Harvard University（哈佛大学）

RefineAnything: Multimodal Region-Specific Refinement for Perfect Local Details

RefineAnything: 多模态区域特定细化以实现完美局部细节

Dewei Zhou, You Li, Zongxin Yang, Yi Yang

机构 * RELER, CCAI, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室、人工智能研究所） ； DBMI, HMS, Harvard University（哈佛大学医学院生物医学信息学系） 纠错

AI总结 本文提出区域特定图像细化方法，通过多模态扩散模型实现局部细节恢复，同时保持非编辑区域不变，引入边界一致性损失和Focus-and-Refine策略提升效果。

Comments 18 pages

MedConclusion: A Benchmark for Biomedical Conclusion Generation from Structured Abstracts

MedConclusion：一个用于从结构化摘要中生成生物医学结论的基准数据集

Weiyue Li, Ruizhi Qian, Yi Li, Yongce Li, Yunfan Long, Jiahui Cai, Yan Luo, Mengyu Wang

机构 * Harvard AI and Robotics Lab, Harvard Medical School（哈佛大学医学院哈佛人工智能与机器人实验室） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学肯普纳自然与人工智能研究所） 纠错

AI总结 本文提出MedConclusion数据集，包含570万篇PubMed结构化摘要，用于生物医学结论生成。通过配对摘要非结论部分与原始结论，提供证据到结论推理的自然监督。数据集还包含期刊级元数据，支持跨生物医学领域的子组分析。

Evidence-Based Actor-Verifier Reasoning for Echocardiographic Agents

基于证据的Actor-验证者推理用于超声波代理

Peng Huang, Yiming Wang, Yineng Chen, Liangqiao Gui, Hui Guo, Bo Peng, Shu Hu, Xi Wu, Tsao Connie, Hongtu Zhu, Balakrishnan Prabhakaran, Xin Wang

机构 * University at Albany, SUNY（纽约州立大学奥尔巴尼分校） ； Southwest Jiaotong University（西南交通大学） ； Purdue University（普渡大学） ； Chengdu University of Information Technology（成都信息工程大学） ； Harvard Medical School（哈佛医学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出EchoTrust框架，通过结构化中间表示和不同角色分析，提升超声波临床决策支持系统中推理的可靠性与可解释性。

Comments cvprw 2026(AIMS)

Incentive-Aware Multi-Fidelity Optimization for Generative Advertising in Large Language Models

面向激励的多保真度优化用于大语言模型生成广告

Jiayuan Liu, Barry Wang, Jiarui Gan, Tonghan Wang, Leon Xie, Mingyu Guo, Vincent Conitzer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adelaide University（阿德莱德大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出IAMFM框架，结合VCG激励与多保真度优化，解决生成广告中广告商策略行为和高成本的约束问题，通过主动反事实优化提升计算效率，实验表明其在不同预算下优于单保真度基线。

Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling

通过临床验证的退化建模将光子计数CT转化为常规胸部CT

Junqi Liu, Xinze Zhou, Wenxuan Li, Scott Ye, Arkadiusz Sitek, Xiaofeng Yang, Yucheng Tang, Daguang Xu, Kai Ding, Kang Wang, Yang Yang, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of California, San Francisco（加州大学旧金山分校） ； Harvard Medical School（哈佛医学院） ； Emory University（埃默里大学） ； Nvidia（英伟达） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

AI总结 本文提出SUMI方法，利用高质光子计数CT作为参考，通过建模真实退化过程，将低质常规CT提升至高质量图像，实现了在胸部CT中的显著性能提升。