Johns Hopkins University（约翰斯·霍普金斯大学）

NEvo: Neural-Guided Evolutionary Video Synthesis for Dynamic Visual Selectivity

NEvo: 神经引导的动态视觉选择性视频合成

Yingtian Tang, Sogand Salehi, Ming Zhou, Amir Zamir, Leyla Isik, Martin Schrimpf

机构 * EPFL（苏黎世联邦理工学院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出神经引导视频合成框架NEvo，通过进化搜索优化视频刺激以激活目标脑区，揭示视觉皮层动态选择性，并发现侧流对社会动态特征的敏感性。

Comments 10 pages, 6 figures

Patient-Specific Articulated Digital Twins from a Single Full-Body CT Scan

患者特异性关节式数字孪生：基于单次全身CT扫描

Han Zhang, Boyang Zhao, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出从单次全身CT扫描构建患者特异性关节式数字孪生的方法，通过SMPL模型拟合、解剖感知绑定和姿态重定向，实现姿态可控的解剖模型，验证了其在保持骨骼几何和放射学结构方面的有效性。

CALM: Interpretable Cross-Modal Alignment for Biomarker Discovery from Unpaired Data

CALM: 可解释的跨模态对齐用于从非配对数据中发现生物标志物

Jueqi Wang, Zachary Jacokes, John Darrell Van Horn, Kevin A. Pelphrey, Michael C. Schatz, Archana Venkataraman

机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； School of Data Science, University of Virginia（弗吉尼亚大学数据科学学院） ； Department of Psychology, University of Virginia（弗吉尼亚大学心理学系） ； Department of Neurology, University of Virginia（弗吉尼亚大学神经病学系） ； Departments of Computer Science and Biology, Johns Hopkins University（约翰霍普金斯大学计算机科学与生物学系） 纠错

AI总结 提出CALM框架，通过线性投影对齐脑区和遗传通路的潜在分布，从完全不相交的人群中学习可解释的跨模态关联，在自闭症谱系障碍数据上优于现有方法。

Comments Accepted to MICCAI 2026