本文提出了一种基于多图匹配的框架，克服了医学图像分割中领域泛化方法的局限性。通过引入可学习的宇宙嵌入，该方法在医学图像分割任务中表现优于其他技术，展现出更强的适应能力和鲁棒性。

该文介绍了一种新的数据驱动方法，用于部分多图匹配。该方法基于图上深度学习的最新进展，验证了在多图循环一致性保证的情况下的有效性，并在用合成图匹配数据集进行的受控实验集上证明了该方法的可伸缩性和对高度偏差的鲁棒性。