The Chinese University of Hong Kong（香港中文大学）

Leveraging Geometric Prior Uncertainty and Complementary Constraints for High-Fidelity Neural Indoor Surface Reconstruction

利用几何先验不确定性与互补约束实现高保真的神经室内表面重建

Qiyu Feng, Jiwei Shan, Shing Shin Cheng, Hesheng Wang

机构 * Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学） ； Department of Mechanical and Automation Engineering and T Stone Robotics Institute, The Chinese University of Hong Kong（机械与自动化工程系及T Stone机器人研究所，香港中文大学） 纠错

AI总结 GPU-SDF通过利用几何先验不确定性与互补约束，提升神经室内表面重建的细部特征恢复能力。

Comments Accepted by ICRA 2026

Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation

基于3D几何先验的双臂操作动作预测

Chongyang Xu, Haipeng Li, Shen Cheng, Jingyu Hu, Haoqiang Fan, Ziliang Feng, Shuaicheng Liu

机构 * College of Computer Science, Sichuan University, China（四川大学计算机学院） ； University of Electronic Science and Technology of China, China（电子科技大学） ； Dexmal ； The Chinese University of Hong Kong, HK SAR, China（香港中文大学（HK SAR）） 纠错

AI总结 本文提出基于3D几何先验的双臂操作预测框架，通过融合几何特征与2D语义信息，实现高效动作预测与空间理解。

Comments Accepted by CVPR 2026

GFRRN: Explore the Gaps in Single Image Reflection Removal

GFRRN: 探索单图像反光去除中的空白

Yu Chen, Zewei He, Xingyu Liu, Zixuan Chen, Zheming Lu

机构 * Zhejiang University（浙江大学） ； Huanjiang Laboratory（焕江实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 GFRRN通过引入PEFT策略、标签生成器和自适应频率学习块，解决单图像反光去除中的语义差距和标签不一致问题，实现更高效的反光去除性能。

Comments CVPR26

From Statics to Dynamics: Physics-Aware Image Editing with Latent Transition Priors

从静态到动态：基于物理的图像编辑与潜在过渡先验

Liangbing Zhao, Le Zhuo, Sayak Paul, Hongsheng Li, Mohamed Elhoseiny

机构 * CUHK MMLab（香港中文大学多模态实验室） 纠错

AI总结 本文提出PhysicEdit，通过引入物理状态过渡和大规模数据集，提升图像编辑的物理真实性和知识引导能力，达到开源方法的新水平。

Comments All code, checkpoints, and datasets are available at https://liangbingzhao.github.io/statics2dynamics/

Imagine a City: CityGenAgent for Procedural 3D City Generation

想象一座城市：CityGenAgent用于程序化3D城市生成

Zishan Liu, Zecong Tang, RuoCheng Wu, Xinzhe Zheng, Jingyu Hu, Ka-Hei Hui, Haoran Xie, Bo Dai, Zhengzhe Liu

机构 * Lingnan University, Hong Kong SAR, China（岭南大学） ； Zhejiang University, Hangzhou, China（浙江大学） ； The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） ； Autodesk AI Lab, Canada（Autodesk AI实验室） ； The University of Hong Kong, Hong Kong SAR, China（香港大学） 纠错

AI总结 CityGenAgent通过自然语言驱动的分层程序化生成方法，实现了高质量3D城市生成，提升了语义对齐、视觉质量和可控性。

Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective

自监督AI生成图像检测：从相机元数据视角

Nan Zhong, Mian Zou, Yiran Xu, Zhenxing Qian, Xinpeng Zhang, Baoyuan Wu, Kede Ma

机构 * Department of Computer Science, City University of Hong Kong（城市大学计算机科学系） ； Department of Computer Science, Fudan University（复旦大学计算机科学系） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）人工智能学院） ； Department of Computer Science and the Shenzhen Research Institute, City University of Hong Kong（城市大学计算机科学系和深圳研究院） 纠错

AI总结 通过相机元数据学习特征，提出自监督方法检测AI生成图像，提升检测性能和鲁棒性。

Quantum Learning and Estimation for Coordinated Operation between Distribution Networks and Energy Communities

分布式网络与能源社区协调运行中的量子学习与估计

Yingrui Zhuang, Lin Cheng, Yuji Cao, Tongxin Li, Ning Qi, Yan Xu, Yue Chen

机构 * Department of Electrical Engineering, Tsinghua University（清华大学电子工程系） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区数据科学学院） ； Department of Earth and Environmental Engineering, Columbia University（哥伦比亚大学地球与环境工程系） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） 纠错

AI总结 本文提出量子学习与估计方法，用于提升分布式网络与能源社区间的协调运行，通过量子特性提升映射精度并减少计算资源消耗。

Comments This is a manuscript published by CSEE Journal of Power and Energy Systems

JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data

JiSAM: 通过最小真实世界数据缓解自动驾驶中的标注负担和边缘案例问题

Runjian Chen, Wenqi Shao, Bo Zhang, Shaoshuai Shi, Li Jiang, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Voyager Research, Didi Chuxing（滴滴出行 Voyager 研究） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心） 纠错

AI总结 JiSAM通过最小真实世界数据缓解自动驾驶中的标注负担和边缘案例问题，利用模拟数据提升真实感知性能。

DSV: Exploiting Dynamic Sparsity to Accelerate Large-Scale Video DiT Training

DSV：利用动态稀疏性加速大规模视频DiT训练

Xin Tan, Yuetao Chen, Yimin Jiang, Xing Chen, Kun Yan, Nan Duan, Yibo Zhu, Daxin Jiang, Hong Xu

机构 * The Chinese University of Hong Kong（香港中文大学） ； StepFun ； Unaffiliated（无隶属） 纠错

AI总结 DSV通过动态稀疏性技术提升视频DiT训练效率，实现3.02倍吞吐量提升，适用于大规模高分辨率视频训练。

Journal ref ASPLOS'26: Proceedings of the 31st ACM International Conference on Architectural Support for Programming Languages and Operating Systems, Vol. 1 (2026) 101-116

Uni-ISP: Toward Unifying the Learning of ISPs from Multiple Mobile Cameras

Uni-ISP：迈向从多种移动摄像头统一学习ISP

Lingen Li, Mingde Yao, Xingyu Meng, Muquan Yu, Tianfan Xue, Jinwei Gu

机构 * Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 Uni-ISP通过统一学习多种移动摄像头的ISP，提高了图像处理的准确性和适应性，同时解锁了传统方法无法实现的新应用。

Journal ref IEEE Transactions on Image Processing, vol. 34, pp. 6126-6137, 2025

CO^3: Cooperative Unsupervised 3D Representation Learning for Autonomous Driving

CO³：协作无监督3D表示学习用于自动驾驶

Runjian Chen, Yao Mu, Runsen Xu, Wenqi Shao, Chenhan Jiang, Hang Xu, Zhenguo Li, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 CO³通过协作对比学习和上下文形状预测，实现无监督学习户外场景点云的3D表示，提升自动驾驶中的检测性能。

ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving

ColaVLA: 借助认知潜在推理实现自动驾驶中的分层并行轨迹规划

Qihang Peng, Xuesong Chen, Chenye Yang, Shaoshuai Shi, Hongsheng Li

机构 * Tsinghua University（清华大学） ； CUHK MMLab（香港中文大学MMLab） ； Voyager Research, Didi Chuxing（Voyager Research，滴滴出行） 纠错

AI总结 ColaVLA通过统一视觉-语言-动作框架，解决自动驾驶中轨迹规划的效率与准确性问题，实现高效、安全的多尺度轨迹生成。

Comments CVPR2026(Main Conference). Project page: https://pqh22.github.io/projects/ColaVLA/index.html

Concept-based Adversarial Attack: a Probabilistic Perspective

基于概念的对抗攻击：概率视角

Andi Zhang, Xuan Ding, Steven McDonagh, Samuel Kaski

机构 * University of Warwick（沃里克大学） ； University of Manchester（曼彻斯特大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Edinburgh（爱丁堡大学） ； University of Aalto（阿alto大学） 纠错

AI总结 本文提出一种基于概念的对抗攻击方法，通过概率视角生成多样化的对抗示例，保持原始概念以误导分类器，提升攻击效率。