Johns Hopkins University（约翰斯·霍普金斯大学）

Efficient Autoregressive Video Diffusion with Dummy Head

高效的自回归视频扩散模型与Dummy头

Hang Guo, Zhaoyang Jia, Jiahao Li, Bin Li, Yuanhao Cai, Jiangshan Wang, Yawei Li, Yan Lu

机构 * Tsinghua University（清华大学） ； Microsoft Research Asia（微软亚洲研究院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出Dummy Forcing方法，通过优化多头自注意力机制的内存分配和上下文管理，提升视频扩散模型的生成速度，同时保持高质量输出。

Comments Technical Report

UNISELF: A Unified Network with Instance Normalization and Self-Ensembled Lesion Fusion for Multiple Sclerosis Lesion Segmentation

UNISELF：一种结合实例归一化和自融合病变融合的统一网络用于多发性硬化病变分割

Jinwei Zhang, Lianrui Zuo, Blake E. Dewey, Samuel W. Remedios, Yihao Liu, Savannah P. Hays, Dzung L. Pham, Ellen M. Mowry, Scott D. Newsome, Peter A. Calabresi, Aaron Carass, Jerry L. Prince

机构 * Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, MD 21218, USA（电气与计算机工程系，约翰霍普金斯大学） ； Department of Electrical and Computer Engineering, Vanderbilt University, Nashville, TN 37215, USA（电气与计算机工程系，范德比尔特大学） ； Department of Neurology, Johns Hopkins School of Medicine, Baltimore, MD 21287, USA（神经病学系，约翰霍普金斯医学院） ； Department of Computer Science, Johns Hopkins University, Baltimore, MD 21218, USA（计算机科学系，约翰霍普金斯大学） ； Department of Radiology, Uniformed Services University of the Health Sciences, Bethesda, MD, 20814, USA（放射学系，统一服务大学健康科学学院） 纠错

AI总结 UNISELF通过实例归一化和自融合病变融合技术，在多发性硬化病变分割中实现高精度和强泛化能力。

From Prediction to Perfection: Introducing Refinement to Autoregressive Image Generation

从预测到完美：引入精修到自回归图像生成

Cheng Cheng, Lin Song, Di An, Yicheng Xiao, Xuchong Zhang, Hongbin Sun, Ying Shan

机构 * Xi’an Jiaotong University（西安交通大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Tsinghua University（清华大学） ； ARC Lab, Tencent PCG（腾讯PCG ARC实验室） 纠错

AI总结 TensorAR通过引入张量预测机制，改进自回归图像生成的质量和性能。

Comments Published as a conference paper at ICLR 2026

X-LRM: X-ray Large Reconstruction Model for Extremely Sparse-View Computed Tomography Recovery in One Second

X-LRM：用于极稀疏视图计算层析成像恢复的X射线大重建模型（1秒内）

Guofeng Zhang, Ruyi Zha, Hao He, Yixun Liang, Alan Yuille, Hongdong Li, Yuanhao Cai

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Australian National University（澳大利亚国立大学） ； HKUST（香港科技大学） 纠错

AI总结 X-LRM通过X-former和X-triplane实现极稀疏视图CT重建，1.5 dB优于现有方法并提升27倍速度。

Comments 3DV 2026; A large reconstruction model and the largest dataset (16K samples) for sparse-view CT recovery