University of Edinburgh（爱丁堡大学）

BiMotion: B-spline Motion for Text-guided Dynamic 3D Character Generation

BiMotion: B-spline 动作 for 文本引导的动态 3D 人物生成

Miaowei Wang, Qingxuan Yan, Zhi Cao, Yayuan Li, Oisin Mac Aodha, Jason J. Corso, Amir Vaxman

机构 * University of Edinburgh（爱丁堡大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学） ； Voxel51 纠错

AI总结 BiMotion 通过 B-spline 曲线生成高质量文本引导的动态 3D 人物动作，提升动作生成的表现力和质量。

Comments Accepted to CVPR 2026

Using ChatGPT for Data Science Analyses

利用ChatGPT进行数据科学分析

Ozan Evkaya, Miguel de Carvalho

机构 * School of Mathematics University of Edinburgh（数学系 苏格兰爱丁堡大学） 纠错

AI总结 本文探讨ChatGPT在数据科学分析中的应用，评估其在数据探索、可视化及建模任务中的能力。

Comments 19 pages with figures and appendix

Journal ref Harvard Data Science Review, 8(1) (2026)

Integrating LTL Constraints into PPO for Safe Reinforcement Learning

将LTL约束整合到PPO中以实现安全强化学习

Maifang Zhang, Hang Yu, Qian Zuo, Cheng Wang, Vaishak Belle, Fengxiang He

机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； School of Computer Science, Faculty of Engineering, University of Sydney（计算机科学学院，工程学院，悉尼大学） ； School of Engineering and Physical Sciences, Heriot-Watt University（工程与物理科学学院，赫瑞-瓦德大学） 纠错

AI总结 本文提出PPO-LTL框架，通过整合LTL约束提升强化学习的安全性，实验表明其在安全性和性能上均优于现有方法。

Spectral Attention Steering for Prompt Highlighting

光谱注意力引导用于提示突出

Weixian Waylon Li, Yuchen Niu, Yongxin Yang, Keshuang Li, Tiejun Ma, Shay B. Cohen

机构 * University of Edinburgh, UK（爱丁堡大学） ； RayNeo, China（RayNeo） ； Huawei Research Ltd., UK（华为研究有限公司） ； Queen Mary University of London, UK（伦敦大学玛丽女王学院） 纠错

AI总结 SEKA和AdaSEKA通过直接编辑键嵌入实现无需训练的注意力引导，显著提升提示突出性能，同时保持低延迟和内存开销。

Comments Accepted to ICLR 2026 (Poster, Top 4%)

Unified Vision-Language Modeling via Concept Space Alignment

通过概念空间对齐实现统一的视觉-语言建模

Yifu Qiu, Paul-Ambroise Duquenne, Holger Schwenk

机构 * University of Edinburgh（爱丁堡大学） ； FAIR at Meta（Meta公司FAIR团队） 纠错

AI总结 通过概念空间对齐实现统一的视觉-语言建模，V-SONAR在多语言和多模态任务中超越现有模型。

Comments ICLR 2026

MMCOMET: A Large-Scale Multimodal Commonsense Knowledge Graph for Contextual Reasoning

MMCOMET：一种大规模多模态常识知识图谱用于上下文推理

Eileen Wang, Hiba Arnaout, Dhita Pratama, Shuo Yang, Dangyang Liu, Jie Yang, Josiah Poon, Jeff Pan, Caren Han

机构 * University of Sydney（悉尼大学） ； University of Melbourne（墨尔本大学） ； University of Edinburgh（爱丁堡大学） ； The University of Sydney（悉尼大学） 纠错

AI总结 MMCOMET是一种大规模多模态常识知识图谱，通过整合视觉、物理和社会知识，提升了复杂推理任务如图像描述和叙事生成的性能。

Transmit Weights, Not Features: Orthogonal-Basis Aided Wireless Point-Cloud Transmission

传输权重，而非特征：基于正交基的无线点云传输

Junlin Chang, Yubo Han, Hang Yue, John S Thompson, Rongke Liu

机构 * Beihang University（北京航空航天大学） ； Pengcheng Laboratory（鹏城实验室） ； Shenzhen Institute of Beihang University（北京航空航天大学深圳研究院） ； University of Edinburgh（爱丁堡大学） ； IDCOM（影像、数据与通讯研究所） 纠错

AI总结 本文提出基于正交基的无线点云传输框架，通过预测接收端语义正交特征池的组合权重，实现紧凑表示和稳健重建，并在不同带宽下表现出色。

Comments 5 pages, 5 figures

TTSDS2: Resources and Benchmark for Evaluating Human-Quality Text to Speech Systems

TTSDS2：评估人类质量文本到语音系统的资源和基准

Christoph Minixhofer, Ondrej Klejch, Peter Bell

机构 * Centre for Speech Technology Research University of Edinburgh（语音技术研究中心爱丁堡大学） 纠错

AI总结 TTSDS2是一种改进的TTS评估基准，通过高相关性指标和持续更新的资源，提升对合成语音真实性的评估能力。

Benchmarking Self-Supervised Learning Methods for Accelerated MRI Reconstruction

对加速MRI重建的自监督学习方法进行基准测试

Andrew Wang, Steven McDonagh, Mike Davies

机构 * Institute for Imaging, Data and Communications, School of Engineering, University of Edinburgh（成像、数据与通讯研究所，工程学院，爱丁堡大学） 纠错

AI总结 本文提出SSIBench框架，用于统一和评估无需真实数据的自监督成像方法，展示了不同场景下的性能差异，并提出新的损失函数以促进未来改进。

Comments Preprint. Live benchmark site available at https://andrewwango.github.io/ssibench

Digital Companionship: Overlapping Uses of AI Companions and AI Assistants

数字陪伴：AI陪伴与AI助手的重叠使用

Aikaterina Manoli, Janet V. T. Pauketat, Ali Ladak, Hayoun Noh, Angel Hsing-Chi Hwang, Jacy Reese Anthis

机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。

Comments Final version with incorporated reviewer comments

A Monte Carlo estimator of flow fields for sampling and noise problems

用于采样和噪声问题的流场蒙特卡洛估计器

Michael S. Albergo, Gurtej Kanwar

机构 * Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy（理论物理中心） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文提出了一种基于蒙特卡洛估计的流场方法，用于解决格点场论中的临界减慢和信噪比问题，并通过U(1)传输问题和SU(N)胶子相关函数进行验证。

Comments 10 pages, 5 figures. Proceedings of the 42nd International Symposium on Lattice Field Theory (LATTICE2025)