Johns Hopkins University（约翰斯·霍普金斯大学）

Encoder-Only Image Registration

仅编码器图像配准

Xiang Chen, Renjiu Hu, Jinwei Zhang, Yuxi Zhang, Xinyao Yu, Min Liu, Yaonan Wang, Hang Zhang

机构 * School of Artificial Intelligence and Robotics, Hunan University（人工智能与机器人学院，湖南大学） ； Cornell University（康奈尔大学） ； Department of Electrical and Computer Engineering, Johns Hopkins University（电气与计算机工程系，约翰霍普金斯大学） ； Department of Electrical and Computer Engineering, National University of Singapore（电气与计算机工程系，国立新加坡大学） 纠错

AI总结 EOIR通过仅编码器架构实现图像配准的高精度与高效率平衡，利用卷积网络线性化局部强度和和谐化全局对比度变化，构建拉普拉斯特征金字塔以逐步生成全微分变形。

Comments accepted by IEEE Transactions on Circuits and Systems for Video Technology

A large-scale heterogeneous 3D magnetic resonance brain imaging dataset for self-supervised learning

一种大规模异构三维磁共振脑成像数据集用于自监督学习

Stefano Cerri, Asbjørn Munk, Jakob Ambsdorf, Julia Machnio, Sebastian Nørgaard Llambias, Vardan Nersesjan, Christian Hedeager Krag, Peirong Liu, Pablo Rocamora García, Mostafa Mehdipour Ghazi, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen

机构 * Department of Computer Science, University of Copenhagen（计算机科学系，哥本哈根大学） ； Pioneer Centre For AI（人工智能先锋中心） ； Copenhagen Research Centre for Biological and Precision Psychiatry（哥本哈根生物与精准精神病学研究中心） ； Mental Health Centre Copenhagen（哥本哈根心理健康中心） ； Copenhagen University Hospital（哥本哈根大学医院） ； Rigshospitalet（皇家医院） ； Radiological AI Testcenter（放射学AI测试中心） ； Athinoula A. Martinos Center for Biomedical Imaging（Athinoula A. Martinos生物医学成像中心） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 FOMO300K是一个大规模异构三维磁共振脑成像数据集，旨在支持自监督学习在医学影像中的发展和评估。

ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack

ReasAlign: 基于推理增强的安全对齐以抵御提示注入攻击

Hao Li, Yankai Yang, G. Edward Suh, Ning Zhang, Chaowei Xiao

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA（NVIDIA公司） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 ReasAlign通过结构化推理和测试时缩放机制，有效防御提示注入攻击，实现安全与效用的最佳平衡。

Comments 15 pages, 10 figures

Adaptive Label Error Detection: A Bayesian Approach to Mislabeled Data Detection

自适应标签错误检测：一种用于误标数据检测的贝叶斯方法

Zan Chaudhry, Noam H. Rotenberg, Brian Caffo, Craig K. Jones, Haris I. Sair

机构 * Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Systems, Synthetic, and Quantitative Biology Program, Harvard University（哈佛大学系统、合成与定量生物学项目） ； Yale School of Medicine（耶鲁医学院） ； Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布卢姆伯格公共卫生学院生物统计学系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院放射学与放射科学系） ； Malone Center for Engineering in Healthcare, The Whiting School of Engineering, Johns Hopkins University（约翰霍普金斯大学医疗工程中心，工程学院） 纠错

AI总结 本文提出ALED方法，通过深度卷积神经网络提取特征并利用高斯分布建模，实现对误标数据的高效检测，实验显示其在医学影像数据集上显著提升检测灵敏度。

Comments 10 pages, 5 figures