AC/DC
PulseAugur coverage of AC/DC — every cluster mentioning AC/DC across labs, papers, and developer communities, ranked by signal.
- 2026-06-15 product_launch Renault Group's ACDC Hangzhou R&D office has officially opened, focusing on AI and software development. 来源
3 天有情绪数据
-
新方法通过傅里叶形变增强4D医学图像插值
研究人员开发了一种新颖的4D医学图像插值方法，该技术对于分析心脏MRI和胸部CT等应用中的动态解剖变化至关重要。这种新方法称为相位对齐有限傅里叶周期形变，利用有限傅里叶基将近周期性运动模式直接嵌入形变空间。它还包含一种相位对齐的时间重参数化，以更好地模拟不均匀的运动进程，将归一化时间映射到基于形变强度的潜在运动相位。在ACDC和4D-Lung数据集上的实验表明，该方法取得了最先进的性能，从稀疏观测中生成了解剖学上合理且连贯的中间体积。
-
新方法使用低秩速度场进行无监督4D医学图像插值
研究人员开发了一种新颖的无监督4D医学图像插值方法，该方法可以从稀疏采样的序列中合成中间体积。该技术利用低秩速度场作为结构先验，以确保插值图像中边界的稳定性和生理运动。该方法在粗到精的多尺度方案中对运动进行建模，通过组合尺度变形来创建任意时间点的体积。在ACDC和4D-Lung数据集上的实验表明，该方法取得了最先进的性能，甚至优于使用中间帧监督训练的方法。
-
新AI框架可从单次扫描合成心脏运动
研究人员开发了一个新颖的框架，可以从单次舒张末期（ED）解剖扫描合成全周期的双心室运动。该方法通过整合运动信息的功能分区和条件潜在流模型，解决了局部和表型依赖的心脏变形挑战。该框架将心室表面组织成具有连贯动力学的区域，并使用原型路由运动适配器进行表型条件合成，在ACDC、M&M's Adventure和M&Ms-2等数据集上的几何精度和功能保真度方面优于现有方法。
-
图学习框架解决了Transformer电路定位问题
研究人员推出了一种名为图电路学习（GCL）的新型框架，该框架将Transformer模型中的电路定位视为一个图机器学习问题。该方法跨多个模型-任务对训练图神经网络（GNN），以识别负责特定行为的稀疏子图。在评估中，GCL配置在基准数据集上实现了0.902的中位数边AUROC，显示了这种电路定位视角的前景。
-
新型CDGC-Net提升3D医学图像分割精度
研究人员开发了CDGC-Net，一种用于3D医学图像分割的新型网络。该网络集成了协同双尺度空间注意力与分组分层通道建模，以有效捕捉精细的边界细节和长距离解剖上下文。CDGC-Net在Synapse、ACDC、BraTS和LA等多个基准数据集上表现出卓越的性能，显著优于现有方法。此外，与UNETR++架构相比，该网络在分割精度和计算复杂度之间提供了有利的权衡，拥有更少的参数和FLOPs。
-
新框架改进少样本医学图像分割
研究人员开发了一种新颖的双层协同学习框架，以解决少样本涂鸦监督医学图像分割的挑战。该方法利用一个可学习的超像素模型为低层分割模型提供结构先验，然后将解剖学语义反馈给上层。这种双向交互生成可靠的伪标签并提高分割精度，在ACDC和Prostate数据集上优于现有方法。
-
OFD-Net：无需教师的医学图像分割框架发布
研究人员开发了OFD-Net，一种新颖的半监督医学图像分割框架，该框架不需要教师网络。该方法利用正交特征解耦模块（OFDM）将无标签数据分离为前景和背景表示，从而提高伪标签的可靠性并减少误差累积。该系统包含一个解耦引导模块（DGM）来注入结构先验，以及一个可靠性感知伪标签机制，该机制在训练期间降低不可靠区域的权重。在四个公开基准上的实验证明了OFD-Net在建立高效可靠的分割范式方面的有效性。
-
受生物启发的预处理增强了AI模型对光照变化的鲁棒性
研究人员开发了一种新颖的预处理模块，该模块受到人眼视网膜的启发，旨在增强深度神经网络在面对光照和天气条件变化等分布偏移时的鲁棒性。该方法结合了颜色重映射和局部对比度提取，以创建稀疏表征，强调结构特征，从而提高语义分割等任务的性能。该方法在保持分布内准确性的同时，显著提高了在具有挑战性的光照场景下的泛化能力，即使对比度表征的稀疏度高达70%。
-
SegWithU框架通过不确定性估计增强医学图像分割
研究人员开发了SegWithU，一种新颖的医学图像分割框架，无需多次推理即可准确估计不确定性。这种事后方法通过一个轻量级的不确定性头部来增强现有的分割模型，利用中间特征将不确定性建模为扰动能量。SegWithU在多个数据集上表现出色，在保持分割质量的同时取得了高AUROC和AURC分数，使其成为可靠医学图像分析的实用解决方案。
-
新型RF-HiT模型提供高效的医学图像分割
研究人员开发了RF-HiT，一种新颖的Rectified Flow Hierarchical Transformer，旨在实现高效准确的医学图像分割。该模型通过采用分层编码器和修正流，解决了现有Transformer和基于扩散的方法的计算复杂性和延迟问题，实现了线性复杂度和仅需三个步骤的快速推理。尽管效率很高，RF-HiT在ACDC和BraTS 2021等数据集上仍取得了有竞争力的性能，展示了计算成本和分割准确性之间的良好权衡。
-
元数据驱动的预训练提升心脏 MRI 模型性能
研究人员开发了 MetaCLIP-CMR，一个利用结构化采集元数据预训练心脏 MRI 基础模型的新框架。该方法将成像模态、解剖视图、扫描仪供应商和场强转换为文本监督，与仅图像的方法相比，显著提高了表示学习能力。MetaCLIP-CMR 在模态和 cine 视图分类方面表现出更高的准确性，并且在预训练数据量大大减少的情况下实现了具有竞争力的心脏分割性能。
-
AI研究优化自动驾驶分割的摄像头传感器
研究人员开发了一种用于自动驾驶摄像头传感器和AI模型协同设计的方法，重点优化传感器的彩色滤光阵列（CFA）权重。该方法在分割任务中表现出显著的改进，在KITTI-360和ACDC等数据集上将mIoU提高了高达0.023。研究发现，优化CFA权重比点扩散函数或噪声等其他传感器参数更具影响力，并且大于2x2的CFA块是有害的。
-
神经相位相关框架推广图像变换分析
研究人员开发了一个名为神经相位相关的新颖框架，它推广了传统的相位相关方法。这种新方法学习变换的基，使其能够处理密集的非刚性变形和酉动力学，而原始方法仅限于全局平移。该框架在医学成像基准测试中表现强劲，在心脏MRI配准和超声心动图方面与现有基线相当或超越。此外，它已被应用于量子力学，成功地从观测数据中恢复了量子谐振子的本征态和能级。
-
中国股市在人工智能发展背景下飙升至2.5万亿元以上
上海和深圳股市交易量显著，一度超过2.5万亿元人民币。创业板指数也创下历史新高，显示出强劲的市场表现。在这些金融动态中，提到了人工智能对就业的影响以及具体的人工智能相关新闻，例如微信支付可能推出的“AI专属卡”以及Anthropic的Fable 5模型面临的问题。
-
雷诺集团在杭州开设人工智能和软件研发办公室
雷诺集团已宣布其位于杭州的ACDC研发办公室正式启用。该新设施将专注于软件、人工智能和用户交互体验等前沿技术。此举标志着雷诺致力于在关键领域推进其技术能力。
-
新框架将医学图像数据集需求映射到分割模型设计
研究人员引入了医学分割数据集知识卡（MS-DKC）框架，以更好地理解医学图像数据集对分割模型的具体要求。该框架明确记录了数据集的特征，如前景占用率、形态和标注质量。通过将这些因素映射到潜在的故障模式和设计先验，MS-DKC旨在使分割模型的设计过程更具可追溯性和数据集条件性。
-
新的FedS2R框架改进了自动驾驶分割
研究人员推出FedS2R，一个新颖的单次联邦域泛化框架，专门用于自动驾驶中的合成到真实域语义分割。该框架解决了在不共享原始数据的情况下跨不同数据集训练模型的挑战，这是隐私和效率的关键方面。FedS2R采用不一致驱动的数据增强策略和具有特征融合的多客户端知识蒸馏方案来提高模型性能。在多个真实世界数据集上的实验表明，与单个客户端模型相比，FedS2R显著增强了模型能力，取得了接近完全数据访问训练的模型的结果。
-
BiSegMamba 提高了3D 医学图像分割的效率
研究人员开发了 BiSegMamba，一种用于3D医学图像分割的新型网络架构，可提高效率和准确性。与之前的基于 Mamba 的方法不同，BiSegMamba 采用双向三向方法从多个正交视图对长距离依赖性进行建模，显著降低了计算成本。在各种数据集上的实验表明，它在不同分割任务中的有效性，同时在效率方面优于现有模型。
-
Spotify与UMG合作推出AI音乐混音
Spotify已与环球音乐集团（Universal Music Group）合作，允许用户生成UMG曲库中歌曲的AI驱动的混音和翻唱。这项新功能被宣传为面向“超级粉丝”的高级功能，旨在加深他们与艺术家的联系。然而，批评者认为，使用AI进行音乐创作是对人类创造力和艺术家本人的侮辱，其生成的结果与人类创作的翻唱相比，往往显得平淡乏味。
-
ZScribbleSeg框架使用高效的涂鸦标注进行医学图像分割
研究人员开发了ZScribbleSeg，一个旨在通过高效的涂鸦标注改进医学图像分割的新框架。该方法通过最大化从有限涂鸦输入中获得的监督来解决完全标注数据集的劳动密集型问题。ZScribbleSeg 结合了空间关系和形状约束，利用 EM 算法进行准确的类别比例估计，并在六个不同的分割任务中展示了具有竞争力的性能。