医学影像质量直接关系到诊断的准确性，但受成本等因素限制，MRI、CT 与超声图像常常分辨率偏低、质量不佳，使得关键解剖结构与病灶难以清晰呈现。现实中这种局限十分普遍，而传统做法往往把图像增强当作独立的预处理步骤，未能充分挖掘增强与分割之间潜在的协同效应。针对这一问题，Ying Chen 等三位作者提出了 DiSIINet（Diffusion-based Symbiotic Information Interaction Network，基于扩散的共生信息交互网络），其核心理念是让增强与分割在统一模型中相互促进、彼此强化。该论文于 2026 年 6 月 30 日提交至 arXiv，并被 IJCAI 2026 接收，归属于计算机视觉与模式识别（cs.CV）方向，论文编号为 arXiv:2607.00058，DOI 为 10.48550/arXiv.2607.00058。
从方法上看，DiSIINet 建立在去噪扩散隐式模型（Denoising Diffusion Implicit Models，DDIM）之上，同时集成了增强分支与分割分支。两个分支通过一个新颖的共生信息交互（Symbiotic Information Interaction，SII）模块进行交互，在反向扩散过程中借助交叉注意力实现动态的特征级信息交换。这样的设计使两项任务能够迭代式地互相提升：增强分支为分割提供更清晰的输入特征，分割分支的语义信息又反过来引导增强过程。与此同时，DDIM 主干通过确定性采样保证了高质量的输出，并带来高效的推理表现。
在实验方面，作者在多模态医学数据集（涵盖 MRI、CT 与超声）上对 DiSIINet 进行了评估。结果显示，与将增强和分割按顺序执行或彼此独立处理的方案相比，DiSIINet 取得了显著的性能提升，验证了统一建模与特征级交互的有效性。论文代码已在 GitHub 上公开，仓库地址为 https://github.com/Reconsider80/DiSIINet，便于研究者复现与后续改进。
从更广的意义看，这项工作挑战了医学影像流程中"先增强、再分割"的线性惯例，转而强调两个任务在同一扩散框架内的共生关系。对于受限于设备成本的临床场景而言，能够同时改善图像质量并提升分割精度的方法，有望降低对高成本成像设备的依赖，帮助医生更清楚地观察关键解剖结构与病灶。论文提交信息显示，该版本为 v1，提交时间为 2026 年 6 月 30 日 07:50:44 UTC，全文约 3,119 KB，并提供 PDF、实验性 HTML 以及 TeX 源码等多种获取方式。