arXiv:2511.15054v1 Announce Type: new 
Abstract: Accurate nuclei segmentation in microscopy whole slide images (WSIs) remains challenging due to variability in staining, imaging conditions, and tissue morphology. We propose CellGenNet, a knowledge distillation framework for robust cross-tissue cell segmentation under limited supervision. CellGenNet adopts a student-teacher architecture, where a capacity teacher is trained on sparse annotations and generates soft pseudo-labels for unlabeled regions. The student is optimized using a joint objective that integrates ground-truth labels, teacher-derived probabilistic targets, and a hybrid loss function combining binary cross-entropy and Tversky loss, enabling asymmetric penalties to mitigate class imbalance and better preserve minority nuclear structures. Consistency regularization and layerwise dropout further stabilize feature representations and promote reliable feature transfer. Experiments across diverse cancer tissue WSIs show that CellGenNet improves segmentation accuracy and generalization over supervised and semi-supervised baselines, supporting scalable and reproducible histopathology analysis.

CellGenNet هو إطار مقترح يهدف إلى تحسين تقسيم النوى في صور الشرائح الكاملة (WSIs) للأنسجة السرطانية. يعتمد الإطار على بنية المعلم-الطالب، حيث يقوم نموذج المعلم بإنشاء تسميات زائفة ناعمة من التعليقات التوضيحية النادرة، بينما يتم تحسين نموذج الطالب باستخدام دالة خسارة هجينة. تتناول هذه الطريقة التحديات مثل عدم التوازن في الفئات وتنوع مورفولوجيا الأنسجة، مما يعزز دقة تقسيم الخلايا في علم الأمراض النسيجي.

CellGenNet es un marco propuesto que busca mejorar la segmentación de núcleos en imágenes de diapositivas completas (WSI) de tejidos cancerosos. El marco emplea una arquitectura de estudiante-maestro, donde un modelo maestro genera pseudoetiquetas suaves a partir de anotaciones escasas, mientras que un modelo estudiante se optimiza utilizando una función de pérdida híbrida. Este enfoque aborda desafíos como el desequilibrio de clases y la variabilidad en la morfología del tejido, mejorando la precisión de la segmentación celular en histopatología.

CellGenNet est un cadre proposé visant à améliorer la segmentation des noyaux dans les images de diapositives entières (WSI) en microscopie des tissus cancéreux. Le cadre utilise une architecture élève-enseignant, où un modèle enseignant génère des pseudo-étiquettes douces à partir d'annotations rares, tandis qu'un modèle élève est optimisé à l'aide d'une fonction de perte hybride. Cette approche aborde des défis tels que le déséquilibre des classes et la variabilité de la morphologie des tissus, améliorant ainsi la précision de la segmentation cellulaire en histopathologie.

CellGenNet is a proposed framework aimed at improving nuclei segmentation in microscopy whole slide images (WSIs) of cancer tissues. The framework employs a student-teacher architecture, where a teacher model generates soft pseudo-labels from sparse annotations, while a student model is optimized using a hybrid loss function. This approach addresses challenges such as class imbalance and variability in tissue morphology, enhancing the accuracy of cell segmentation in histopathology.

CellGenNet: A Knowledge-Distilled Framework for Robust Cell Segmentation in Cancer Tissues

Medtech founder and educator Rush Bartlett talks about medtech innovation on both sides of the pond.
Read more: <a rel="nofollow" href="https://www.siliconrepublic.com/innovation/stanford-biodesign-medtech-innovation-bioinnovate-ireland-galway-startups-healthcare">Ireland is top for medtech innovation, says Stanford expert</a>

يبرز راش بارتليت، مؤسس ومربي في مجال التكنولوجيا الطبية، مكانة أيرلندا الرائدة في الابتكار في هذا المجال، مشيرًا إلى التقدم الذي يحدث في غالواي. تعكس رؤاه اعترافًا متزايدًا بأيرلندا كمركز لتطوير التكنولوجيا الصحية.

Rush Bartlett, fundador y educador en medtech, destaca la posición de Irlanda como líder en innovación medtech, enfatizando los avances que se están realizando en Galway. Sus comentarios reflejan un reconocimiento creciente de Irlanda como un centro de desarrollo tecnológico en el sector de la salud.

Rush Bartlett, fondateur et éducateur en medtech, souligne la position de leader de l'Irlande en matière d'innovation medtech, mettant en avant les avancées réalisées à Galway. Ses réflexions témoignent d'une reconnaissance croissante de l'Irlande comme un pôle de développement technologique dans le secteur de la santé.

Rush Bartlett, a medtech founder and educator, highlights Ireland's leading position in medtech innovation, emphasizing the advancements occurring in Galway. His insights reflect a growing recognition of Ireland as a hub for healthcare technology development.

Ireland is top for medtech innovation, says Stanford expert

It’s not the time to bet against the biggest US technology names, according to short-seller Carson Block, even as warnings rise about a potential bubble in artificial intelligence.

قال كارسن بلوك، مؤسس شركة مادّي ووترز، إنه ليس الوقت المناسب للمراهنة ضد أكبر شركات التكنولوجيا الأمريكية، على الرغم من تزايد التحذيرات بشأن احتمال وجود فقاعة في الذكاء الاصطناعي. ويعتقد أن الظروف الحالية في السوق لا تدعم المراهنة ضد هؤلاء العمالقة التكنولوجيين.

Carson Block, fundador de Muddy Waters, ha desaconsejado apostar en contra de las principales empresas tecnológicas de EE. UU., a pesar de las crecientes preocupaciones sobre una posible burbuja en el sector de la inteligencia artificial. Considera que las condiciones actuales del mercado no favorecen las apuestas contra estos gigantes tecnológicos.

Carson Block, le fondateur de Muddy Waters, a déconseillé de parier contre les grandes entreprises technologiques américaines, malgré les préoccupations croissantes concernant une éventuelle bulle dans le secteur de l'intelligence artificielle. Il estime que les conditions actuelles du marché ne favorisent pas les paris contre ces géants de la technologie.

Carson Block, the founder of Muddy Waters, has advised against shorting major US technology companies, despite increasing concerns about a potential bubble in the artificial intelligence sector. He believes that the current market conditions do not favor betting against these tech giants.

Muddy Waters’ Carson Block Says It’s Not the Time to Short Big Tech

A new study by the University of Cambridge found many authors’ work has already been used – without their permission – to train large language modelsMore than half of published novelists in the UK believe artificial intelligence could eventually replace their work entirely, according to a new report from the University of Cambridge.<a href="https://www.mctd.ac.uk/wp-content/uploads/2025/11/MCTD-AIAndTheNovel-PolicyBrief-Accessible.html">The study</a>, conducted for the university’s Minderoo Centre for Technology and Democracy, suggests widespread unease about the speed and scale of AI’s advance into the literary world. <a href="https://www.theguardian.com/books/2025/nov/20/more-than-half-of-uk-novelists-believe-ai-will-replace-their-work">Continue reading...</a>

تظهر دراسة أجرتها جامعة كامبريدج أن أكثر من نصف الروائيين المنشورين في المملكة المتحدة يخشون أن تحل الذكاء الاصطناعي محل أعمالهم تمامًا. تسلط هذه الدراسة، التي أجريت لصالح مركز ميندورو للتكنولوجيا والديمقراطية، الضوء على القلق بشأن الاستخدام غير المصرح به لأعمال المؤلفين لتدريب نماذج اللغة الكبيرة والتقدم السريع للذكاء الاصطناعي في المجال الأدبي.

Un estudio de la Universidad de Cambridge revela que más de la mitad de los novelistas publicados en el Reino Unido temen que la inteligencia artificial pueda reemplazar completamente su trabajo. La investigación, realizada para el Minderoo Centre for Technology and Democracy, destaca las preocupaciones sobre el uso no autorizado de las obras de los autores para entrenar grandes modelos de lenguaje y el rápido avance de la IA en el ámbito literario.

Une étude de l'Université de Cambridge révèle que plus de la moitié des romanciers publiés au Royaume-Uni craignent que l'intelligence artificielle ne remplace complètement leur travail. La recherche, réalisée pour le Minderoo Centre for Technology and Democracy, met en lumière les préoccupations concernant l'utilisation non autorisée des œuvres des auteurs pour former de grands modèles de langage et l'avancement rapide de l'IA dans le domaine littéraire.

A study by the University of Cambridge reveals that over half of published novelists in the UK fear that artificial intelligence could completely replace their work. The research, conducted for the Minderoo Centre for Technology and Democracy, highlights concerns regarding the unauthorized use of authors' work to train large language models and the rapid advancement of AI in the literary field.

More than half of UK novelists believe AI will replace their work

<a href="https://petapixel.com/2025/11/20/trumps-draft-executive-order-targets-states-enacting-ai-transparency-laws/"><img width="1600" height="840" src="https://petapixel.com/assets/uploads/2024/03/eu-ai-act-3.jpg" class="attachment-card-large size-card-large wp-post-image" alt="EU AI Act illustration, cyborg face with electronic-style lines and markings" decoding="async" fetchpriority="high" /></a>President Donald Trump is mulling an executive order that would block state laws requiring AI companies to publish transparency reports and disclose how they train models.
[<a href="https://petapixel.com/2025/11/20/trumps-draft-executive-order-targets-states-enacting-ai-transparency-laws/">Read More</a>]

يعتزم الرئيس دونالد ترامب إصدار أمر تنفيذي يمنع الولايات من تنفيذ قوانين تتطلب من شركات الذكاء الاصطناعي نشر تقارير شفافية وكشف تفاصيل حول كيفية تدريب نماذجها.

El presidente Donald Trump está considerando una orden ejecutiva que impediría a los estados implementar leyes que exigen a las empresas de IA publicar informes de transparencia y detalles sobre sus procesos de entrenamiento de modelos.

Le président Donald Trump envisage un décret exécutif qui empêcherait les États de mettre en œuvre des lois exigeant des entreprises d'IA qu'elles publient des rapports de transparence et des détails sur leurs processus de formation de modèles.

President Donald Trump is considering an executive order that would prevent states from implementing laws that require AI companies to disclose transparency reports and details on their model training processes.

Trump’s Draft Executive Order Targets States Enacting AI Transparency Laws

<img width="800" height="450" src="https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-1300x731.jpg" class="webfeedsFeaturedVisual wp-post-image" alt="" style="display: block; margin: auto; margin-bottom: 5px;max-width: 100%;" link_thumbnail="" decoding="async" fetchpriority="high" srcset="https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-1300x731.jpg 1300w, https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-600x338.jpg 600w, https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-768x432.jpg 768w, https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-1536x864.jpg 1536w, https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-2048x1152.jpg 2048w, https://analyticsindiamag.com/wp-content/uploads/2025/01/Elon-Musk-is-Using-100000-GPUs-for-Grok-3-But-Why-150x84.jpg 150w" sizes="(max-width: 800px) 100vw, 800px" />The companies have partnered to build large-scale Nvidia-powered AI compute infrastructure and deploy Grok across new data centres.
The post <a href="https://analyticsindiamag.com/ai-news-updates/musks-xai-teams-with-humain-to-develop-saudi-arabias-ai-supercomputing-network/">Musk’s xAI Teams with HUMAIN to Develop Saudi Arabia’s AI Supercomputing Network</a> appeared first on <a href="https://analyticsindiamag.com">Analytics India Magazine</a>.

تعاونت شركة xAI التابعة لإيلون ماسك مع شركة HUMAIN السعودية لتطوير شبكة حوسبة فائقة الذكاء الاصطناعي في المملكة العربية السعودية. تهدف هذه الشراكة إلى تعزيز القدرات التكنولوجية للبلاد وتعتبر جزءًا من استراتيجية أوسع لوضع المملكة كقائد في مجال الذكاء الاصطناعي. ستستفيد المبادرة من موارد الحوسبة المتقدمة، بما في ذلك تقنية Nvidia.

xAI de Elon Musk se ha asociado con la empresa saudí HUMAIN para desarrollar una red de supercomputación de IA en Arabia Saudita. Esta colaboración tiene como objetivo mejorar las capacidades tecnológicas del país y forma parte de una estrategia más amplia para posicionar a Arabia Saudita como líder en inteligencia artificial. La iniciativa aprovechará recursos informáticos avanzados, incluida la tecnología de Nvidia.

xAI d'Elon Musk s'est associé à l'entreprise saoudienne HUMAIN pour développer un réseau de supercalculateur d'IA en Arabie Saoudite. Cette collaboration vise à renforcer les capacités technologiques du pays et s'inscrit dans une stratégie plus large visant à positionner l'Arabie Saoudite en tant que leader en intelligence artificielle. L'initiative s'appuiera sur des ressources informatiques avancées, y compris la technologie Nvidia.

Elon Musk's xAI has partnered with the Saudi Arabian company HUMAIN to develop an AI supercomputing network in Saudi Arabia. This collaboration aims to enhance the country's technological capabilities and is part of a broader strategy to position Saudi Arabia as a leader in artificial intelligence. The initiative will leverage advanced computing resources, including Nvidia technology.

Musk’s xAI Teams with HUMAIN to Develop Saudi Arabia’s AI Supercomputing Network

NcodiN, a French deeptech startup,has secured a €16 million seed investment led by MIG Capital AG through its MIGFonds 17 and 18. The round also includes participation from Maverick Silicon,PhotonVent...

نجحت شركة NcodiN، وهي شركة ناشئة فرنسية في مجال التكنولوجيا العميقة، في تأمين استثمار بقيمة 16 مليون يورو في جولة التمويل الأولية، بقيادة MIG Capital AG من خلال صناديق MIGFonds 17 و 18. كما شهدت الجولة مشاركة من Maverick Silicon وPhotonVent.

NcodiN, una startup francesa de deeptech, ha asegurado una inversión de 16 millones de euros en su ronda semilla, liderada por MIG Capital AG a través de sus MIGFonds 17 y 18. La ronda también contó con la participación de Maverick Silicon y PhotonVent.

NcodiN, une startup française de deeptech, a sécurisé un investissement de 16 millions d'euros en seed, dirigé par MIG Capital AG à travers ses MIGFonds 17 et 18. Le tour de financement a également vu la participation de Maverick Silicon et PhotonVent.

NcodiN, a French deeptech startup, has secured a €16 million seed investment led by MIG Capital AG through its MIGFonds 17 and 18. The funding round also saw participation from Maverick Silicon and PhotonVent.

NcodiN secures €16M seed investment led by MIG Capital

arXiv:2308.08365v2 Announce Type: replace-cross 
Abstract: Microscopy images are crucial for life science research, allowing detailed inspection and characterization of cellular and tissue-level structures and functions. However, microscopy data are unavoidably affected by image degradations, such as noise, blur, or others. Many such degradations also contribute to a loss of image contrast, which becomes especially pronounced in deeper regions of thick samples. Today, best performing methods to increase the quality of images are based on Deep Learning approaches, which typically require ground truth (GT) data during training. Our inability to counteract blurring and contrast loss when imaging deep into samples prevents the acquisition of such clean GT data. The fact that the forward process of blurring and contrast loss deep into tissue can be modeled, allowed us to propose a new method that can circumvent the problem of unobtainable GT data. To this end, we first synthetically degraded the quality of microscopy images even further by using an approximate forward model for deep tissue image degradations. Then we trained a neural network that learned the inverse of this degradation function from our generated pairs of raw and degraded images. We demonstrated that networks trained in this way can be used out-of-distribution (OOD) to improve the quality of less severely degraded images, e.g. the raw data imaged in a microscope. Since the absolute level of degradation in such microscopy images can be stronger than the additional degradation introduced by our forward model, we also explored the effect of iterative predictions. Here, we observed that in each iteration the measured image contrast kept improving while detailed structures in the images got increasingly removed. Therefore, dependent on the desired downstream analysis, a balance between contrast improvement and retention of image details has to be found.

ديب كونتراست هو أسلوب جديد يهدف إلى تحسين صور المجهر للأنسجة العميقة من خلال معالجة مشكلات تدهور الصور، مثل الضوضاء والضبابية، التي تؤدي إلى فقدان التباين. تتطلب الأساليب التقليدية للتعلم العميق بيانات حقيقية للتدريب، والتي غالبًا ما تكون غير قابلة للتحصيل في تصوير الأنسجة العميقة. تستخدم هذه الطريقة تدهورات بيانات اصطناعية لنمذجة الضبابية وفقدان التباين، مما يسمح بتحسين جودة الصور دون الحاجة إلى بيانات حقيقية نظيفة.

DeepContrast es un nuevo método diseñado para mejorar las imágenes de microscopía de tejidos profundos al abordar problemas de degradación de imágenes, como el ruido y el desenfoque, que provocan una pérdida de contraste. Los enfoques de aprendizaje profundo tradicionales requieren datos de verdad fundamental para el entrenamiento, que a menudo son inalcanzables en la imagenología de tejidos profundos. Este método utiliza degradaciones de datos sintéticos para modelar el desenfoque y la pérdida de contraste, permitiendo mejorar la calidad de las imágenes sin necesidad de datos de verdad fundam…

DeepContrast est une nouvelle méthode visant à améliorer les images de microscopie des tissus profonds en abordant les problèmes de dégradation des images, tels que le bruit et le flou, qui entraînent une perte de contraste. Les approches d'apprentissage profond traditionnelles nécessitent des données de vérité terrain pour l'entraînement, souvent inaccessibles en imagerie tissulaire profonde. Cette méthode utilise des dégradations de données synthétiques pour modéliser le flou et la perte de contraste, permettant ainsi d'améliorer la qualité des images sans avoir besoin de données de vérité t…

DeepContrast is a new method aimed at enhancing deep tissue microscopy images by addressing issues of image degradation, such as noise and blur, which lead to contrast loss. Traditional deep learning approaches require ground truth data for training, which is often unattainable in deep tissue imaging. This method utilizes synthetic data degradations to model the blurring and contrast loss, allowing for improved image quality without the need for clean ground truth data.

DeepContrast: Deep Tissue Contrast Enhancement using Synthetic Data Degradations and OOD Model Predictions

arXiv:2511.15406v1 Announce Type: cross 
Abstract: Reliable semantic segmentation is essential for clinical decision making, yet deep models rarely provide explicit statistical guarantees on their errors. We introduce a simple post-hoc framework that constructs confidence masks with distribution-free, image-level control of false-positive predictions. Given any pretrained segmentation model, we define a nested family of shrunken masks obtained either by increasing the score threshold or by applying morphological erosion. A labeled calibration set is used to select a single shrink parameter via conformal prediction, ensuring that, for new images that are exchangeable with the calibration data, the proportion of false positives retained in the confidence mask stays below a user-specified tolerance with high probability. The method is model-agnostic, requires no retraining, and provides finite-sample guarantees regardless of the underlying predictor. Experiments on a polyp-segmentation benchmark demonstrate target-level empirical validity. Our framework enables practical, risk-aware segmentation in settings where over-segmentation can have clinical consequences. Code at https://github.com/deel-ai-papers/conseco.

تم تقديم إطار عمل جديد للتحكم في الإيجابيات الكاذبة في تقسيم الصور، مما يعزز موثوقية التقسيم الدلالي في اتخاذ القرارات السريرية. تستخدم هذه الطريقة المستقلة عن النموذج التنبؤ المتوافق لإنشاء أقنعة ثقة تحافظ على مستوى محدد مسبقًا من الإيجابيات الكاذبة، دون الحاجة إلى إعادة التدريب. تُظهر الطريقة ضمانات عالية الاحتمالية للصور الجديدة، مما يمثل تقدمًا كبيرًا في التصوير الطبي.

Se ha introducido un nuevo marco para controlar los falsos positivos en la segmentación de imágenes, mejorando la fiabilidad de la segmentación semántica en la toma de decisiones clínicas. Este enfoque independiente del modelo utiliza la predicción conformal para crear máscaras de confianza que mantienen una tolerancia definida por el usuario para los falsos positivos, sin necesidad de reentrenamiento. El método demuestra garantías de alta probabilidad para nuevas imágenes, representando un avance significativo en la imagen médica.

Un nouveau cadre pour contrôler les faux positifs dans la segmentation d'images a été introduit, améliorant la fiabilité de la segmentation sémantique dans la prise de décision clinique. Cette approche indépendante du modèle utilise la prédiction conforme pour créer des masques de confiance qui maintiennent une tolérance définie par l'utilisateur pour les faux positifs, sans nécessiter de réentraînement. La méthode démontre des garanties de haute probabilité pour de nouvelles images, représentant une avancée significative dans l'imagerie médicale.

A new framework for controlling false positives in image segmentation has been introduced, enhancing the reliability of semantic segmentation in clinical decision-making. This model-agnostic approach utilizes conformal prediction to create confidence masks that maintain a user-defined tolerance for false positives, without requiring retraining. The method demonstrates high probability guarantees for new images, making it a significant advancement in medical imaging.

Controlling False Positives in Image Segmentation via Conformal Prediction

arXiv:2504.07503v2 Announce Type: replace 
Abstract: Event cameras asynchronously capture brightness changes with microsecond latency, offering exceptional temporal precision but suffering from severe noise and signal inconsistencies. Unlike conventional signals, events carry state information through polarities and process information through inter-event time intervals. However, existing event filters often ignore the latter, producing outputs that are sparser than the raw input and limiting the reconstruction of continuous irradiance dynamics. We propose the Event Density Flow Filter (EDFilter), a framework that models event generation as threshold-crossing probability fluxes arising from the stochastic diffusion of irradiance trajectories. EDFilter performs nonparametric, kernel-based estimation of probability flux and reconstructs the continuous event density flow using an O(1) recursive solver, enabling real-time processing. The Rotary Event Dataset (RED), featuring microsecond-resolution ground-truth irradiance flow under controlled illumination is also presented for event quality evaluation. Experiments demonstrate that EDFilter achieves high-fidelity, physically interpretable event denoising and motion reconstruction.

تقدم الورقة فلاتر تدفق كثافة الأحداث (EDFilter)، وهو إطار مبتكر لتصفية تدفقات الأحداث يستخدم تقدير تدفق الاحتمالات لتحسين معالجة بيانات كاميرات الأحداث. تتناول هذه الطريقة قيود الفلاتر الحالية من خلال نمذجة توليد الأحداث كتيارات احتمالية تتجاوز العتبات، مما يسمح بإعادة بناء تدفق كثافة الأحداث المستمر في الوقت الحقيقي. يهدف الإطار إلى تحسين دقة وكفاءة أنظمة الرؤية المعتمدة على الأحداث.

El artículo presenta el Filtro de Flujo de Densidad de Eventos (EDFilter), un marco novedoso para el filtrado de flujos de eventos que utiliza la estimación de flujo de probabilidad para mejorar el procesamiento de datos de cámaras de eventos. Este enfoque aborda las limitaciones de los filtros de eventos existentes al modelar la generación de eventos como flujos de probabilidad que cruzan umbrales, permitiendo la reconstrucción en tiempo real del flujo de densidad de eventos continuo. El marco busca mejorar la precisión y eficiencia de los sistemas de visión basados en eventos.

L'article présente le filtre de flux de densité d'événements (EDFilter), un cadre novateur pour le filtrage de flux d'événements qui utilise l'estimation de flux de probabilité pour améliorer le traitement des données des caméras d'événements. Cette approche répond aux limitations des filtres d'événements existants en modélisant la génération d'événements comme des flux de probabilité franchissant des seuils, permettant ainsi la reconstruction en temps réel du flux de densité d'événements continu. Le cadre vise à améliorer la précision et l'efficacité des systèmes de vision basés sur des événe…

The paper introduces the Event Density Flow Filter (EDFilter), a novel framework for event stream filtering that utilizes probability flux estimation to enhance the processing of event camera data. This approach addresses the limitations of existing event filters by modeling event generation as threshold-crossing probability fluxes, allowing for real-time reconstruction of continuous event density flow. The framework aims to improve the accuracy and efficiency of event-based vision systems.

Event Stream Filtering via Probability Flux Estimation

arXiv:2511.15499v1 Announce Type: new 
Abstract: Autoregressive models have recently shown great promise in visual generation by leveraging discrete token sequences akin to language modeling. However, existing approaches often suffer from inefficiency, either due to token-by-token decoding or the complexity of multi-scale representations. In this work, we introduce Expanding Autoregressive Representation (EAR), a novel generation paradigm that emulates the human visual system's center-outward perception pattern. EAR unfolds image tokens in a spiral order from the center and progressively expands outward, preserving spatial continuity and enabling efficient parallel decoding. To further enhance flexibility and speed, we propose a length-adaptive decoding strategy that dynamically adjusts the number of tokens predicted at each step. This biologically inspired design not only reduces computational cost but also improves generation quality by aligning the generation order with perceptual relevance. Extensive experiments on ImageNet demonstrate that EAR achieves state-of-the-art trade-offs between fidelity and efficiency on single-scale autoregressive models, setting a new direction for scalable and cognitively aligned autoregressive image generation.

تقدم الورقة مفهوم تمثيل التوليد التلقائي الموسع (EAR)، وهو نموذج جديد لتوليد الصور يحاكي نظام الرؤية البشري من خلال إدراكه من المركز إلى الخارج. تعمل هذه الطريقة على تحسين الكفاءة من خلال نشر رموز الصورة بترتيب حلزوني، مما يسمح بفك تشفير متوازي ويحافظ على الاستمرارية المكانية. بالإضافة إلى ذلك، يتم اقتراح استراتيجية فك تشفير قابلة للتكيف مع الطول لتعزيز المرونة والسرعة، مما يقلل من التكاليف الحسابية ويحسن جودة التوليد.

El artículo presenta la Representación Autoregresiva Expandida (EAR), un nuevo paradigma para la generación visual que imita el sistema visual humano al percibir de manera centrípeta. Este método mejora la eficiencia al desplegar tokens de imagen en un orden espiral, permitiendo la decodificación paralela y preservando la continuidad espacial. Además, se propone una estrategia de decodificación adaptativa en longitud para mejorar la flexibilidad y velocidad, reduciendo así los costos computacionales y mejorando la calidad de generación.

Cet article présente la Représentation Autoregressive Élargie (EAR), un nouveau paradigme pour la génération visuelle qui imite le système visuel humain en percevant de manière centripète. Cette méthode améliore l'efficacité en déroulant les tokens d'image dans un ordre spiralé, permettant un décodage parallèle et préservant la continuité spatiale. De plus, une stratégie de décodage adaptative en longueur est proposée pour améliorer la flexibilité et la rapidité, réduisant ainsi les coûts computationnels et améliorant la qualité de génération.

The paper introduces Expanding Autoregressive Representation (EAR), a new paradigm for visual generation that mimics the human visual system's center-outward perception. This method improves efficiency by unfolding image tokens in a spiral order, allowing for parallel decoding and preserving spatial continuity. Additionally, a length-adaptive decoding strategy is proposed to enhance flexibility and speed, ultimately reducing computational costs and improving generation quality.

CellGenNet: A Knowledge-Distilled Framework for Robust Cell Segmentation in Cancer Tissues

Was this article worth reading? Share it