Korea Advanced Institute of Science and Technology（韩国科学技术院）

See & Sniff: Learning Visuo-Olfactory Representations

See & Sniff: 学习视觉-嗅觉表征

Seongyu Kim, Seungwoo Lee, Hyeonggon Ryu, Joon Son Chung, Arda Senocak

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hankuk University of Foreign Studies（韩国外国语大学） ； Ulsan National Institute of Science and Technology（蔚山科学技术院） 纠错

AI总结 提出SmellNet-V数据集和See & Sniff自监督框架，通过密集局部对齐学习联合视觉-嗅觉表征，实现气味分类、跨模态检索和气味定位，性能提升7%。

Comments ECCV 2026. Project Page: https://mm.kaist.ac.kr/projects/SeeandSniff/

PlanRL: A Trajectory Planning Architecture for Reinforcement Learning-based Driving Experts

PlanRL: 一种用于基于强化学习的驾驶专家的轨迹规划架构

Joonhee Lim, Yongjae Lee, Jangho Shin, Dongsuk Kum

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Hyundai Motor Company（现代汽车公司） 纠错

AI总结 提出一种将强化学习策略与多项式轨迹规划器结合的轨迹规划架构，通过Frenet坐标系简化道路几何并加入运动学可行性检查，在CARLA基准上驾驶评分提升5%-11%，成功率提升8%-19%。

Comments Accepted at IROS 2026

ProtoKV: Streaming Video Understanding under Delayed Query with Summary-State Memory

ProtoKV: 延迟查询下的流式视频理解与摘要状态记忆

Le Tu Ngoc Minh, Jinyeong Lim, Dongsu Han

机构 * KAIST（韩国科学技术院） 纠错

AI总结 提出ProtoKV，一种固定内存的流式视频理解记忆机制，通过摘要状态表示远历史，在长延迟查询下准确率提升高达12.5点。

Comments 20 pages, 4 figures, Accepted to ICML 2026

CascadeFormer: Depth-Tapered Transformers Motivated by Gradient Fan-in Asymmetry

CascadeFormer: 由梯度扇入不对称性启发的深度锥形Transformer

Huzama Ahmad, Cao Viet Hai Nam, Se-Young Yun

机构 * KAIST（韩国科学技术院） 纠错

AI总结 针对深层Transformer中深层贡献不足的问题，提出CascadeFormer通过锥形宽度匹配信息流，以及CascadeFlow Pruning利用梯度剪枝层，基于梯度扇入不对称性（GFA）理论解释深层贡献少的原因。

Comments 18 pages, 8 figures, 5 tables

Error-Conditioned Neural Solvers

误差条件神经求解器

Haina Jiang, Liam Wang, Peng-Chen Chen, Min Seop Kwak, Seungryong Kim, Brian Bell, Jeong Joon Park

机构 * University of Michigan（密歇根大学） ； KAIST AI（韩国科学技术院人工智能） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） 纠错

AI总结 提出误差条件神经求解器（ENS），通过将PDE残差场作为网络输入，学习迭代校正策略，在多个PDE族上实现高精度预测，尤其适用于病态系统。

GenRecal: Generation after Recalibration from Large to Small Vision-Language Models

GenRecal：从大到小视觉语言模型的校准后生成

Byung-Kwan Lee, Ryo Hachiuma, Yong Man Ro, Yu-Chiang Frank Wang, Yueh-Hua Wu

机构 * NVIDIA ； KAIST（韩国成均馆大学） 纠错

AI总结 提出GenRecal通用蒸馏框架，通过校准器对齐异构VLM特征，实现从大到小模型的有效知识迁移，在多个基准上超越大规模开源和闭源VLM。

Comments Project page: https://byungkwanlee.github.io/GenRecal-page/