我们关注 3D 医学图像分割中的自适应计算问题。传统做法是设计更强的网络骨干，而本文提出让优化器自行决定每个网络阶段需要多少光谱混合。为此我们从分数热方程的离散余弦变换（DCT）解出一个两参数算子族 FHEAT，其形式受分数阶 (\alpha) 与扩散强度 (D) 控制，且在 (D=0) 时恰为恒等映射。
通过重新参数化为半群时间 (\tau = D\cdot\alpha)，相同分辨率的实例可以精确组合，这意味着在同分辨率阶段的扩散分配等价于一个 Sobolev 类型的正则化项，强度由学习得到。该恒等极限让每层的优化器而非设计者决定是否需要全局混合以及混合的锐度。
我们在轻量化 U 形结构 Light-UNETR 中实现 FHEAT，并配合 Kolmogorov‑Arnold Mixer (KAN3D) 与自适应有理激活函数，形成 FHEAT‑Seg。在三个公开基准的 5%‑20% 标注比例下训练，出现梯度驱动的光谱稀疏化现象：八个阶段中有七个的 (D) 被压至零，唯一保留下来的层在解码器中对半监督注意力图使用最锐的低通滤波（(\alpha\approx0.9)）。这些被“退休”的层在推理时直接作为恒等快捷连接，使 FLOPs 从 4.29G 降至 0.90G（下降 79%），参数量保持在 0.975M。
在标准半监督协议下，FHEAT‑Seg 在左心房、Pancreas‑CT 与 BraTS 2019 上分别取得 Dice 90.47%、78.79% 与 81.90%，超越五种半监督方法及 Light‑UNETR 基线。其大模型变体在全监督下也超过 Light‑UNETR‑L（Dice 93.09%、85.11%、87.19%），参数 2.851M，FLOPs 55.75G。
这些实验表明，光谱计算的分配是一种可被优化动力学学习的属性，而非需要人工手工设计的固定策略。
点评：本文通过分数扩散算子将光谱混合抽象为可学习的正则化，展示了在低标注条件下显著的计算削减与分割性能提升，为自适应医学分割提供了新思路。