Oasis 3
PulseAugur coverage of Oasis 3 — every cluster mentioning Oasis 3 across labs, papers, and developer communities, ranked by signal.
- 2026-06-10 product_launch Decart launched Oasis 3, a real-time world model for generating photorealistic driving environments. 来源
- 2026-06-10 product_launch Decart launched Oasis 3, a real-time world model for generating photorealistic driving environments for autonomous vehicle testing. 来源
- 2026-06-10 product_launch Decart launched Oasis 3, an interactive world model for generating photorealistic driving environments. 来源
5 天有情绪数据
-
新型AI模型从MRI合成Tau-PET图像用于阿尔茨海默病研究
研究人员开发了SFL-Net，一个旨在从多对比度MRI扫描合成Tau-PET图像的新型框架。该方法利用现成的MRI数据，解决了用于阿尔茨海默病分期的Tau-PET成像的规模化挑战。SFL-Net分解潜在表示并保留解剖细节，在各种保真度和重建指标上优于基线模型，同时还提供增强的可审计性。
-
新AI模型利用fMRI数据改进阿尔茨海默病预测
研究人员开发了一种新颖的SDE驱动的时空超图神经网络（SDE-HGNN），以改进使用纵向fMRI数据对阿尔茨海默病进展的建模。该框架通过重建连续的潜在轨迹和构建动态超图来捕捉复杂的时间交互作用，解决了不规则数据采样和缺失访视带来的挑战。该模型还通过基于稀疏性的学习机制识别重要的脑区和连接模式。在OASIS-3和ADNI队列上的实验表明，SDE-HGNN在预测AD进展方面优于现有的图和超图方法。
-
临床VLM评估显示提示框架存在“支架效应”
一篇题为“支架效应：提示框架如何驱动临床VLM评估中看似的多模态收益”的新研究论文，揭示了在临床环境中评估视觉语言模型（VLM）性能时存在的一个重大问题。研究发现，当评估临床神经影像数据时，较小的VLM表现出显著的性能提升，F1分数最高可达58%。然而，这种提升很大程度上归因于提示中仅仅提及神经影像学背景，这种现象被称为“支架效应”，而非真正的证据整合。专家评估还揭示了捏造的诊断理由，表明当前的评估方法可能无法准确反映真实的多模态推理能力。
-
新的SMART框架提供了一种灵活、可解释的医学成像大脑图谱
研究人员开发了SMART，一种用于从高分辨率医学成像数据创建灵活、可解释且可扩展的时空大脑图谱的新型框架。与以前的黑盒模型不同，SMART通过学习连续的疾病时间图谱，将全局疾病动态与个体解剖学表现分离开来。该方法使用特定区域的微分方程来模拟沿共享疾病时间线的进展，并采用神经细胞自动机进行个性化。在对阿尔茨海默病进行的五个纵向MRI数据集上进行测试，SMART展示了最先进的预测准确性和改进的时间一致性。
-
深度学习模型可预测阿尔茨海默病进展并进行不确定性估计 · 已追踪 4 个来源
研究人员开发了一个深度学习框架，以提高阿尔茨海默病进展预测的准确性和不确定性估计。该概率模型改编自时间融合 Transformer，可预测未来五年内的诊断状态和生物标志物水平，在 ADNI 数据集上优于现有基线。该系统还将不确定性分解为偶然不确定性和认知不确定性成分，在较罕见的进展类型以及轻度认知障碍或痴呆症患者中观察到较高的认知不确定性。
-
Decart 发布 Oasis 3 用于真实的 AV 测试环境
Decart 发布了 Oasis 3，一个旨在为自动驾驶汽车测试创建照片级真实驾驶环境的实时世界模型。该新模型可以实时模拟广泛的驾驶场景，现已通过 API 向开发者开放。
-
Decart 发布 Oasis 3，用于实时逼真驾驶模拟
AI 初创公司 Decart 推出了 Oasis 3，这是一款新的交互式世界模型，能够实时生成逼真的驾驶环境。该模型可通过 API 使用，最初面向需要模拟罕见驾驶场景的自动驾驶汽车公司，并计划扩展到机器人和其他物理 AI 应用。Decart 旨在效仿 OpenAI 在语言模型方面的做法，围绕其世界模型构建开发者生态系统，并利用其高效的 Decart Optimization Stack (DOS) 提供具有竞争力的价格。
-
LongMoE框架解决了多模态临床学习中的缺失数据问题
研究人员推出了一种新颖的框架LongMoE，旨在解决多模态临床学习的复杂性。该方法有效解决了两个关键挑战：不同患者模态中的数据缺失以及疾病进展的时间动态。通过整合上下文感知填充、轨迹感知编码和一个稀疏专家混合系统，LongMoE即使在患者数据不完整或不一致的情况下，也能对疾病随时间的演变进行建模。
-
新的PRA-PoE框架通过处理缺失数据改进阿尔茨海默病诊断
研究人员开发了PRA-PoE，一个新颖的多模态学习框架，旨在改进阿尔茨海默病诊断，即使在某些模态数据缺失的情况下。该框架通过显式建模模态可用性和不确定性，解决了现实世界临床评估中不同缺失模式的挑战。PRA-PoE利用原型锚定表示对齐来减少表示偏移，并利用不确定性感知的专家乘积进行鲁棒融合，在关键数据集上表现优于现有方法。