高校专区
Ego2Robot：从第一视角人类数据生成可扩展机器人数据
机构 * AIM3 Lab, Renmin University of China（中国人民大学AIM3实验室） ； Qwen Team, Alibaba Inc.（阿里巴巴通义千问团队） ； ShanghaiTech University（上海科技大学） ； Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学）
AI总结 Ego2Robot提出将第一视角人类操控视频转换为机器人训练数据的可扩展流水线，生成18561小时机器人数据，扩展RoboTwin2.0验证其联合预训练可提升机器人分布外泛化能力并经真实部署验证
DyFrDet：通过结合标签歧义消解的动态频率抑制实现精确的小目标检测
机构 * Hangzhou International Innovation Institute of Beihang University（北京航空航天大学杭州国际创新研究院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区）
AI总结 针对小目标检测中视觉线索不足、频域噪声与标签歧义被忽视的问题，提出DyFrDet检测器，通过DyFrFPN与LDM模块实现精确检测，在多基准上达SOTA性能。
Comments 10 pages, 4 figures, 7tabs
面向全身遥操作移动操作的全景感知VLA学习
机构 * Beihang University（北京航空航天大学） ； Shandong University（山东大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Delta Intelligence（delta智能公司）
AI总结 针对移动操作VLA策略的局部视野与全身演示数据收集难题，开发全身遥操作系统与PanoVLA全景感知VLA策略，基于5.5小时多模态数据集，在四项真实任务中平均阶段完成率91.3%、端到端成功率73.4%，性能优于局部视角基线。
Comments 8 pages, 4 figures
RamanPFN：基于表格基础模型学习拉曼光谱结构
机构 * Beihang University（北京航空航天大学） ； Cleer Science（Cleer科技公司）
AI总结 RamanPFN在TabPFN推理前编码拉曼光谱依赖关系，经74个公开拉曼数据集的150项任务评估，可降低回归与分类误差，是高维拉曼测量与可复用表格推理的有效接口。
CHOW-SLAM：面向RGB-D SLAM的结合互补重叠窗口优化的紧凑混合表示方法
机构 * School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）
AI总结 本文提出CHOW-SLAM框架，通过紧凑P-H混合表示与互补重叠窗口策略构建空间、时间约束，结合ORB初始化与神经渲染优化，在多数据集上优于现有最优RGB-D SLAM方法。
Comments 33 pages, 8 figures, 6 tables
CAAT：用于数据高效接触丰富型操作的接触感知注意力缩放与触觉掩码方法
机构 * ShanghaiTech University（上海科技大学） ； Beihang University（北京航空航天大学） ； Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院） ； Zhejiang University（浙江大学） ； BUPT（北京邮电大学）
AI总结 该研究针对接触丰富型操作中视觉-触觉策略缺乏接触感知先验的问题，提出CAAT框架，通过注意力缩放和动态触觉掩码提升策略性能，在仿真和真实实验中均显著优于现有方法。
Comments 11 pages, 6 figures
模型作为工具：用于统一多模态视觉跟踪的智能体协调框架
机构 * Beihang University（北京航空航天大学）
AI总结 针对现有视觉跟踪方法的瓶颈，提出ACTrack智能体协调框架，整合异构模型工具的互补优势，仅用30%可训练参数便在多类基准上实现性能超越。
Comments 21 pages, 15 Tables, 7 Figures
用于视差和表面法线的统一立体几何估计框架
机构 * Beijing Institute of Technology（北京理工大学） ； School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； Beihang University（北京航空航天大学） ； INSAIT, Sofia University（索非亚大学INSAIT） ； BAAI AIR, Tsinghua University（清华大学BAAI AIR）
AI总结 本文针对立体匹配和表面法线估计问题，提出统一框架GeoStereo，结合前馈立体匹配与基于扩散的法线估计分支，引入初始化策略与扭曲条件，实现有效交互，在多场景表现可靠，零样本设置下视差和法线估计精度高。
面向对话摘要的大规模多维度LLM实证研究
机构 * CCSE, Beihang University（北京航空航天大学CCSE） ； MAIS, CASIA（中国科学院自动化研究所MAIS） ； Fanyu AI Laboratory（帆禹AI实验室）
AI总结 提出OmniCSEval基准，包含1800个跨六场景的对话，评估28个LLM在对话摘要中的完整性、简洁性和忠实性，揭示推理能力与模型规模的影响。
Comments 21 pages, 18 figures
尾感知信息论泛化用于RLHF和SGLD
机构 * Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高精尖创新中心） ； Advanced Institute of Information Technology, Peking University（北京大学信息技术高等研究院） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） ； Computer and Mathematical Sciences, Computer Science, and Statistics, University of Toronto（多伦多大学计算机与数学科学、计算机科学和统计学系） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出一种尾依赖信息论框架，用于处理亚韦尔bull数据，通过移位对数f_θ-分歧来界定制换测度期望，从而在重尾数据下获得更精确的泛化界限。
Comments 47 pages, 6 figures
从表征互补性到双系统：协同VLM和纯视觉骨干网络用于端到端驾驶
机构 * Department of Automation, University of Science and Technology of China（中国科学技术大学自动化系） ； School of Electronic Information Engineering, Beihang University（北京航空航天大学电子信息工程学院） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； National Superior College for Engineers, Beihang University（北京航空航天大学国家级工程师学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Lenovo Group Limited（联想集团有限公司） ； Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）
AI总结 本文通过协同VLM和纯视觉骨干网络，提出HybridDriveVLA和DualDriveVLA，提升端到端驾驶的PDMS性能。
打破自注意力失效：重新思考用于红外小目标检测的查询初始化
机构 * Beihang University（北航大学）
AI总结 SEF-DETR通过改进查询初始化方法，有效解决红外小目标检测中自注意力机制导致的背景干扰问题，提升检测性能。
CAPMix：面向噪声与动态环境下AIOps的鲁棒KPI异常检测
机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； School of Software, Beihang University（北京航空航天大学软件学院） ； Shandong Inspur Intelligent Production Technology Co., Ltd（山东 Inspur 智能生产技术有限公司） ； Zhongguancun Laboratory（中关村实验室）
AI总结 本文针对AIOps中KPI异常检测的异常偏移问题，提出可控异常增强框架CAPMix，结合标签修正与双空间混合增强，在基准测试及快手生产系统中表现优异，还发布了相关数据集。
Comments Accepted for publication at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026). \c{opyright} ACM, 2026. This is the author's version of the work. It is posted here by permission of ACM for your personal use. Not for redistribution. The definitive Version of Record will be published by ACM, https://doi.org/10.1145/3832783.3834487
Journal ref ASE 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈