The University of Hong Kong（香港大学）

ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation

ComSim：通过组合模拟构建可扩展的现实世界机器人数据生成

Yiran Qin, Jiahua Ma, Li Kang, Wenzhan Li, Yihang Jiao, Xin Wen, Xiufeng Song, Heng Zhou, Jiwen Yu, Zhenfei Yin, Xihui Liu, Philip Torr, Yilun Du, Ruimao Zhang

机构 * CUHK-Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； USTC（中国科学技术大学） ； The University of Hong Kong（香港大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出Compositional Simulation方法，结合经典模拟与神经模拟生成准确的动作-视频对，通过闭环数据增强管道生成大规模高质量训练数据，减少仿真到现实的域差距，提升现实环境中的政策模型性能。

Comments 14 pages, 8 figures, 4 tables; supplementary material included; Project page: https://faceong.github.io/ComSim/

AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps

AIM: 基于意图的统一世界动作建模与空间价值图

Liaoyuan Fan, Zetian Xu, Chen Cao, Wenyao Zhang, Mingqi Yuan, Jiayu Chen

机构 * INFIFORCE Intelligent Technology Co., Ltd.（英飞睿智科技有限公司） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 AIM通过显式空间接口解决视频模型与动作生成间的结构不匹配问题，利用预训练视频生成模型和意图因果注意力机制，实现高成功率的机器人控制。

AmodalSVG: Amodal Image Vectorization via Semantic Layer Peeling

AmodalSVG：基于语义层剥离的模态图像向量化

Juncheng Hu, Ziteng Xue, Guotao Liang, Anran Qi, Buyu Li, Sheng Wang, Dong Xu, Qian Yu

机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； Igarashi Lab, The University of Tokyo（东京大学五十岚实验室） ； Bambu Lab ； Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） 纠错

AI总结 AmodalSVG通过语义层剥离技术，实现对自然图像中遮挡区域的完整几何向量化，提升SVG的结构编辑能力。

A Progressive Training Strategy for Vision-Language Models to Counteract Spatio-Temporal Hallucinations in Embodied Reasoning

一种用于对抗具身推理中时空幻觉的渐进训练策略

Xiaoda Yang, Shuai Yang, Can Wang, Jingyang Xue, Menglan Tang, Checheng Yu, Xunzhe Zhou, Sashuai Zhou, Tao Jin, Lixin Yang, Xiangyu Yue, Zhou Zhao

机构 * Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Qingdao University（青岛大学） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of YYY（YYY大学） ； Institute of WWW（WWW研究所） 纠错

AI总结 本文提出一种渐进训练框架，通过构建CoT数据集和弱标签数据提升视觉语言模型的时空推理能力，有效缩小了正反向性能差距。

AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design

AutoMS：多智能体进化搜索用于跨物理逆微结构设计

Zhenyuan Zhao, Yu Xing, Tianyang Xue, Lingxin Cao, Xin Yan, Lin Lu

机构 * Shandong University（山东大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出AutoMS，通过LLM驱动的进化搜索解决跨物理逆微结构设计问题，实现83.8%的成功率，优于传统算法和现有基线方法。

Find Your Optimal Teacher: Personalized Data Synthesis via Router-Guided Multi-Teacher Distillation

找到你的最优教师：通过路由器引导的多教师蒸馏实现个性化数据合成

Hengyuan Zhang, Shiping Yang, Xiao Liang, Chenming Shang, Yuxuan Jiang, Chaofan Tao, Jing Xiong, Hayden Kwok-Hay So, Ruobing Xie, Angel X. Chang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Simon Fraser University（西蒙菲莎大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Tencent（腾讯） 纠错

AI总结 本文提出PerSyn策略，通过'路由然后生成'范式为每个学生模型定制数据，提升学习效率。实验表明其在指令微调和数学推理中表现优异。

Comments ACL 2026 Main Conference

Dark-EvGS: Event Camera as an Eye for Radiance Field in the Dark

暗光环境下的辐射场重建：事件相机作为视觉的眼睛

Jingqian Wu, Peiqi Duan, Zongqiang Wang, Changwei Wang, Boxin Shi, Edmund Y. Lam

机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电机电子工程系） ； State Key Laboratory of Multimedia Information Processing and National Engineering Research Center of Visual Technology, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室及视觉技术国家工程研究中心） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology（齐鲁工业大学（山东省科学院）山东省计算中心（国家超级计算济南中心）计算力网络与信息安全教育部重点实验室） 纠错

AI总结 本文提出Dark-EvGS框架，利用事件相机和3D高斯点绘制技术，在暗光环境中实现高质量辐射场重建，通过三重监督和颜色匹配模块提升合成图像质量。

GoT-R1: Unleashing Reasoning Capability of MLLM for Visual Generation with Reinforcement Learning

GoT-R1：通过强化学习提升MLLM的视觉生成推理能力

Chengqi Duan, Rongyao Fang, Yuqing Wang, Kun Wang, Linjiang Huang, Xingyu Zeng, Hongsheng Li, Xihui Liu

机构 * HKU MMLAB（香港大学多媒体实验室） ； CUHK MMLAB（香港中文大学多媒体实验室） ； Sensetime（商汤科技） ； Beihang University（北京航空航天大学） ； SUAT（上海人工智能实验室） 纠错

AI总结 GoT-R1通过强化学习提升视觉生成中的语义-空间推理能力，改进了复杂提示下的图像生成效果，实验表明在T2I-CompBench基准上表现优异。

Comments Github page refer to: https://github.com/gogoduan/GoT-R1. Published as a conference paper at ICLR 2026

CodeComp: Structural KV Cache Compression for Agentic Coding

CodeComp: 用于代理编程的结构化KV缓存压缩

Qiujiang Chen, Jing Xiong, Chenyang Zhao, Sidi Yang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； LMSYS Org（LMSYS组织） 纠错

AI总结 CodeComp通过引入静态程序分析，在LLM推理中整合代码属性图先验，有效压缩KV缓存，提升代码定位和生成任务的准确性与效率。

RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling

RF-LEGO：通过深度反卷积实现射频感知的模块化信号处理-深度学习协同设计

Luca Jiang-Tao Yu, Chenshu Wu

机构 * The University of Hong Kong（香港大学） 纠错

AI总结 本文提出RF-LEGO框架，通过深度反卷积将可解释的信号处理算法转化为可训练的深度学习模块，提升射频感知任务的模块化、可扩展性和可解释性。

Comments Accepted by The 32nd Annual International Conference on Mobile Computing and Networking (MobiCom '26), October 26-30, 2026, Austin, TX, USA. 16 pages

Device-Conditioned Neural Architecture Search for Efficient Robotic Manipulation

设备条件神经架构搜索用于高效机器人操作

Yiming Wu, Huan Wang, Zhenghao Chen, Ge Yuan, Dong Xu

机构 * The University of Hong Kong（香港大学） ； Westlake University（西湖大学） ； The University of Newcastle（纽卡斯尔大学） 纠错

AI总结 本文提出DC-QFA框架，通过设备条件量化训练和硬件约束架构搜索，实现高效机器人操作部署，减少优化时间并提升泛化能力。

Comments 17 pages, 4 figures

NeuroFlow: Toward Unified Visual Encoding and Decoding from Neural Activity

NeuroFlow：迈向从神经活动统一的视觉编码和解码

Weijian Mai, Mu Nan, Yu Zhu, Jiahang Cao, Rui Zhang, Yuqin Dai, Chunfeng Song, Andrew F. Luo, Jiamin Wu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tsinghua University（清华大学） ； Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 NeuroFlow首次提出统一框架，通过单一流模型联合建模视觉和神经活动的编码解码，提升效率与一致性。

Comments Accepted to CVPR 2026. Project page: https://michaelmaiii.github.io/NeuroFlow-S

TaFall: Balance-Informed Fall Detection via Passive Thermal Sensing

TaFall：基于被动热传感的平衡感知跌倒检测

Chengxiao Li, Xie Zhang, Wei Zhu, Yan Jiang, Chenshu Wu

机构 * University of Hong Kong（香港大学） ； West China Hospital, Sichuan University（四川大学华西医院） 纠错

AI总结 TaFall通过低成本隐私保护热阵列传感，结合平衡动态建模实现高可靠跌倒检测，其在真实环境中实现了98.26%的检测率和0.65%的误报率。

MARS: Unleashing the Power of Speculative Decoding via Margin-Aware Verification

MARS：通过边距感知验证释放推测解码的潜力

Jingwei Song, Xinyu Wang, Hanbin Wang, Xiaoxuan Lei, Bill Shi, Shixin Han, Eric Yang, Xiao-Wen Chang, Lynn Ai

机构 * The University of Hong Kong（香港大学） ； McGill University（麦吉尔大学） ； Peking University（北京大学） ； gradient ； Alibaba Cloud（阿里云） ； Mila ； SimpleWay 纠错

AI总结 MARS通过边距感知验证策略提升LLM推理效率，无需额外训练，适应目标模型的决策稳定性，减少验证过程中的回滚成本，实验证明在不同模型规模上显著提升推理速度同时保持生成质量。

Comments 12 pages, 4 figures, 7 tables

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。