Columbia University（哥伦比亚大学）

Cross Modality Image Translation In Medical Imaging Using Generative Frameworks

利用生成框架在医学影像中实现跨模态图像翻译

Giulia Romoli, Alessia Capoccia, Filippo Ruffini, Francesco Di Feola, Luca Boldrini, Arturo Chiti, Renato Cuocolo, Tugba Akinci D'Antonoli, Fatemeh Darvizeh, Marcello Di Pumpo, Bradley J. Erickson, Liu Fang, Deborah Fazzini, Paola Feraco, Fabrizia Gelardi, Francesco Gossetti, Ana Isabel Hernáiz Ferrer, Michail E. Klontzas, Seyedmehdi Payabvash, Katrine Riklund, Sara N. Strandberg, Valerio Guarrasi, Paolo Soda

机构 * Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University（诊断与介入部门、放射物理、生物医学工程，乌梅大学） ； Unit of Artificial Intelligence and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，工程部门，罗马生物医学学院） ； Vita-Salute San Raffaele University（维塔-萨拉特·桑拉法埃莱大学） ； Department of Medicine, Surgery and Dentistry, University of Salerno（医学、外科和牙科部门，萨勒诺大学） ； Division of Diagnostic and Interventional Neuroradiology, Department of Radiology, University Hospital Basel（诊断和介入神经放射学部门，放射学部门，巴塞尔大学医院） ； Department of Pediatric Radiology, University Children’s Hospital Basel（儿科放射学部门，巴塞尔儿童医院） ； Department of Life Science and Public Health, Università Cattolica del Sacro Cuore（生命科学与公共健康部门，圣心大学） ； Athinoula A. Martinos Center for Biomedical Imaging（阿提诺拉A·马里诺斯生物医学成像中心） ； Artificial Intelligence and Translational Imaging (ATI) Lab, Department of Radiology, School of Medicine, University of Crete（人工智能与转化成像（ATI）实验室，放射学部门，医学院，克里特大学） ； Division of Radiology, Department of Clinical Science, Intervention and Technology (CLINTEC), Karolinska Institute（放射学部门，临床科学、介入和科技（CLINTEC）部门，卡罗林斯卡研究所） ； Columbia University Medical Center（哥伦比亚大学医学中心） ； Department of Diagnostics and intervention, Diagnostic radiology, Umeå University（诊断与介入部门，诊断放射学，乌梅大学） 纠错

AI总结 本文提出了一种标准化的3D医学图像跨模态翻译评估框架，比较了七种生成模型在不同数据集上的性能，揭示了GANs在不同任务中优于潜在生成模型，并发现合成影像在临床应用中难以区分。

Amortized Guidance for Image Inpainting with Pretrained Diffusion Models

基于预训练扩散模型的图像修复的 amortized 指导

Yilie Huang, Xun Yu Zhou

机构 * Department of Industrial Engineering and Operations Research, Columbia University, New York, NY 10027, USA（工业工程与运筹学系，哥伦比亚大学，纽约，NY 10027，美国） ； Department of Industrial Engineering and Operations Research & Data Science Institute, Columbia University, New York, NY 10027, USA（工业工程与运筹学系及数据科学研究所，哥伦比亚大学，纽约，NY 10027，美国） 纠错

AI总结 本文提出AID模型，通过预训练扩散模型和离线训练的指导模块，在多种掩码类型下提升图像修复的质量-速度平衡，训练开销低。

ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation

ChipMATE: 通过强化学习进行多智能体训练以提升RTL生成

Zhongkai Yu, Yichen Lin, Chenyang Zhou, Yuwei Zhang, Kun Zhou, Junxia Cui, Haotian Ye, Zhengding Hu, Zaifeng Pan, Ruiyi Wang, Yujie Zhao, Hejia Zhang, Jingbo Shang, Jishen Zhao, Yufei Ding

机构 * UCSD（加州大学圣迭戈分校） ； Columbia University（哥伦比亚大学） 纠错

AI总结 ChipMATE是首个自训练多智能体RTL生成框架，通过相互验证的智能体和混合数据生成框架提升生成质量，实现75.0%和80.1%的VerilogEval V2通过率。

Graph-Based Financial Fraud Detection with Calibrated Risk Scoring and Structural Regularization

基于图的金融欺诈检测：校准风险评分与结构正则化

Yunfei Nie, Jiawei Wang, Ruobing Yan, Yuhan Wang, Zouxiaowei Ma, Yilun Wu

机构 * Brandeis University（布雷纳大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Georgetown University（乔治城大学） ； Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

AI总结 本文提出一种图神经网络表示学习与风险鉴别框架，通过整合交易记录和身份信息构建交易图，利用多层消息传递机制和结构正则化提升欺诈检测的准确性和稳定性。

Efficient Generative Prediction for EHR Foundation Models: The SCOPE and REACH Estimators

高效生成预测用于电子健康记录基础模型：SCOPE和REACH估计量

Luke Solo, Matthew B. A. McDermott, William F. Parker, Bashar Ramadan, Michael C. Burkhart, Brett K. Beaulieu-Jones

机构 * University of Chicago（芝加哥大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出SCOPE和REACH估计量，通过利用未被标准蒙特卡洛方法利用的下一个令牌概率分布，提高了生成模型在电子健康记录中的临床预测性能，同时显著降低计算成本和方差。

Comments 10 pages, 4 figures, 1 Table

Robotic Manipulation by Imitating Generated Videos Without Physical Demonstrations

通过模仿生成视频实现机器人操作

Shivansh Patel, Shraddhaa Mohan, Hanlin Mai, Unnat Jain, Svetlana Lazebnik, Yunzhu Li

机构 * UIUC（伊利诺伊大学香槟分校） ； UC Irvine（加州大学尔湾分校） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出RIGVid系统，通过模仿AI生成视频使机器人完成复杂操作任务，无需物理示范或特定机器人训练。系统利用视频扩散模型生成潜在示范视频，并通过视觉语言模型筛选符合指令的视频，再通过6D姿态跟踪器提取轨迹并映射到机器人。实验表明生成视频效果与真实示范相当，且性能随生成质量提升。

Comments In ICLR 2026. Website: https://rigvid-robot.github.io/