Imperial College London（帝国理工学院）

Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models

大的、明亮的还是不可见的：3D CT基础模型的冻结特征基准测试

Maulik Chevli, Johannes Brandt, Rickmer Braren, Daniel Rueckert, Philip Müller

机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； UKE Hamburg（汉堡大学医院） 纠错

AI总结 本研究对10个冻结CT编码器开展基准测试，发现性能主要取决于异常的对比度与空间范围，小型低对比度病变仍是挑战，需区域或病变级预训练。

On the Anisotropy of Score-Based Generative Models

基于得分的生成模型的各向异性研究

Andreas Floros, Seyed-Mohsen Moosavi-Dezfooli, Pier Luigi Dragotti

机构 * Imperial College London（伦敦帝国学院） ； Apple（苹果公司） 纠错

AI总结 该研究针对基于得分的生成模型，引入依赖架构的得分各向异性方向（SADs），通过合成数据和图像基准验证其可捕获模型行为并关联下游性能，为预测生成模型泛化能力提供新方法。