EPFL（洛桑联邦理工学院）

Loc3R-VLM: Language-based Localization and 3D Reasoning with Vision-Language Models

Loc3R-VLM：基于语言的定位与3D推理的视觉语言模型

Kevin Qu, Haozhe Qi, Mihai Dusmanu, Mahdi Rad, Rui Wang, Marc Pollefeys

机构 * Microsoft Spatial AI Lab（微软空间AI实验室） ； ETH Zurich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 Loc3R-VLM通过结合全局布局重建和显式情境建模，提升视觉语言模型的3D空间理解能力，在语言定位和3D问答任务中取得最优性能。

Comments Project Page: https://kevinqu7.github.io/loc3r-vlm

A Noise Sensitivity Exponent Controls Large Statistical-to-Computational Gaps in Single- and Multi-Index Models

噪声敏感指数控制单索引和多索引模型中的大规模统计-计算差距

Leonardo Defilippis, Florent Krzakala, Bruno Loureiro, Antoine Maillard

机构 * Departement d’Informatique, École Normale Supérieure, PSL & CNRS（信息学院，巴黎高等师范学院，PSL & CNRS） ； Information, Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息、学习与物理实验室，洛桑联邦理工学院（EPFL）） ； INRIA Paris（巴黎INRIA） 纠错

AI总结 本文研究了单索引和多索引模型中统计与计算差距的形成机制，发现噪声敏感指数决定了这些模型中统计与计算差距的存在和大小。

Video Understanding: From Geometry and Semantics to Unified Models

视频理解：从几何与语义到统一模型

Zhaochong An, Zirui Li, Mingqiao Ye, Feng Qiao, Jiaang Li, Zongwei Wu, Vishal Thengane, Chengzu Li, Lei Li, Luc Van Gool, Guolei Sun, Serge Belongie

机构 * Department of Computer Science（计算机科学系） ； University of Copenhagen（哥本哈根大学） ； College of Computer Science（计算机科学学院） ； Nankai University（南开大学） ； School of Computer and Communication Sciences（计算机与通信科学学校） ； EPFL（苏黎世联邦理工学院） ； Department of Computer Science & Engineering（计算机科学与工程系） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Computer Vision Lab（计算机视觉实验室） ； University of Würzburg（乌尔姆大学） ； Computer Science Research Centre（计算机科学研究中心） ； University of Surrey（萨里大学） ； School of Electrical, Computer and Telecommunications Engineering（电气、计算机和电信工程学院） ； University of Wollongong（沃林根大学） ； Language Technology Lab（语言技术实验室） ； University of Cambridge（剑桥大学） ； School of Artificial Intelligence（人工智能学院） ； Beijing Institute of Technology（北京理工大学） ； Institute for Computer Science（计算机科学研究所） ； INSAIT 纠错

AI总结 本文综述了视频理解的发展，从低层几何理解到高层语义理解和统一模型，探讨了时间动态和视觉上下文建模的重要性，并总结了当前研究趋势和挑战。

Comments A comprehensive survey of video understanding, spanning low-level geometry, high-level semantics, and unified understanding models

Journal ref Machine Intelligence Research 2026

Provably Safe Model Updates

可证明安全的模型更新

Leo Elmecker-Plakolm, Pierre Fasterling, Philip Sosnin, Calvin Tsay, Matthew Wicker

机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校） ； School of Computer and Comm. Sciences (IC)（计算机与通信科学系） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 本文提出可证明安全的模型更新框架，通过计算最大局部不变域来确保模型更新的安全性，有效避免遗忘并提供形式化安全保证。

Comments 12 pages, 9 figures. This work has been accepted for publication at SaTML 2026. The final version will be available on IEEE Xplore