Georgia Institute of Technology（佐治亚理工学院）

SpiderCam: Low-Power Snapshot Depth from Differential Defocus

SpiderCam: 低功耗差分模糊拍摄深度

Marcos A. Ferreira, Tianao Li, John Mamish, Josiah Hester, Yaman Sangar, Qi Guo, Emma Alexander

机构 * Northwestern University（西北大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学） 纠错

AI总结 SpiderCam通过FPGA实现低功耗差分模糊拍摄深度，实时生成480x400稀疏深度图，功耗仅624mW，首次实现被动FPGA 3D相机亚瓦特总功耗。

Comments Accepted to IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

Constraint Learning in Multi-Agent Dynamic Games from Demonstrations of Local Nash Interactions

从局部纳什互动演示中学习多智能体动态博弈的约束

Zhouyu Zhang, Chih-Yuan Chiu, Glen Chou

机构 * Georgia Institute of Technology（佐治亚理工学院） ； School of ECE（电子工程学院） ； Schools of AE and CSP（航空航天与通信科学学院） 纠错

AI总结 本文提出基于逆动态博弈的算法，从给定的局部纳什均衡互动数据中学习参数约束，通过混合整数线性规划编码KKT条件，恢复与互动演示局部纳什站稳一致的约束，并设计满足底层约束的运动计划。

Shot-Aware Frame Sampling for Video Understanding

面向快门的视频帧采样

Mengyu Zhao, Di Fu, Yongyu Xie, Jiaxing Zhang, Zhigang Yuan, Shirin Jalali, Yong Cao

机构 * ByteDance（字节跳动） ； Rutgers University（罗格斯大学） ； Georgia Tech（佐治亚理工学院） 纠错

AI总结 本文提出InfoShot，一种任务无关的快门感知帧采样方法，用于长视频理解。通过分割视频为语义一致的快门，并选择两种互补的关键帧，以保留视频结构和短时变化信息，提升视频理解和异常检测性能。

ReSteer: Quantifying and Refining the Steerability of Multitask Robot Policies

ReSteer：量化和改进多任务机器人策略的可操控性

Zhenyang Chen, Alan Tian, Liquan Wang, Benjamin Joffe, Yingyan Celine Lin, Yuxiao Chen, Siddharth Karamcheti, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出ReSteer框架，通过量化和提升多任务机器人策略的可操控性，揭示训练任务轨迹分布重叠有限是导致可操控性不足的原因，并通过三个组件改进策略的可操控性。

Comments Project website: https://resteer-vla.github.io/

DANCE: Dynamic 3D CNN Pruning: Joint Frame, Channel, and Feature Adaptation for Energy Efficiency on the Edge

DANCE：动态3D CNN剪枝：联合帧、通道和特征适应以实现边缘计算的能效

Mohamed Mejri, Ashiqur Rasul, Abhijit Chatterjee

机构 * School of Electrical and Computer Engineering, Georgia Tech（佐治亚理工学院电气与计算机工程学院） 纠错

AI总结 本文提出DANCE框架，通过动态剪枝提升3D CNN在边缘计算中的能效，通过激活方差放大和自适应激活剪枝实现高效资源利用，实验显示在Jetson Nano和Snapdragon 8 Gen 1平台达到1.37X和2.22X的速度提升。

MosaicMem: Hybrid Spatial Memory for Controllable Video World Models

MosaicMem: 用于可控视频世界模型的混合空间记忆

Wei Yu, Runjia Qian, Yumeng Li, Liquan Wang, Songheng Yin, Sri Siddarth Chakaravarthy P, Dennis Anthony, Yang Ye, Yidi Li, Weiwei Wan, Animesh Garg

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； The University of Osaka（大阪大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mujin Inc.（Mujin公司） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Taiyuan University of Technology（太原本科技大学） 纠错

AI总结 MosaicMem提出一种混合空间记忆方法，通过提升片段至3D实现可靠定位与检索，结合模型原生条件化保留提示生成，提升姿态一致性与动态建模能力，支持细粒度导航与场景编辑。

Comments Project Page: https://mosaicmem.github.io/mosaicmem/

Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning

联邦因果表示学习在状态空间系统中的应用以实现去中心化反事实推理

Nazal Mohamed, Ayush Mohanty, Nagi Gebraeel

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出一种联邦框架，用于状态空间系统中的因果表示学习，以解决工业资产间因控制输入不同导致的输出变化问题，通过去中心化反事实推理实现跨客户端的准确推断。

Comments Manuscript under review

Distribution-Free Sequential Prediction with Abstentions

无需分布的序列预测与退缩

Jialin Yu, Moïse Blanchard

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究在允许对手注入任意多个对抗实例的序列预测问题中，学习者可选择退缩以避免惩罚。提出AbstainBoost算法，在无分布知识下实现VC类的亚线性误差。

Comments 40 pages, 2 figures

Unsupervised Decomposition and Recombination with Discriminator-Driven Diffusion Models

无监督分解与重组：基于判别器驱动的扩散模型

Archer Wang, Emile Anand, Yilun Du, Marin Soljačić

机构 * Research Laboratory of Electronics, MIT, Cambridge, MA 02139, USA（MIT电子研究实验室） ； Department of Physics, Massachusetts Institute of Technology, MIT, Cambridge, MA, USA（麻省理工学院物理系） ； NSF AI Institute for Artificial Intelligence（国家科学基金会人工智能与基本相互作用研究所） ； Kempner Institute, Harvard University, Cambridge, MA, USA（哈佛大学 Kempner 院） ； Google DeepMind, Mountain View, CA, USA（Google DeepMind） ； School of Computer Science, Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院计算机科学系） 纠错

AI总结 本文提出基于判别器驱动的扩散模型，用于无监督分解和重组数据，通过对抗训练提升潜在因子发现和生成质量，实验显示在多个数据集上优于基线方法，且在机器人视频轨迹中实现新应用。

Comments 28 pages, 16 figures, 4 tables

Slow-Fast Policy Optimization: Reposition-Before-Update for LLM Reasoning

慢-快策略优化：在更新前重新定位用于大语言模型推理

Ziyan Wang, Zheng Wang, Xingwei Qu, Qi Cheng, Jie Fu, Shengpu Tang, Minjia Zhang, Xiaoming Huo

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Manchester（曼彻斯特大学） ； NVIDIA ； Independent（独立） ； Emory University（埃默里大学） 纠错

AI总结 本文提出慢-快策略优化框架，通过分解步骤为三个阶段，解决RL在早期训练中的稳定性与效率问题，实验表明其在推理任务中提升稳定性、减少rollouts数量并加速收敛。

Comments Published as a conference paper at ICLR 2026