Johns Hopkins University（约翰斯·霍普金斯大学）

Implicit Neural Representations: A Signal Processing Perspective

隐式神经表示：信号处理视角

Dhananjaya Jayasundara, Vishal M. Patel

机构 * Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） 纠错

AI总结 本文从信号处理角度探讨隐式神经表示的发展，分析其在频谱行为、采样理论和多尺度表示中的应用，讨论了从传统坐标网络到高级设计的演变，以及在医学成像、压缩和3D场景表示中的应用。

TwinOR: Photorealistic Digital Twins of Dynamic Operating Rooms for Embodied AI Research

TwinOR：动态手术室的逼真数字双胞胎用于具身AI研究

Han Zhang, Yiqing Shen, Roger D. Soberanis-Mukul, Ankita Ghosh, Hao Ding, Lalithkumar Seenivasan, Jose L. Porras, Zhekai Mao, Chenjia Li, Wenjie Xiao, Lonny Yarmus, Angela Christine Argento, Masaru Ishii, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medical Institutions（约翰霍普金斯医学机构） 纠错

AI总结 TwinOR通过构建高保真的动态手术室数字双胞胎，为具身AI研究提供安全可控的仿真环境，实现厘米级精度的手术室几何重建与动态交互模拟，验证了其在视觉定位和几何理解任务中的真实感。

Journal ref International Journal of Computer Assisted Radiology and Surgery, 2026

Sampling Transferable Graph Neural Networks with Limited Graph Information

基于有限图信息的可迁移图神经网络采样

Haoyu Wang, Renyuan Ma, Gonzalo Mateos, Luana Ruiz

机构 * Department of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Department of Electrical and Computer Engineering, University of Rochester（电气与计算机工程系，罗切斯特大学） 纠错

AI总结 本文研究了在有限图信息下，通过特征驱动的子图采样提升图神经网络的可迁移性，通过特征-图对齐方法保留图运算的谱特性，实验证明最大化拉普拉斯迹可提升模型迁移能力和减少泛化差距。

Comments Submitted to IEEE TSP

Decomposing Generalization: Models of Generic, Habitual, and Episodic Statements

分解泛化：通用、习惯性和事件性陈述的模型

Venkata Subrahmanyan Govindarajan, Benjamin Van Durme, Aaron Steven White

机构 * University of Rochester（罗切斯特大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出语义框架建模泛化表达，构建涵盖Universal Dependencies数据集，并验证类型级和词级信息在预测泛化表达中的有效性。

Journal ref Transactions of the Association for Computational Linguistics, 2019, Volume 7

Scouting By Reward: VLM-TO-IRL-Driven Player Selection For Esports

通过奖励进行 scouting：由 VLM-TO-IRL 驱动的电子竞技玩家选拔

Qing Yan, Wenyu Yang, Yufei Wang, Wenhao Ma, Linchong Hu, Yifei Jin, Anton Dahbura

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出一种基于逆强化学习的电子竞技玩家选拔框架，通过学习专业选手的奖励函数，利用多模态双分支架构和 GAIL 目标实现玩家风格匹配评估，提升人才发现效率。

Zero-Ablation Overstates Register Content Dependence in DINO Vision Transformers

零消融高估了DINO视觉变换器中注册内容的依赖性

Felipe Parodi, Jordan Matelsky, Melanie Segado

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室） 纠错

AI总结 研究通过零消融实验发现，DINOv2+和DINOv3的注册内容对分类和分割任务至关重要，但其他替换控制方法如均值替换、噪声替换和跨图像注册洗牌能保持性能，表明注册内容并非绝对必要。

Comments 12 pages, 10 figures, to be published in CVPR 2026 HOW Vision Interpretability Workshop Proceedings