在多源图像融合场景中，异构输入通常由不同的生成机制驱动，可以视为多个因果系统的组合。然而，在融合过程中，常常会出现跨系统差异（CSD）和跨系统纠缠（CSE）的问题，这会导致在分布外（OOD）预测时性能显著下降。
为了解决CSD和CSE问题，我们提出了加性因果构建（ACC）框架，该框架在两个层面上描述信息融合：首先，通过干预一致性建立多个系统间共享的因果“锚”，以实现因果图的可迁移性（CGT）；其次，将融合过程形式化为因果构建，并通过不确定性量化来建模构建路径的可靠性，从而确保因果图的可重构性（CGR）。
基于此，我们重新审视传统的因果表示学习（CRL），并提出ACC-CRL，作为该框架的可学习实例。该方法通过内容-机制解耦探索跨系统的联合因果内容表示，并在共享锚下执行响应对齐，以减轻CSD。此外，它结合结构不确定性以自适应调节融合过程，从而抑制不稳定的CSE。
我们在合成数据（ColorMNIST）和真实世界的多中心医学影像任务（微血管侵袭（MVI）预测）上进行了系统实验。结果表明，所提方法显著改善了OOD泛化能力，同时保持了在分布内（ID）的性能，验证了基于机制对齐和不确定性建模的ACC-CRL策略在开放环境中的有效性和鲁棒性。
博主点评： 该研究通过引入加性因果构建框架，为多源图像融合提供了一种新颖的解决方案，有效地应对了跨系统之间的差异与纠缠问题。其在不确定性建模方面的创新，尤其在医疗影像等复杂场景中的应用，具有重要的实际意义与潜力。