Beihang University（北京航空航天大学）

Point Ladder Tuning: Parameter-Efficient Hierarchical Adaptation for 3D Point Cloud Understanding

点阶梯调优：用于3D点云理解的参数高效分层适配

Junlin Chang, Longhao Zou, Rui Li

机构 * Beihang University（北京航空航天大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 研究针对3D点云理解中微调预训练主干参数效率低的问题，提出点阶梯调优框架PLT，通过构建分层网络、融合局部与全局特征、生成动态提示等进行参数高效分层适配，实验表明其以极少参数达最优性能。

Comments Accepted to ECCV 2026. Code: https://github.com/JunLinChang/ECCV2026-PLT

Learning Explicit Physical Parameter Control and Benchmarking for Video Generation

学习用于视频生成的显式物理参数控制和基准测试

Yanxun Li, Hao Wen, Bingze Song, Jiashu Zhu, Aiming Hao, Chubin Chen, Jintao Chen, Jiahong Wu, Xiangxiang Chu, Miao Wang

机构 * Beihang University（北京航空航天大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 研究针对图像到视频生成中物理参数控制问题，引入含密集物理参数化的数据集PhyParam-Dataset，提出物理引导的扩散模型PhyParam，建立基准PhyParam-Bench，通过实验证明该模型能在保持视觉保真度时提升物理一致性。

Comments 23 pages, 11 figures

End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation

用于逼真且可控的视觉交通场景生成的端到端条件扩散

Jingzheng Li, Yufei Ge, Zhijun Chen, Qianren Mao, Zizhe Wang, Binhang Qi, Bing Li, Keyu Chen, Baochang Zhang, Xianglong Liu, Philip S Yu

机构 * Zhongguancun Laboratory（中关村实验室） ； Tianjin University（天津大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； State Key Laboratory of Software Development Environment（软件开发环境国家重点实验室） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究如何生成逼真且可控的视觉交通场景，提出端到端条件扩散框架E2E-CDiff，基于前视图视觉观察联合去噪未来运动状态等，减轻规划控制不匹配，实验表明其在可控性与逼真性权衡上表现良好，还能引发挑战性交互，作为自我规划器有竞争力。

CR-Solver: GPU-Accelerated Kinematics Solver for Tendon-driven Continuum Robots

CR-Solver：用于腱驱动连续体机器人的GPU加速运动学求解器

Heqing Yang, Yang Yi, Linqing Zhong, Linjiang Huang, Si Liu

机构 * Beihang University（北京航空航天大学） 纠错

AI总结 针对连续体机器人运动规划问题，提出CR-Solver求解器，它基于优化框架统一逆运动学等，利用GPU加速并行优化，在三项任务验证中比传统CPU求解器显著加速，成功率超95%精度达毫米级，且用纯Python实现，为高性能运动规划提供基础。

Comments IROS 2026

AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models

AnchorRefine：基于轨迹锚点和残差细化的轨迹-锚点与残差细化的视觉-语言-动作模型

Tingzheng Jia, Kan Guo, Lanping Qian, Yongli Hu, Daxin Tian, Guixian Qu, Chunmian Lin, Baocai Yin, Jiapu Wang

机构 * Beijing University of Technology（北京理工大学） ； Beihang University（北航） ； Nanjing University of Science and Technology（南京理工大学） 纠错

AI总结 本文提出AnchorRefine框架，通过分解视觉-语言-动作动作建模为轨迹锚点和残差细化，提升几何和接触精度，实验表明在模拟和现实任务中均取得显著提升。

Comments The authors have decided to withdraw this manuscript because the work requires substantial revision and further experimental validation