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

GeomPrompt: Geometric Prompt Learning for RGB-D Semantic Segmentation Under Missing and Degraded Depth

GeomPrompt：用于在缺失和退化深度下的RGB-D语义分割的几何提示学习

Krishna Jaganathan, Patricio Vela

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

AI总结 GeomPrompt通过从RGB生成任务驱动的几何提示，提升RGB-D语义分割在缺失和退化深度下的性能，同时比单目深度估计器更高效。

Comments Accepted to the CVPR 2026 URVIS Workshop. Project page: https://geomprompt.github.io

Online Covariance Estimation in Averaged SGD: Improved Batch-Mean Rates and Minimax Optimality via Trajectory Regression

在线协方差估计在平均SGD中：通过轨迹回归实现改进的批量均值速率和最小最大最优性

Yijin Ni, Xiaoming Huo

机构 * H. Milton Stewart School of Industrial ； Systems Engineering, Georgia Institute of Technology e1,e2 纠错

AI总结 本文研究了Polyak-Ruppert平均随机梯度下降的在线协方差矩阵估计，改进了批量均值收敛速率并实现了最小最大最优性，通过轨迹回归方法分解误差并建立下限。

Self-supervised Pretraining of Cell Segmentation Models

细胞分割模型的自监督预训练

Kaden Stillwagon, Alexandra Dunnum VandeLoo, Benjamin Magondu, Craig R. Forest

机构 * School of Computer Science, Georgia Institute of Technology（佐治亚理工学院计算机科学学院） ； School of Materials Science and Engineering, Georgia Institute of Technology（佐治亚理工学院材料科学与工程学院） ； Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院机械工程学院） 纠错

AI总结 本文提出DINOCell，通过自监督学习和微调提升细胞实例分割性能，实验显示其在LIVECell基准上表现优于现有模型。

Comments 14 pages, 6 figures

RobustMedSAM: Degradation-Resilient Medical Image Segmentation via Robust Foundation Model Adaptation

RobustMedSAM: 通过鲁棒基础模型适应实现抗退化的医学图像分割

Jieru Li, Matthew Chen, Micky C. Nnamdi, J. Ben Tamo, Benoit L. Marteau, May D. Wang

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

AI总结 本文提出RobustMedSAM，通过模块级检查点融合和参数高效变体，提升医学图像分割在退化数据下的鲁棒性，实验表明其在降质图像Dice系数上优于SAM。

Comments 14 pages, 9 figures

Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning

可控且可验证的工具使用数据合成用于代理强化学习

Siyuan Xu, Shiyang Li, Xin Liu, Tianyi Liu, Yixiao Li, Zhan Shi, Zixuan Zhang, Zilong Wang, Qingyu Yin, Jianshu Chen, Tuo Zhao, Bing Yin

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon（亚马逊） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出COVERT框架，通过自进化合成和多级验证生成可靠的基础工具使用轨迹，并通过保留oracle工具调用和最终答案的增强方法提升环境复杂度，从而提升强化学习中工具调用策略的鲁棒性。

From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express

从标量到张量：声明性损失恢复了无法用神经元标量表达的认知区别

Tony Mason

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文通过扩展神经元T/I/F评价框架，发现标量无法区分认知状态，而引入声明性损失后能有效恢复这些区别，表明张量结构输出更准确地反映了LLM的认知能力。

SpeechLess: Micro-utterance with Personalized Spatial Memory-aware Assistant in Everyday Augmented Reality

SpeechLess：日常增强现实中的个性化空间记忆-aware助理的微 utterance

Yoonsang Kim, Devshree Jadeja, Divyansh Pradhan, Yalong Yang, Arie Kaufman

机构 * Stony Brook University（石溪大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 SpeechLess通过个性化空间记忆实现语音意图粒度控制，减少公共场合说话的不适，提升日常信息获取效率。

Comments 11 pages, 9 figures. This is the author's version of the article that appeared at the IEEE Conference on Virtual Reality and 3D User Interfaces (IEEE VR) 2026

Switch-JustDance: Benchmarking Whole Body Motion Tracking Controllers Using a Commercial Console Game

Switch-JustDance: 使用商业游戏机评估完整身体运动跟踪控制器的基准测试

Jeonghwan Kim, Wontaek Kim, Yidan Lu, Jin Cheng, Fatemeh Zargarbashi, Zicheng Zeng, Zekun Qi, Zhiyang Dou, Nitish Sontakke, Donghoon Baek, Sehoon Ha, Tianyu Li

机构 * Georgia Tech（佐治亚理工学院） ； HKU（香港大学） ； ETH Zurich（苏黎世联邦理工学院） ； SCUT（华南理工大学） ； THU（清华大学） ； MIT（麻省理工学院） ； PNDbotics 纠错

AI总结 本文提出Switch-JustDance基准测试平台，利用Nintendo Switch上的Just Dance游戏评估机器人完整身体控制能力，验证其可靠性并对比三种先进控制器的性能。

Self-Certifying Primal-Dual Optimization Proxies for Large-Scale Batch Economic Dispatch

自证型 primal-dual 优化代理用于大规模批量经济调度

Michael Klamkin, Mathieu Tanneau, Pascal Van Hentenryck

机构 * NSF AI Institute for Advances in Optimization, Georgia Institute of Technology（美国国家科学基金会人工智能优化研究所，佐治亚理工学院） 纠错

AI总结 本文提出一种自证型混合求解器，结合对偶理论和经典求解器，实现可解释的速度-最优性权衡，通过改进训练方法提升效率，实验显示在大规模传输系统中具有高可扩展性。

Online Covariance Matrix Estimation in Sketched Newton Methods

在线牛顿方法中的协方差矩阵估计

Wei Kuang, Mihai Anitescu, Sen Na

机构 * Department of Statistics, The University of Chicago（芝加哥大学统计系） ； Mathematics and Computer Science Division, Argonne National Laboratory（阿贡国家实验室数学与计算机科学部） ； School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程系） 纠错

AI总结 本文研究了一种在线随机化牛顿方法，通过近似牛顿步消除二次方法的计算瓶颈，并提出了一种完全在线的协方差矩阵估计器，无需矩阵分解，适用于回归问题和基准问题。

Comments 63 pages, 4 figures, 9 tables