Johns Hopkins University（约翰斯·霍普金斯大学）

Understanding Agent Scaling in LLM-Based Multi-Agent Systems via Diversity

通过多样性理解基于大语言模型的多智能体系统中的智能体扩展

Yingxuan Yang, Chengrui Qu, Muning Wen, Laixi Shi, Ying Wen, Weinan Zhang, Adam Wierman, Shangding Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； California Institute of Technology（加州理工学院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文通过引入K*指标，揭示了基于大语言模型的多智能体系统中，异质性智能体配置比同质配置更有效，且性能受任务不确定性限制。

RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval

RANKVIDEO: 文本到视频检索中的推理重排序

Tyler Skow, Alexander Martin, Benjamin Van Durme, Rama Chellappa, Reno Kriz

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Human Language Technology Center of Excellence（人机语言技术卓越中心） 纠错

AI总结 RANKVIDEO通过基于视频内容的推理机制，提升了文本到视频检索的重排序性能，实验显示在nDCG@10上平均提升31%，优于现有方法。

Real-time topology-aware M-mode OCT segmentation for robotic deep anterior lamellar keratoplasty (DALK) guidance

实时拓扑感知的M模式OCT分割用于机器人深前层角膜移植术（DALK）引导

Rosalinda Xiong, Jinglun Yu, Yaning Wang, Ziyi Huang, Jin U. Kang

机构 * 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） 纠错

AI总结 本研究提出了一种基于UNeXt的轻量级拓扑感知M模式OCT分割方法，实现超过80 Hz的实时处理速度，提升DALK手术中的深度反馈精度与稳定性。

Physics-based generation of multilayer corneal OCT data via Gaussian modeling and MCML for AI-driven diagnostic and surgical guidance applications

基于物理的多层角膜OCT数据生成：通过高斯建模和MCML实现AI驱动的诊断和手术指导应用

Jinglun Yu, Yaning Wang, Rosalinda Xiong, Ziyi Huang, Kristina Irsch, Jin U. Kang

机构 * 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） ； Johns Hopkins University（约翰霍普金斯大学） ； Wilmer Eye Institute, Johns Hopkins University（威尔默眼科研究所，约翰霍普金斯大学） ； Vision Institute, Sorbonne University, INSERM, CNRS（视觉研究所，索邦大学，INSERM，CNRS） 纠错

AI总结 本文提出基于物理的多层角膜OCT数据生成方法，利用高斯建模和MCML技术生成高质量合成数据，用于AI驱动的诊断和手术指导应用。

End-to-end reconstruction of OCT optical properties and speckle-reduced structural intensity via physics-based learning

基于物理学习的OCT光学特性及降斑结构强度端到端重建

Jinglun Yu, Yaning Wang, Wenhan Guo, Yuan Gao, Yu Sun, Jin U. Kang

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出基于物理学习的端到端深度学习框架，用于OCT中光学特性与结构强度的联合重建，通过物理一致的监督提升参数恢复和伪影抑制能力。