Johns Hopkins University（约翰斯·霍普金斯大学）

Self-Correcting Text-to-Video Generation with Misalignment Detection and Localized Refinement

具有对齐检测和局部细化的自纠正文本到视频生成

Daeun Lee, Jaehong Yoon, Jaemin Cho, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NTU Singapore（新加坡国立大学） ； Allen Institute for AI（人工智能研究院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出VideoRepair框架，通过检测并修正视频与文本提示的对齐问题，提升生成质量。框架分为三个阶段，保留正确生成区域并针对性修正错误部分，有效提升多种对齐指标。

Comments Accepted to ACL 2026 Findings. Project page: https://video-repair.github.io

Finding Culture-Sensitive Neurons in Vision-Language Models

在视觉-语言模型中寻找文化敏感神经元

Xiutian Zhao, Rochelle Choenni, Rohit Saxena, Ivan Titov

机构 * University of Edinburgh（爱丁堡大学） ； University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究视觉-语言模型处理文化相关信息的神经元特性，通过CVQA基准验证文化敏感神经元的存在及其分布，提出ConAct方法提升识别效果。

Comments Accepted to EACL 2026

Neighbor Embedding for High-Dimensional Sparse Poisson Data

邻域嵌入用于高维稀疏泊松数据

Noga Mudrik, Adam S. Charles

机构 * Department of Biomedical Engineering（生物医学工程系） ； Center for Imaging Science（成像科学中心） ； Kavli Neuroscience Discovery Institute（Kavli神经科学发现研究所） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出p-SNE方法，通过泊松分布的KL散度和Hellinger距离处理高维稀疏泊松数据，用于恢复现实数据中的结构。

Noise-Adaptive Diffusion Sampling for Inverse Problems Without Task-Specific Tuning

具有任务无关调优的噪声自适应扩散采样用于逆问题

Yingzhi Xia, Setthakorn Tanomkiattikun, Liangli Zhen, Zaiwang Gu

机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； Institute for Infocomm Research, Agency for Science, Technology and Research, Singapore（信息通信研究所，科技研究局，新加坡） ； Johns Hopkins University（约翰·霍普金斯大学） 纠错

AI总结 本文提出噪声空间Hamilton蒙特卡洛方法，用于逆问题求解，避免局部极值并提升鲁棒性，通过噪声空间探索提升重建质量。

Comments Accepted by ICLR 2026

Results-Actionability Gap: Understanding How Practitioners Evaluate LLM Products in the Wild

结果-可行动性差距：理解从业者如何在实际中评估大语言模型产品

Willem van der Maden, Malak Sadek, Ziang Xiao, Aske Mottelson, Q. Vera Liao, Jichen Zhu

机构 * HCI \& Design Section IT University of Copenhagen Copenhagen Denmark ； Centre for Human-Inspired Artificial Intelligence, Cambridge University Cambridge United Kingdom ； Computer Science Johns Hopkins University Baltimore Maryland United States ； Engineering University of Michigan Ann Arbor Michigan United States ； IT University of Copenhagen ； Centre for Human-Inspired Artificial Intelligence, Cambridge University ； Johns Hopkins University ； University of Michigan 纠错

AI总结 研究探讨从业者如何评估大语言模型产品，发现'结果-可行动性差距'问题，提出策略帮助从业者从非正式评估转向系统化评估。

WildDet3D: Scaling Promptable 3D Detection in the Wild

WildDet3D: 在真实世界中扩展可提示的3D检测

Weikai Huang, Jieyu Zhang, Sijun Li, Taoyang Jia, Jiafei Duan, Yunqian Cheng, Jaemin Cho, Matthew Wallingford, Rustin Soraki, Chris Dongjoo Kim, Shuo Liu, Donovan Clay, Taira Anderson, Winson Han, Ali Farhadi, Bharath Hariharan, Zhongzheng Ren, Ranjay Krishna

机构 * Allen Institute for AI（人工智能研究院） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出WildDet3D，一种统一的几何感知架构，支持文本、点和框提示，并在推理时整合辅助深度信号。同时，构建了最大的开放3D检测数据集WildDet3D-Data，包含13.5K类别的100万张图像，在多个基准测试中取得新突破。

Comments code: https://github.com/allenai/WildDet3D website: https://allenai.github.io/WildDet3D/

The Gait Signature of Frailty: Transfer Learning based Deep Gait Models for Scalable Frailty Assessment

体衰的步态特征：基于迁移学习的深度步态模型用于可扩展的体衰评估

Laura McDaniel, Basudha Pal, Crystal Szczesny, Yuxiang Guo, Zhaoyang Wang, Ryan Roemmich, Peter Abadir, Rama Chellappa

机构 * Department of Electrical and Computer Engineering（电气工程系） ； Johns Hopkins University（约翰霍普金斯大学） ； Division of Geriatrics and Gerontology Medicine（老年医学科） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Department of Computer Science（计算机科学系） ； Center for Movement Studies（运动研究中心） ； Kennedy Krieger Institute（肯尼迪-克里格尔研究所） ； Department of Physical Medicine and Rehabilitation（康复医学系） ； Department of Biomedical Engineering（生物医学工程系） 纠错

AI总结 本文提出公开的基于轮廓的体衰步态数据集，评估预训练步态识别模型在有限数据下的适应性，展示迁移学习对性能的影响，并通过可解释性分析验证步态特征的生物力学关联。

EditVerse: Unifying Image and Video Editing and Generation with In-Context Learning

EditVerse：通过上下文学习统一图像和视频编辑与生成

Xuan Ju, Tianyu Wang, Yuqian Zhou, He Zhang, Qing Liu, Nanxuan Zhao, Zhifei Zhang, Yijun Li, Yuanhao Cai, Shaoteng Liu, Daniil Pakhomov, Zhe Lin, Soo Ye Kim, Qiang Xu

机构 * Adobe Research（Adobe研究院） ； CUHK（中国香港大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 本文提出EditVerse框架，通过统一token序列实现图像和视频生成编辑，利用自注意力机制实现跨模态知识迁移，实验表明其在视频编辑任务中达到SOTA水平。

BASIL: Bayesian Assessment of Sycophancy in LLMs

BASIL：大型语言模型中趋炎附势行为的贝叶斯评估

Katherine Atwell, Pedram Heydari, Anthony Sicilia, Malihe Alikhani

机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； West Virginia University（西弗吉尼亚大学） 纠错

AI总结 本文提出BASIL框架，通过贝叶斯方法区分LLM中的趋炎附势行为与理性信念更新，评估模型在不确定任务中的理性表现，展示校准和微调策略能有效减少贝叶斯不一致性。

Neural Operator: Is data all you need to model the world? An insight into the paradigm of data-driven scientific ML

神经算子：数据是否是你建模世界所需的一切？对数据驱动科学ML范式的洞察

Hrishikesh Viswanath, Md Ashiqur Rahman, Abhijeet Vyas, Andrey Shor, Beatriz Medeiros, Stephanie Hernandez, Suhas Eswarappa Prameela, Aniket Bera

机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） ； Hopkins Extreme Materials Institute, Johns Hopkins University（约翰霍普金斯大学霍普金斯极端材料研究所） 纠错

AI总结 本文探讨数据驱动方法如何补充传统技术解决工程和物理问题，并指出机器学习方法的开放性问题，强调神经算子在离散性和分辨率不变性方面的优势。