Columbia University（哥伦比亚大学）

Reconstruction of a 3D wireframe from a single line drawing via generative depth estimation

通过生成深度估计从单张线稿中重建3D线框

Elton Cao, Hod Lipson

机构 * Creative Machines Lab, Columbia University（创意机器实验室，哥伦比亚大学） 纠错

AI总结 本文提出一种生成方法，将线稿重建视为条件密集深度估计任务，利用Latent Diffusion Model和ControlNet风格的条件框架解决正投影的固有歧义，并通过图遍历的BFS掩码策略支持迭代的线稿-重建-线稿工作流，实现从稀疏2D线稿到密集3D表示的转换。

FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction

FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测

Xinjin Li, Jinghan Cao, Mengyue Wang, Yue Wu, Longxiang Yan, Yeyang Zhou, Ziqi Sha, Yu Ma

机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。

Comments Accepted by ICME 2026