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

Grasp, Handover, Rotate: Bimanual Object Reorientation via Compositional Diffusion and Energy-Based Optimization

抓取、交接、旋转：通过组合扩散和基于能量的优化实现双手物体重新定向

Wun Lam Yeung, Wenjun Liu, Yui Cheung Yu, Zhengyan Lambo Qin, Qijin She, Heng Li, Ziqi Wang, Ping Tan

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 研究双手物体重新定向问题，提出基于组合扩散和能量的BiCompoDiff框架，联合优化多方面任务，结合预训练模型与能量模型，通过梯度引导和采样优化抓取姿态，实验表明其成功率和轨迹平滑度优于基线，实现有效模拟到现实转移。

Comments IROS 2026

WAT3R: Feedforward Underwater 3D Reconstruction

WAT3R：前馈水下三维重建

Jiayi Xu, Jiahao Lu, Ziqiang Zheng, Yihao Tan, Yaolong Zhu, Yuan Liu, Sai-Kit Yeung

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） 纠错

AI总结 针对水下光衰减等导致三维重建难的问题，提出WAT3R前馈框架，利用退化适应及轻量级神经适应模块，单次前向传播直接输出三维点图和相机姿态，实验证明其在多类三维重建任务中优于现有方法。

FA-LAM: Focus-Aware Large Avatar Model for One-Shot 4D Animatable Gaussian Head

FA-LAM：用于一次性4D可动画化高斯头部的焦点感知大型头像模型

Yingdong Hu, Yisheng He, Yiming Jiang, Zehong Lin, Steven Hoi, Jun Zhang

机构 * HKUST（香港科技大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； Beihang University（北京航空航天大学） ； Lingnan University（岭南大学） 纠错

AI总结 提出FA-LAM模型用于一次性创建可动画化高斯头部及实现3D、4D全头部恢复。通过分析注意力机制等确定影响因素，采用对称语义注意力正则化等方法解决问题，增强模型支持多视图和流式4D重建，提升了头部重建质量。

CMI-Mem: Toward Generalizable Long-Term Memory Management via CMI-Augmented Reinforcement Learning

CMI-Mem：通过CMI增强的强化学习实现可泛化的长期内存管理

Yubo Wang, Qiuyu Zhao, Zenghui Sun, Shichao Dong, Jinsong Lan, Xiaoyong Zhu, Haoyang Li, Bo Zheng, Lei Chen

机构 * Alibaba Group（阿里巴巴集团） ； HKUST（香港科技大学） ； PolyU（香港理工大学） ； HKUST(GZ)（香港科技大学（广州）） 纠错

AI总结 研究针对现有内存管理器模型局限，提出基于强化学习的CMI-Mem模型，结合下游问答正确性与内在条件互信息CMI作为混合奖励，可评估新输入信息，补充而非取代问答基础，实现可泛化的长期内存管理。

StrideDiffusion: Accelerating Diffusion Models for Time-series Generation

StrideDiffusion：加速用于时间序列生成的扩散模型

Du Yin, Estrid He, Julián Jerónimo Bañuelos, Yang Yang, Feng Hu, Yuchen Luo, Hao Xue, Stephan Sigg, Flora Salim

机构 * UNSW（新南威尔士大学） ； RMIT（皇家墨尔本理工大学） ； Aalto University（阿尔托大学） ； HKUST(GZ)（香港科技大学（广州）） 纠错

AI总结 研究针对扩散模型推理时去噪步骤多限制实际应用的问题，提出StrideDiffusion采样器，依据频带活动自适应选步长，经实验验证该方法能大幅加速时间序列生成，保持或提升质量，为快速采样提供实用信号。

Comments Under Review