效的条件生成，避免了复杂的路径优化过程。

技术框架：TED框架包括教师模型和学生模型两个主要部分。教师模型负责提供端点监督，学生模型则通过学习教师模型的输出进行生成。整个过程通过几何损失进行优化，确保生成的植入物在形状上与目标一致。

关键创新：TED的主要创新在于其一步蒸馏的设计，显著减少了生成时间，同时保持了高质量的重建效果。这种方法与传统的多步骤生成方法相比，具有更高的效率和实用性。

关键设计：在TED中，使用了教师引导的端点监督和几何匹配损失函数，确保学生模型在生成过程中能够有效学习到目标形状特征。模型的训练过程经过精心设计，以优化生成速度和质量之间的平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TED在SkullBreak数据集上表现出最佳的整体性能，并在SkullFix数据集上保持竞争力。与其他一步方法相比，TED在Chamfer距离上表现最强，生成速度达到每个样本约0.04秒，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括医疗影像学、颅骨修复手术和个性化医疗。通过加速植入物的生成过程，TED可以帮助医生更快地为患者提供定制化的治疗方案，提高手术的成功率和患者的满意度。未来，该方法还可能扩展到其他类型的生物医学图像生成任务中。

📄 摘要（原文）

Cranial implant generation is an important task in medical imaging. Recent point cloud based generative methods, particularly flow matching, offer strong reconstruction quality and efficient sampling, but still require multiple neural function evaluations during inference. This limits rapid generation of multiple plausible implant candidates. We propose Teacher-guided Endpoint Distillation (TED), a simple one-step distillation framework for conditional cranial implant generation on point clouds. TED trains a one-step student using teacher-guided endpoint supervision and geometric matching losses, while avoiding explicit path straightening. We evaluate TED on the SkullFix and SkullBreak benchmarks. TED achieves the best overall performance on the SkullBreak dataset, remains competitive on SkullFix, and provides the strongest Chamfer distance performance among the compared one-step methods. In addition, TED generates implants in approximately 0.04s per sample. These results show that one-step distillation can substantially accelerate conditional point cloud implant generation without sacrificing reconstruction quality.