Johns Hopkins University（约翰斯·霍普金斯大学）

Point Tracking in Surgery--The 2025 Surgical Tattoos in Infrared Challenge (STIRC2025)

手术中的点跟踪——2025年红外手术纹身挑战（STIRC2025）

Adam Schmidt, Mert Asim Karaoglu, Zijian Wu, Jiaming Zhang, Yuxin Chen, Tim Salcudean, Ho-Gun Ha, Minkang Jang, Kyungmin Jung, Ihsan Ullah, Hyunki Lee, Suresh Guttikonda, Sarah Latus, Alexander Schlaefer, Xinkai Zhao, Yuichiro Hayashi, Masahiro Oda, Takayuki Kitasaka, Kensaku Mori, Peng Liu, Chenyang Li, Stefanie Speidel, Aoife Gardiner, Agostino Stilli, Danail Stoyanov, Francisco Vasconcelos, Anwesa Choudhuri, Meng Zheng, Zhongpai Gao, Benjamin Planche, Van Nguyen Nguyen, Terrence Chen, Ziyan Wu, Alexander Ladikos, Omid Mohareri

机构 * Intuitive Surgical Inc.（直观外科公司） ； ImFusion GmbH（ImFusion有限公司） ； Technical University of Munich（慕尼黑工业大学） ； University of British Columbia（英属哥伦比亚大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院） ； Hamburg University of Technology（汉堡工业大学） ； SustAInLivWork Center of Excellence（可持续生活工作卓越中心） ； Graduate School of Informatics, Nagoya University（名古屋大学信息科学研究生院） ； Information Technology Center, Nagoya University（名古屋大学信息技术中心） ； Department of Information Science, Aichi Institute of Technology（爱知工业大学信息科学系） ； Research Center for Medical Bigdata, National Institute of Informatics（国立信息学研究所医学大数据研究中心） ； Department of Translational Surgical Oncology, National Center for Tumor Diseases (NCT), NCT/UCC Dresden, a partnership between DKFZ, Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresde（德累斯顿国家肿瘤疾病中心（NCT）转化外科肿瘤学系，NCT/UCC德累斯顿，由德国癌症研究中心、医学院和卡尔·古斯塔夫·卡鲁斯大学医院、德累斯顿工业大学合作成立） 纠错

AI总结 介绍2025年手术点跟踪挑战（STIRC2025），参与者提交算法基于红外手术纹身数据集（STIR）评估，含准确性和效率两组件，作为MICCAI EndoVis 2025一部分进行，总结结果与方法，数据集和代码可获取。

Comments 9 pages, 12 figures. arXiv admin note: substantial text overlap with arXiv:2503.24306

Let RGB Be the Language of Vision

让 RGB 成为视觉的语言

Timing Yang, Jinrui Yang, Xinlong Li, Yuhan Wang, Haoran Li, Yanqing Liu, Guoyizhe Wei, Jixuan Ying, Chen Wei, Rama Chellappa, Yuyin Zhou, Cihang Xie, Alan Yuille, Feng Wang

机构 * Johns Hopkins University（约翰·霍普金斯大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Rice University（莱斯大学） 纠错

AI总结 该研究为视觉模型引入统一表述 RGB In and RGB Out（RINO），将多种视觉信息转为 RGB 图像编辑问题，共享架构参数，基于通用主干无需微调，在多视觉任务上有强大零样本性能，为统一视觉语言系统提供见解。

SymbOmni: Evolving Agentic Omni Models via Symbolic Concept Learning

SymbOmni：通过符号概念学习进化智能全能模型

Jinxiu Liu, Jianru Li, Tanqing Kuang, Xuanming Liu, Kangfu Mei, Yandong Wen, Weiyang Liu

机构 * South China University of Technology（华南理工大学） ； Westlake University（西湖大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 针对视觉生成模型无法累积学习与自主进化的问题，提出SymbOmni智能全能模型，通过符号概念学习和归纳-转导循环运行，经言语反向传播训练。实验验证其在多方面性能优越，能有效降低令牌消耗并实现持续学习。

Comments ECCV 2026 (49 pages, 10 figures, project page: https://spherelab.ai/symbomni)

Egocentric Bias in Vision-Language Models

视觉语言模型中的自我中心偏差

Maijunxian Wang, Yijiang Li, Bingyang Wang, Tianwei Zhao, Ran Ji, Qingying Gao, Emmy Liu, Hokin Deng, Dezhi Luo

机构 * Cognitive Science Program, University of California, Berkeley（加州大学伯克利分校认知科学项目） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； School of Computer Science, Georgia Institute of Technology & Emory University（佐治亚理工学院计算机科学学院及埃默里大学） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Cognitive Science, University of California San Diego（加州大学圣地亚哥分校认知科学系） ； Equal Advising Department of Computer Science & Wilmer Eye Institute, Johns Hopkins University（约翰霍普金斯大学计算机科学系及威尔默眼科研究所） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Weinberg Institute for Cognitive Science, University of Michigan（密歇根大学韦恩伯格认知科学研究所） 纠错

AI总结 本文提出FlipSet基准，揭示视觉语言模型在第二级视觉视角推理中存在系统性自我中心偏差，表明模型在整合社会认知与空间操作方面存在根本性不足。

Comments Accepted at CogSci 2026 (Best Undergraduate Student Paper)

Together, Then Apart: Balancing Alignment and Distinctiveness for Multimodal Survival Analysis

在一起，然后分开：平衡多模态生存分析中的对齐与独特性

Wenjing Liu, Qin Ren, Wen Zhang, Yuewei Lin, Chenyu You

机构 * Stony Brook University（石溪大学） ； Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Brookhaven National Laboratory（布鲁赫林国家实验室） 纠错

AI总结 针对多模态生存分析，提出TTA框架，先基于原型对齐捕获跨模态共享结构，再通过锚定引导对比目标鼓励模态特定独特性，用不平衡最优传输处理模态不平衡和噪声对应，在多个癌症队列上评估，提升了生存预测并揭示可解释模式。