Huazhong University of Science and Technology（华中科技大学）

Linguistically-Aligned and Visually-Grounded Preference Optimization for Clinically-Augmented Medical Report Generation

面向临床增强型医疗报告生成的语言对齐与视觉 grounded 的偏好优化

Qiang Hu, Yuxuan Luo, Yingjie Guo, Hao Wang, Qimei Wang, Qiang Li, Zhiwei Wang

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 针对现有医疗报告生成方法的临床事实错误与视觉-语言对齐不足问题，提出DPO-Clin框架，通过ECD模块、M²DPO及反事实偏好数据构建提升模型可靠性，在多医学数据集上取得优异性能。

Comments Accepted by ECCV 2026

DeCo: Zero-Shot Industrial Anomaly Generation through Decoupling and Recoupling

DeCo：通过解耦与重耦实现零样本工业异常生成

Shilei Zeng, Xurui Li, Yaohan Tang, Yu Zhou

机构 * School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） 纠错

AI总结 本文提出DeCo方法，通过解耦与重耦实现零样本工业异常生成，解决现有方法的局限，在MVTec AD和VisA数据集上训练下游检测模型分别获5.1%、8.2%的像素级AP提升，达到新最优性能。

Comments Accepted at ECCV2026

UniScale: Arbitrary-Scale Industrial Anomaly Generation

UniScale：任意尺度的工业异常生成

Shilei Zeng, Linxin Guan, Xurui Li, Yaohan Tang, Yu Zhou

机构 * School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） 纠错

AI总结 针对工业异常检测中真实异常样本不足及小尺度异常易丢失的问题，提出UniScale框架，通过EMT策略和生成后融合去噪方法，在VisA、MVTec AD 2等数据集上显著优于现有方法。

Comments Accepted at ECCV2026