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

Unlocking Positive Transfer in Incrementally Learning Surgical Instruments: A Self-reflection Hierarchical Prompt Framework

解锁增量学习手术仪器中的正向迁移：一种自反思分层提示框架

Yu Zhu, Kang Li, Zheng Li, Pheng-Ann Heng

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 本文提出自反思分层提示框架，通过正向和反向知识迁移提升手术仪器增量分割性能，改进现有技能并避免灾难性遗忘。

Comments Accepted by CVPR 2026

HairOrbit: Multi-view Aware 3D Hair Modeling from Single Portraits

HairOrbit: 从单人像中基于多视角的3D毛发建模

Leyang Jin, Yujian Zheng, Bingkui Tong, Yuda Qiu, Zhenyu Xie, Hao Li

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； SSE, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院） ； Pinscreen 纠错

AI总结 本文提出HairOrbit框架，利用视频生成模型的3D先验知识，将单视角毛发重建转化为校准的多视角重建任务，并设计两阶段毛发生长算法，实现高质量的3D毛发合成。

Comments 17 pages, 6 figures

A Unified Perspective on Adversarial Membership Manipulation in Vision Models

视觉模型中对抗性成员操纵的统一视角

Ruize Gao, Kaiwen Zhou, Yongqiang Chen, Feng Liu

机构 * Knowin AI ； The Chinese University of Hong Kong（香港中文大学） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 本文探讨了视觉模型中对抗性成员操纵现象，揭示其几何特征并提出检测与防御策略，提升模型鲁棒性。

Comments Accepted by CVPR 2026

InverseDraping: Recovering Sewing Patterns from 3D Garment Surfaces via BoxMesh Bridging

逆褶皱：通过BoxMesh桥梁从3D服装表面恢复缝纫图案

Leyang Jin, Zirong Jin, Zisheng Ye, Haokai Pang, Xiaoguang Han, Yujian Zheng, Hao Li

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院） ； FNii-Shenzhen（深圳市未来网络智能研究院） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来网络智能重点实验室） ； Pinscreen 纠错

AI总结 本文提出通过BoxMesh桥梁从3D服装表面恢复缝纫图案的两阶段框架，通过结构化中间表示减少歧义，提升恢复精度和鲁棒性。

Comments 13 pages, 13 figures

From Broad Exploration to Stable Synthesis: Entropy-Guided Optimization for Autoregressive Image Generation

从广泛探索到稳定合成：基于熵的优化用于自回归图像生成

Han Song, Yucheng Zhou, Jianbing Shen, Yu Cheng

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Macau（澳门大学） 纠错

AI总结 本文提出基于熵的优化方法EG-GRPO，通过调整不确定性分配提升文本到图像生成的稳定性与质量，实验显示其在标准基准上达到最佳性能。

DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery

DrugPlayGround：大型语言模型和嵌入式在药物发现中的基准测试

Tianyu Liu, Sihan Jiang, Fan Zhang, Kunyang Sun, Teresa Head-Gordon, Hongyu Zhao

机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所） ； The Chinese University of Hong Kong（香港中文大学） ； University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出DrugPlayGround框架，用于评估大型语言模型在生成药物物理化学特性、药物协同作用等文本描述方面的性能，同时通过专家解释验证模型的化学和生物推理能力。

Comments 29 pages, 6 figures

PAPO: Stabilizing Rubric Integration Training via Decoupled Advantage Normalization

PAPO：通过解耦优势归一化稳定规则整合训练

Zelin Tan, Zhouliang Yu, Bohan Lin, Zijie Geng, Hejia Geng, Yudong Zhang, Mulei Zhang, Yang Chen, Shuyue Hu, Zhenfei Yin, Chen Zhang, Lei Bai

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Wuhan University（武汉大学） 纠错

AI总结 PAPO通过解耦优势归一化整合过程级评估，解决现有奖励设计的两个局限：Outcome Reward Models（ORM）仅评估最终答案正确性，而Process Reward Models（PRM）虽监督更丰富但易导致奖励黑客。

Comments 16 Pages,9 Figures

Equivariant Evidential Deep Learning for Interatomic Potentials

等变证据深度学习用于原子间势能

Zhongyao Wang, Taoyong Cui, Jiawen Zou, Shufei Zhang, Bo Yan, Wanli Ouyang, Weimin Tan, Mao Su

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 纠错

AI总结 本文提出等变证据深度学习框架，用于提升原子间势能预测的准确性和可靠性，通过等变协方差张量实现旋转不变性，提高计算效率和数据利用效率。

Category-based Galaxy Image Generation via Diffusion Models

基于类别的银河图像生成：通过扩散模型

Xingzhong Fan, Hongming Tang, Yue Zeng, M. B. N. Kouwenhoven, Guangquan Zeng

机构 * Department of Physics, Xi'an Jiaotong-Liverpool University（西交利物浦大学物理系） ； Department of Computer Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Department of Physics, The Chinese University of Hong Kong（香港中文大学物理系） 纠错

AI总结 本文提出GalCatDiff框架，结合银河图像特征和天体物理属性，通过增强的U-Net和新型Astro-RAB模块提升生成质量，实现高效且物理一致的银河生成。

Comments 23 pages, 10 figures. Accepted by AAS Astronomical Journal (AJ) and has now been published on https://iopscience.iop.org/article/10.3847/1538-3881/ae5064. See another independent work for further reference -- Can AI Dream of Unseen Galaxies? Conditional Diffusion Model for Galaxy Morphology Augmentation (Ma, Sun et al.). Comments are welcome