The Hong Kong University of Science and Technology（香港科技大学）

Glob3R: Global Structure-from-Motion with 3D Foundation Models

Glob3R：基于3D基础模型的全局运动恢复结构

Junyuan Deng, Heng Li, Kejie Qiu, Lingteng Qiu, Rui Peng, Weichao Shen, Weihao Yuan, Siyu Zhu, Zilong Dong, Ping Tan

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； Nanjing University（南京大学） ； Fudan University（复旦大学） 纠错

AI总结 研究针对3D基础模型重建结果不准确及处理长序列或大图像集有缺陷的问题，提出Glob3R方法，通过增强主干、转换扭曲为特征轨迹、引入关联策略及进行全局优化等，实现强大准确重建，提升神经渲染质量。

Programming-by-Example for Batch-Editing Collision Meshes in 3D Software

3D软件中用于批量编辑碰撞网格的示例编程

Gengyang Xu, Dongwei Xiao, Hengcheng Zhu, Yiteng Peng, Wei Meng, Shuai Wang, Shing-Chi Cheung

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 针对3D软件中碰撞网格编辑难题，提出神经符号程序合成方法，将任务转化为例程编程问题，通过MeshForge工具实现，在6 hundred个碰撞网格的24个任务中评估，成功合成多数任务，平均所需演示次数和合成时间较少。

Lean-QIT: Towards a Formal Infrastructure for Quantum Information Theory

Lean-QIT：迈向量子信息理论的形式化基础设施

Chengkai Zhu, Ziao Tang, Guocheng Zhen, Yimeng Cao, Yusheng Zhao, Ranyiliu Chen, Xuanqiang Zhao, Lei Zhang, Xin Wang

机构 * QudeLeap Research（QudeLeap研究院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Quantum Science Center of Guangdong-Hong Kong-Macao Greater Bay Area（粤港澳大湾区量子科学中心） ； The University of Hong Kong（香港大学） 纠错

AI总结 研究旨在为量子信息理论构建形式化基础设施，通过Lean 4库LeanQIT提供相关接口，将多个重要定理形式化，分离操作定义与解析表征，为形式化QIT及相关推理提供基础和知识底物。

Comments 24+5 pages, 3 figures

Accelerating Constrained Sampling: A Large Deviations Approach

加速约束采样：大偏差方法

Yingli Wang, Changwei Tu, Xiaoyu Wang, Lingjiong Zhu

机构 * School of Mathematics, Shanghai University of Finance and Economics（上海财经大学数学学院） ； FinTech Thrust, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）金融科技学域） ； Department of Mathematics, Florida State University（佛罗里达州立大学数学系） 纠错

AI总结 本文提出通过大偏差原理分析约束采样中的Skew-Reflected非可逆 Langevin 采样方法，通过设计特定对称矩阵加速收敛并降低渐近方差。

Comments 59 pages, 15 figures

Journal ref Journal of Machine Learning Research 2026, Volume 27, Number 118, 1-61

Any to Full: Prompting Depth Anything for Depth Completion in One Stage

任何到完整：提示深度任何物以完成深度估计的一阶段

Zhiyuan Zhou, Ruofeng Liu, Taichi Liu, Weijian Zuo, Shanshan Wang, Zhiqing Hong, Desheng Zhang

机构 * Rutgers University（罗格斯大学） ； Michigan State University（密歇根州立大学） ； JD Logistics（京东物流） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 Any2Full提出一种单阶段深度完成框架，通过尺度提示适应预训练MDE模型，提升鲁棒性和效率，优于现有方法。

Comments Accepted to ECCV 2026

AffordanceSAM: Segment Anything Once More in Affordance Grounding

可负担性语义分割模型：在可负担性基础上再次分割任何事物

Dengyang Jiang, Zanyi Wang, Hengzhuang Li, Sizhe Dang, Teli Ma, Wei Wei, Guang Dai, Lei Zhang, Harry Yang, Mengmeng Wang

机构 * SGIT AI Lab（SGIT人工智能实验室） ； NWPU（西北工业大学） ； HKUST（香港科技大学） ； XJTU（西安交通大学） ； HUST（华中科技大学） ； ZJUT（浙江工业大学） 纠错

AI总结 研究聚焦全监督可负担性基础，提出AffordanceSAM，通过设计适应模块和标注数据集，以三阶段训练方式扩展SAM泛化能力，在AGD20K基准上达最优性能，展现强大泛化能力。

Comments [ACM MM 2026] SAM Meets Affordance Grounding