高校专区
从系数到方向：重新思考模型融合与方向对齐
机构 * University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； East China Normal University（华东师范大学） ； RIKEN（日本研究机构） ； The University of Tokyo（东京大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出方向对齐融合方法，通过统一几何框架对齐参数和特征空间的方向结构，提升模型融合的结构一致性与性能。
HeartFormer：用于3D四腔心脏点云重建的语义感知双结构变换器
机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford, UK（生物医学工程研究所，工程科学系，牛津大学，英国）
AI总结 HeartFormer通过语义感知双结构变换器网络和几何特征细化网络，实现3D四腔心脏点云的高保真重建，并构建首个大规模心脏数据集验证其性能。
一种用于从床边监测器提取生理数据的分层计算机视觉管道
机构 * Oxford University Clinical Research Unit（牛津大学临床研究单位） ； Trung Vuong Hospital（中ung Vuong医院） ； Nuffield Department of Medicine, University of Oxford（牛津大学医学系）
AI总结 本文提出了一种基于计算机视觉的分层管道，用于从床边监测器屏幕自动提取生命体征数据，实现了高精度的监测器和ROI检测，提升了低资源环境下的数据整合能力。
Comments 11 pages, 3 figures
像人类一样适应：具有测试时推理的元认知代理
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； University of Liverpool（利物浦大学） ； University College London（伦敦大学学院）
AI总结 本文提出元认知测试时推理框架，通过元认知自我更新实现模型在测试时的高效适应，实验表明其在Atari游戏中表现出优于基线的适应能力。
从像素到感受：将MLLMs对齐于人类对图像的认知感知
机构 * Oxford University（牛津大学） ； HKUST（香港科技大学） ； University College London（伦敦大学学院） ； New York University（纽约大学）
AI总结 本文提出CogIP-Bench基准，通过后训练提升MLLMs对图像认知属性的对齐能力，并展示其在图像生成中的应用。
Comments Project page with codes/datasets/models: https://follen-cry.github.io/MLLM-Cognition-project-page/
TRACE: 基于时间可靠性的解剖条件3D CT生成与增强效率
机构 * Department of Computer Science, Durham University（杜伦大学计算机科学系） ； Department of Automation, Tsinghua University（清华大学自动化系） ； College of Computer Science and Engineering, Dalian Minzu University（大连民族大学计算机科学与工程学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Jarvis Research Center, Tencent YouTu Lab（腾讯YouTu实验室 Jarvis 研究中心） ； School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院） ； Medical Artificial Intelligence Laboratory, School of Engineering, Westlake University（西湖大学工程学院医学人工智能实验室）
AI总结 TRACE通过2D多模态条件扩散方法生成具有时空对齐的3D CT图像，提升生成效率和解剖保真度。
Comments Accepted to MICCAI 2025 (this version is not peer-reviewed; it is the extended version)
k-SAT的一键学习
机构 * University of Oxford（牛津大学）
AI总结 该研究探讨了k-SAT问题的一键学习可行性，证明在可满足性阈值以下学习不可行，并提出了在不同β条件下学习的条件。
在数据污染下的分割置信预测
机构 * Department of Statistics, University of Oxford（统计系，牛津大学） ； Department of Statistics, University of Warwick（统计系，沃里克大学） ； Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校） ； Department of Mathematics, Université libre de Bruxelles（数学系，布鲁塞尔自由大学）
AI总结 本文研究了在数据污染环境下分割置信预测的鲁棒性，提出抗污染置信预测方法，并通过实验验证其有效性。
备忘录：通过强化学习训练内存高效的具身智能体
机构 * University of Oxford（牛津大学） ； Georgia Tech University（佐治亚理工学院） ； Toyota Motor Europe（丰田欧洲公司）
AI总结 Memo通过在训练过程中交错周期性总结标记与输入，实现内存高效的具身智能体强化学习训练，优于长上下文基线并更高效。
Comments Accepted for Spotlight Presentation at NeurIPS 2025
计算非线性分类器的战略响应
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学） ； Department of Engineering Science University of Oxford（工程科学系牛津大学）
AI总结 本文提出了一种通过优化拉格朗日对偶来计算非线性分类器战略响应的新方法，解决了现有方法在非线性设置中的局限性。
AI中的严谨性：进行严谨的AI工作需要一种更广泛、负责任的AI导向的严谨性观念
机构 * Microsoft Research（微软研究院） ； Cornell Tech（康奈尔科技学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Hugging Face（Hugging Face公司） ； Drexel University（德雷塞尔大学） ； University of Oxford（牛津大学）
AI总结 本文提出AI研究需更广泛的严谨性观念，涵盖方法论、背景知识、规范标准、理论构念、报告方式及推论支持等方面，以提升AI工作的责任性和严谨性。
Comments 21 pages, 1 figure, 1 table, accepted at NeurIPS'25 position papers track
图像作为IMU：从单张运动模糊图像估计相机运动
机构 * University of Oxford（牛津大学） ； Department of Computer Science（计算机科学系）
AI总结 本文提出了一种利用运动模糊估计相机运动的方法，通过预测运动流场和深度图，结合线性最小二乘问题恢复相机速度，实现高精度姿态估计。
Comments Project page: https://jerredchen.github.io/image-as-imu/
AMLP：可调掩码病变块用于自监督医学图像分割
机构 * State Key Laboratory of Reliability and Intelligence of Electrical Equipment, School of Health Sciences and Biomedical Engineering, Hebei University of Technology, Tianjin, China（河北工业大学可靠性与智能电气设备国家重点实验室，健康科学与生物医学工程学院，中国天津） ； Department of Computer Science, University of Oxford, Oxford, United Kingdom（英国牛津大学计算机科学系） ； institute of Logic and Computation, Vienna University of Technology, Vienna, Austria（奥地利技术大学逻辑与计算研究所）
AI总结 AMLP通过可调掩码策略和改进的损失函数，提升医学图像分割的自监督建模性能。
Comments © 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
门控不确定性感知的实时双不变量框架用于神经信号控制的机器人
机构 * Oxford Robotics Institute (ORI)（牛津机器人研究所） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学）
AI总结 GUARDIAN通过结合校准置信度的脑信号解码与符号目标接地和双层运行时监控，实现神经信号控制机器人系统的高安全性和可靠性。
Comments Embodied and Safe-Assured Robotic Systems workshop at NeurIPS 2025
Cloud4D: 高空间和时间分辨率下云特性估计
机构 * Department of Computer Science University of Oxford（计算机科学系牛津大学） ； Department of Physics Imperial College London（物理系伦敦帝国学院）
AI总结 Cloud4D通过同步地面相机和2D-3D变换器，实现了高空间和时间分辨率的云特性估计，提升空间-时间分辨率并保持高精度。
Comments NeurIPS 2025 Spotlight, project page: https://cloud4d.jacob-lin.com/
用于从连续组织学切片生成体积组织空间转录组的3D引导可扩展流匹配
机构 * Cambridge Stem Cell Institute, University of Cambridge（剑桥干细胞研究所，剑桥大学） ； Cambridge Center for AI in Medicine, University of Cambridge（剑桥人工智能医学中心，剑桥大学） ； Department of Medicine, University of Cambridge（剑桥大学医学系） ； Computer Science Department, University of Oxford（牛津大学计算机科学系） ； Computer Science Department, University of Helsinki（赫尔辛基大学计算机科学系） ； Institute for Molecular Medicine Finland, University of Helsinki（芬兰分子医学研究所，赫尔辛基大学） ； Wellcome Sanger Institute（沃森桑格研究所）
AI总结 HoloTea通过3D引导的流匹配框架，利用相邻切片信息提升3D空间转录组的生成精度和泛化能力。
Comments 19 pages
通过减少互信息进行缺失数据填补
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 本文提出了一种通过减少互信息来改进缺失数据填补的方法，通过迭代优化和ODE求解实现高效填补。
生成式AI用于动画：一种调查
机构 * University of Rochester（罗切斯特大学） ； UCSB ； University of Oxford（牛津大学） ； CMU（卡内基梅隆大学） ； Purdue University（普渡大学）
AI总结 本文调查生成式AI如何通过自动化任务革新传统动画流程，降低技术门槛，扩大创作者群体，并促进艺术创新。
Comments Accepted by ICCV 2025 AISTORY Workshop
图核神经网络
机构 * Oxford University（牛津大学） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出利用图核扩展卷积运算到图域，构建无需嵌入的结构模型，并通过实验展示其在图分类和回归任务中的有效性。
Journal ref EEE Transactions on Neural Networks and Learning Systems, vol. 36, no. 4, pp. 6257-6270, April 2025
无遗忘的融合：通过最优传输实现任务特定模型的持续融合
机构 * Tsinghua University（清华大学） ； University of Oxford（牛津大学） ； East China Normal University（华东师范大学） ； Zhejiang University（浙江大学） ； Tencent（腾讯） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出OTMF方法，通过最优传输理论解决模型融合中的分布偏移问题，实现任务特定模型的持续融合，提升多任务系统的准确性和效率。
向大型语言模型扩展主动测试
机构 * OATML, Department of Computer Science, University of Oxford（OATML，计算机科学系，牛津大学） ； Department of Statistics, University of Oxford（统计系，牛津大学）
AI总结 本文提出通过上下文学习低成本构建替代模型，实现对大型语言模型的高效主动测试，提升评估准确性并引入误差估计器。
Comments Published at NeurIPS 2025
为世界模型评估适应视觉-语言模型
机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院）
AI总结 本文提出UNIVERSE，一种基于视觉-语言模型的视频世界模型评估器，通过适应不同任务格式和数据约束，实现了细粒度、时间敏感的评估，与任务特定检查点性能相当，并在多种环境中验证了其与人类判断的一致性。
Comments NeurIPS LAW 2025 (Oral)
通过视频推理：首次评估视频模型在迷宫解决任务中的推理能力
机构 * DeepWisdom ； Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Renmin University of China（中国人民大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Xiamen University（厦门大学） ； Hong Kong University of Science and Technology (GuangZhou)（香港科技大学（广州））
AI总结 本文首次评估视频模型在迷宫解决任务中的推理能力，提出VR-Bench基准，展示视频生成在空间推理中的潜力。
翻译失灵：利用全局事实核查衡量多语言虚假信息的普遍性、传播与演变
机构 * Department of Mathematical Modeling and Machine Learning, University of Zurich, Switzerland（苏黎世大学数学建模与机器学习系） ； Digital Society Initiative, University of Zurich, Switzerland（苏黎世大学数字社会倡议） ； Oxford Internet Institute, University of Oxford, United Kingdom（牛津大学网络研究所） ； Meedan, San Francisco, United States（梅丹公司，旧金山，美国）
AI总结 本文通过分析多语言事实核查数据，揭示虚假信息在不同语言间的传播特性及演变过程，指出跨语言传播的挑战及本地化验证的重要性。
Journal ref EPJ Data Sci. 14, 22 (2025)
PanoDiffusion：通过扩散模型实现360度全景补全
机构 * Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学）
AI总结 PanoDiffusion通过双模潜在扩散模型实现360度全景补全，提升全景环绕一致性并生成高质量深度全景图。
Comments Project Page: https://sm0kywu.github.io/panodiffusion/
比较标记马尔可夫链：一种坎托-康托维奇方法
机构 * ICTEAM, UCLouvain（ICTEAM，UCLouvain） ； Department of Computer Science, University of Oxford（计算机科学系，牛津大学）
AI总结 本文提出了一种基于坎托-康托维奇距离的标记马尔可夫链比较方法，分析了其计算复杂性和近似性质，并证明了该距离的理论基础。
AngioDG：可解释的通道信息引导的特征调节单源领域泛化用于X射线血管造影中的冠状动脉分割
机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford, UK（牛津大学生物医学工程研究所，工程科学系，英国）
AI总结 AngioDG通过通道正则化策略提升X射线血管造影中冠状动脉分割的领域泛化能力，实现可解释的特征调节和领域不变特征增强。
极端呼吸运动下的心脏MRI分析：CMRxMotion挑战结果
机构 * Digital Medical Research Center, School of Basic Medical Sciences, Fudan University, Shanghai, Shanghai 200032, China ； Shanghai Key Laboratory of MICCAI, Fudan University, Shanghai, Shanghai 200032, China ； Department of Electrical ； Electronic Engineering \& I-X, Imperial College London, London, London SW7 2AZ, United Kingdom ； Department of Radiology, Zhongshan Hospital Affiliated to Fudan University, Shanghai, Shanghai 200032, China ； Department of Computing, Imperial College London, London, London SW7 2AZ, United Kingdom ； School of Computer Science, University of Sheffield, Sheffield, S1 4DP, United Kingdom ； Department of Engineering Science, University of Oxford, Oxford, OX2 0ES, United Kingdom ； Shanghai Pudong Hospital ； Human Phenome Institute, Fudan University, Shanghai, 201203, China ； School of Computer Science, University of Nottingham, Nottingham, NG8 1BB, United Kingdom ； Diagnostic Imaging, University of Alberta, Edmonton, AB T6G 1K4, Canada ； Department of Computer Science ； Engineering, The Chinese University of Hong Kong, Hong Kong, Hong Kong 000000, China ； The D-Lab, Department of Precision Medicine, GROW - Research Institute for Oncology ； Reproduction, Maastricht University, 6220 MD Maastricht, The Netherlands ； Department of Biomedical Engineering, Eindhoven University of Technology, Eindhoven 5612 AZ, The Netherlands ； Department of Radiology, Northwestern University, 737 N. Michigan Ave, Suite 1600, Chicago 60611, United States ； United Imaging Research, 393 Middle Huaxia Road, Pudong, Shanghai 201210, China ； Division of Image Processing, Department of Radiology, Leiden University Medical Center, PO Box 9600, Leiden 2300 RC, The Netherlands ； Université Bourgogne Europe, CNRS, ICMUB UMR 6302, 21000 Dijon, France ； Istanbul Technical University, Maslak, 34467, İstanbul, Türkiye ； Computer Science, Technical University of Darmstadt, Karolinenpl. 5, 64289 Darmstadt, Germany ； Lung Institute, Faculty of Medicine, Imperial College London, Guy Scadding Building, Cale Street, London, SW3 6LY,United Kingdom ； Hawkes Institute, Department of Computer Science, University College London, 66-72 Gower St, London, United Kingdom ； School of Medicine, University College Dublin, Belfield, Dublin, D04 V1W8, Ireland ； CeADAR: Ireland's Centre for AI, University College Dublin, Belfield, Dublin, D04 V1W8, Ireland ； Sano Centre for Computational Medicine, Czarnowiejska 36, 30-054, Krakow, Poland ； Faculty of Mathematics ； Computer Science, Jagiellonian University, S. Łojasiewicza 6, Krakow, Poland ； Department of Electronic ； Computer Engineering, The Hong Kong University of Science ； School of Instrument Science ； Engineering, Southeast University, Nanjing, Nanjing 210096, China ； College of Artificial Intelligence, Nanjing University of Aeronautics ； Academy for Engineering ； Technology, Fudan University, Shanghai, Shanghai 200433, China ； College of Biomedical Engineering, Fudan University, Shanghai, Shanghai 200433, China ； Institute of Science ； Technology for Brain-inspired Intelligence, Fudan University, Shanghai, Shanghai 200433, China ； Department of Brain Sciences, Imperial College London, London, London SW7 2AZ, United Kingdom ； Data Science Institute, Imperial College London, London, London SW7 2AZ, United Kingdom
AI总结 本文提出CMRxMotion挑战，通过公开数据集评估深度学习模型在呼吸运动干扰下的心脏MRI分析性能，并探讨运动伪影对临床生物标志物的影响。
人工智能工人、地缘政治与算法集体行动
机构 * Responsible Technology Institute（负责任技术研究所） ； Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学）
AI总结 本文探讨AI工人作为地缘政治行动者，强调需通过自下而上干预促进负责任的AI发展和算法集体行动。
通过大规模训练和与云服务提供商方法的基准测试来改进放射学报告去标识化性能
机构 * Stanford University（斯坦福大学） ； JP Morgan Chase & Co（摩根大通公司） ； Sorbonne University（索邦大学） ； University of Oxford（牛津大学） ； NVIDIA（英伟达） ； HOPPR ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种基于变压器的去标识化模型，通过大规模训练和与商业系统的基准测试，实现了在放射学报告中更高效的PHI检测性能。
Comments In submission to JAMIA
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈