The University of Hong Kong（香港大学）

Vis2Reg: Visibility-Aware Landmark-Free Geometric 3D--2D Registration for Liver Laparoscopy

Vis2Reg：用于肝脏腹腔镜检查的可见性感知无标记几何3D-2D配准

Jiaming Feng, Xukun Zhang, Shahid Farid, Sharib Ali

机构 * AI in Medicine and Surgery Group, School of Computer Science, University of Leeds（利兹大学计算机学院医学与外科人工智能小组） ； Department of Diagnostic Radiology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院放射诊断学系） ； Department of HPB and Transplant Surgery, St. James’s University Hospital（圣詹姆斯大学医院肝脏胰胆和移植外科） 纠错

AI总结 针对AR引导腹腔镜手术中3D-2D肝脏配准难题，提出Vis2Reg框架，利用掩码一致可见区域约束变形，引入可见性感知自监督，结合刚性初始化模块与隐式神经变形场，在真实数据集上验证了准确性与效率。

Comments 11 pages

Journal ref 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI'2026)

Is Progressive Disclosure All You Need for Long-Context Agents?

长上下文智能体仅靠渐进式披露就够了吗？

Yifeng He, Yinzhe Zhao, Jicheng Wang, Hao Chen

机构 * University of California, Davis（加利福尼亚大学戴维斯分校） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 研究长文档问答中智能体获取文档路径自行决定读取内容的模式，通过对照研究，在InfiniteBench上对比原始文档导航、Agent Skills包设计与经典混合检索器，发现不同情况下各方法表现不同，渐进式披露在语料库大时作用关键。

Miles: Metric Learning with Expandable Subspace for Pre-Trained Model-Based Class-Incremental Learning

Miles：基于预训练模型的类增量学习的可扩展子空间度量学习

Kai Jiang, Zisong Lin, Hongyuan Zhang, Xueru Bai, Xuelong Li

机构 * National Key Laboratory of Radar Signal Processing, Xidian University（西安电子科技大学雷达信号处理国家重点实验室） ； The University of Hong Kong（香港大学） ； Institute of Artificial Intelligence (TeleAI) of China Telecom（中国电信人工智能研究院） 纠错

AI总结 研究基于预训练模型的类增量学习问题，提出Miles方法，通过解耦可学习模块与预训练模型，利用骨干网络中间特征先验信息实现参数空间高效扩展，经实验验证在多种CIL设置中性能领先。

Comments This work has been accepted by IEEE Transactions on Image Processing

Journal ref IEEE Transactions on Image Processing, early access, 2026

Autoregressive B-Rep Shape Generation with Parametric Surfaces

基于参数曲面的自回归 B-Rep 形状生成

Dafei Qin, Rui Xu, Zeyu Shen, Kaichun Qiao, Hongyang Lin, Qixuan Zhang, Huaijin Pi, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura

机构 * The University of Hong Kong（香港大学） ； Deemos Technology Co., Ltd.（迪莫斯科技有限公司） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； ShanghaiTech University（上海科技大学） ； Texas A&M University（德克萨斯A&M大学） 纠错

AI总结 研究提出 ParaCAD 自回归框架，用于点云条件 B-Rep 生成，直接在原生参数曲面上运行，通过以曲面为中心的令牌化编码面信息，先生成参数曲面再构建 B-Rep，实验证明其在多方面优于基于点的基线。

Dataset Distillation by Influence Matching

通过影响匹配进行数据集蒸馏

Haoru Tan, Wang Wang, Sitong Wu, Xiuzhe Wu, Yangtian Sun, Chirui Chang, Shaofeng Zhang, Xiaojuan Qi

机构 * HKU（香港大学） ； CUHK（香港中文大学） ； Stanford（斯坦福大学） 纠错

AI总结 从结果角度重审数据集蒸馏，提出影响匹配方法，通过可微估计器量化参数变化，学习合成集使影响与真实数据集匹配，在分类和视觉语言蒸馏任务中表现出色，超越基线。

Journal ref CVPR 2026

AgentBrew: Lifelong Knowledge Brewing from Strong Teachers to Weak LLM Agents

AgentBrew：从强大教师到弱小语言模型智能体的终身知识酿造

Yangqin Jiang, Chao Huang

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

AI总结 研究语言模型智能体知识酿造问题，提出AgentBrew方法，含失败触发教师和学生感知合成两个组件，无需训练，能将教师交互经验提炼到学生外部记忆，经实验验证可产生强大且可部署的智能体。

SoMA: A Real-to-Sim Neural Simulator for Robotic Soft-body Manipulation

SoMA：一种用于机器人软体操作的实-仿真神经模拟器

Mu Huang, Hui Wang, Kerui Ren, Linning Xu, Yunsong Zhou, Mulin Yu, Bo Dai, Jiangmiao Pang

机构 * Fudan University, China（复旦大学） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室） ； Shanghai Jiao Tong University, China（上海交通大学） ； The Chinese University of Hong Kong, China（香港中文大学） ； The University of Hong Kong, China（香港大学） 纠错

AI总结 SoMA是一种用于机器人软体操作的实-仿真神经模拟器，通过统一的潜在神经空间实现可控、稳定的长周期操作和泛化能力。

Comments Project page: https://city-super.github.io/SoMA/

DSBench: A Comprehensive Benchmark for Evaluating External and In-Cabin Risks

DSBench：用于评估外部和车内风险的综合基准测试

Xianhui Meng, Yuchen Zhang, Zhijian Huang, Zheng Lu, Ziling Ji, Yandan Lin, Yaoyao Yin, Hongyuan Zhang, Wei Zhou, Guangfeng Jiang, Li Zhang, Long Chen, Hangjun Ye, Jun Liu, Xiaoshuai Hao

机构 * University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Xiaomi EV（小米电动车） ； Fudan University（复旦大学） ； Xidian University（西安电子科技大学） ； South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 针对视觉语言模型在安全关键场景适用性未充分探索的问题，引入DSBench综合基准测试，涵盖外部与车内风险，分多类别。评估发现模型在复杂情况下降，构建数据集微调可提升性能，推动自动驾驶技术发展，相关资源将公开。

OmniX: From Unified Panoramic Generation and Perception to Graphics-Ready 3D Scenes

OmniX：从统一全景生成与感知到适用于图形的3D场景

Yukun Huang, Jiwen Yu, Yanning Zhou, Jianan Wang, Xintao Wang, Pengfei Wan, Xihui Liu

机构 * University of Hong Kong（香港大学） ； Kuaishou Technology（快手科技） ； Tencent（腾讯） 纠错

AI总结 研究基于全景的2D提升技术，提出OmniX框架，利用跨模态适配器结构和循环空间算子，将预训练2D流匹配先验用于多模态联合建模，构建数据集，实现适用于图形的3D场景生成，为虚拟世界创建开辟新可能。

Comments ECCV 2026; Project page: https://yukun-huang.github.io/OmniX/

Is "Knowing It's Malicious Enough?" Evaluating LLMs for Fine-Grained Malware Behavior Auditing

“知道它足够恶意吗？”评估用于细粒度恶意软件行为审计的大语言模型

Xinran Zheng, Xingzhi Qian, Yiling He, Shuo Yang, Lorenzo Cavallaro

机构 * University College London（伦敦大学学院） ； The University of Hong Kong（香港大学） 纠错

AI总结 研究针对大语言模型用于恶意软件审计可靠性不明问题，引入MalEval诊断框架，通过配对代码库与审计报告提供基本事实，经中间表示压缩代码库，映射输出到证据链，分解审计为四阶段任务，评估发现大语言模型在审计中有诸多问题，为后续可靠工作流程研究提供参考。

Comments Paper has beed accepted by ISSTA 2026