医学超声图像分割面临散斑噪声、低对比边界、声影及不同操作员和临床中心采集差异等挑战。本文提出了一种紧凑的分割框架——风险引导隐式边界细化（RIBR），利用隐式神经表示作为风险引导的残差校正，而非无约束的全掩码预测器，结合边界细化隐式残差、风险引导残差控制及几何与散斑感知边界正则化，有效细化不确定轮廓并抑制非边界振荡。在包含淋巴结、乳腺病灶、甲状腺结节和前列腺的九个超声数据集上，RIBR表现出最佳宏观平均性能和稳定降低边界误差，且参数量紧凑，展现了该方法在资源受限和边界敏感的超声分割中的实用性。源代码已公开。
这条 研究论文 信号说明，来自 arXiv cs.CV 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CV 发布了这条关于 研究论文 的更新：医学超声图像分割面临散斑噪声、低对比边界、声影及不同操作员和临床中心采集差异等挑战。本文提出了一种紧凑的分割框架——风险引导隐式边界细化（RIBR），利用隐式神经表示作为风险引导的残差校正，而非无约束的全掩码预测器，结合边界细化隐式残差、风险引导残差控制及几何与散斑感知边界正则化，有效细化不确定轮廓并抑制非边界振荡。在包含淋巴结、乳腺病灶、甲状腺结节和前列腺的九个超声数据集上，RIBR表现出最佳宏观平均性能和稳定降低边界误差，且参数量紧凑，展现了该方法在资源受限和边界敏感的超声分割中的实用性。源代码已公开。
RIBR通过风险引导的残差学习机制，有效解决了超声图像中边界模糊和振荡问题，同时保持模型紧凑，适合临床资源受限环境。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
我们推出了Oxygen-TryOn，一种统一的任意单品虚拟试穿基础模型。它不是简单改造通用图像编辑器，而是专为试衣打造，配备专门的数据引擎和针对试穿的训练方法。只需一张目标主体图像和一件或多件参考单品（无论是干净的产品图片还是穿着实拍），即可合成主体穿戴该单品的真实感图像，覆盖几乎所有时尚类别。相比以往只支持单一服装类别的模型，Oxygen-TryOn支持多样单品和场景，包括全身或半身、多参考、自由组合，多层面保持主体身份和商品外观。它将试穿任务重构为多参考、理解驱动的生成任务，通过规模化数据引擎采集和标注高质量数据，采用三阶段训练方案：持续预训练、监督微调和强化学习。强化学习结合内部试穿奖励模型与专有多任务模型，确保细节一致性和指令质量，支持同轮次姿态等编辑指令。公开和自研基准测试中，Oxygen-TryOn在单品和多品类虚拟试穿表现均超越主流专有及开源模型，达到最新一流水平。
大型视觉语言模型（LVLMs）虽具备强大的感知能力，但在视觉推理任务中仍存在弱点。现有基准测试多侧重符号数学、科学问题及简单视觉任务，难以评估复杂视觉推理与逻辑一致性。我们提出ConVBench基准测试，包含六类配对逻辑等价问题，涵盖动作与状态、复杂计数、空间推理、因果与意图理解、常识推理及时间感知。结合此测试，设计逻辑一致性和鲁棒准确度两项指标，共同评估答案的正确性与一致性。我们进一步研发ConVLM，采用基于集团相对策略优化（GRPO）的强化学习，融入一致性奖励，利用自动生成的逻辑等价问答对及准确率与一致性双重激励，推动模型回答保持一致。该框架可在有无严格答案监督条件下有效运行。
arXiv:2607.21799v1 Announce Type: new Abstract: Large language model (LLM) agents increasingly perform commercial tasks that involve retrieving external content such as images and, where appropriate, reproducing that co…