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

Breaking Failure Cascades: Step-Aware Reinforcement Learning for Medical Multimodal Reasoning

打破失败级联：面向医学多模态推理的步骤感知强化学习

Junha Jung, Minbyul Jeong, Suhyeon Lim, Sungwook Jung, Jaehoon Yun, Taeyun Roh, Mujeen Sung, Jaewoo Kang

机构 * Korea University（高丽大学） ； Upstage AI ； Kyung Hee University（庆熙大学） ； KAIST（韩国科学技术院） ； Hanyang University College of Medicine（汉阳大学医学院） ； AIGEN Sciences 纠错

AI总结 提出步骤感知强化学习算法MRPO，通过为早期错误推理步骤分配指数级惩罚，打破失败级联，显著提升医学视觉问答准确率。

HABIT: Human-Aware Behavior and Interaction Training Dataset for Robot Manipulation

HABIT：用于机器人操作的人类感知行为与交互训练数据集

Jaehwi Song, Suchae Jeong, Byeongguk Jeon, Sungdong Kim, Minjoon Seo, Hyungmok Son, Kimin Lee

机构 * KAIST（韩国科学技术院） 纠错

AI总结 提出HABIT数据集，包含10K+集、160+小时的人类在场机器人演示，覆盖协作、共事和监督三类交互任务，训练出人类感知行为（时空同步、避让、手势理解）并支持快速适应新交互任务。

Comments 30 pages, 26 figures

HSDF-Lane: Height-Aligned Signed Distance Field with Semantic Lane Prior for 3D Lane Detection

HSDF-Lane: 高度对齐符号距离场与语义车道先验用于3D车道检测

Jiyong Boo, Byeongin Joung, Hyemin Yang, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） 纠错

AI总结 提出HSDF-Lane，通过高度对齐符号距离场隐式建模道路表面，结合可微渲染生成准确高度图和表面对齐特征，并引入车道感知语义位置编码注入车道先验，在OpenLane基准上实现3D车道检测和高度图估计的最优性能。

Comments ECCV 2026, Project page: https://jiyongboo.github.io/HSDF-Lane-project-page

Constrained Online Convex Optimization without Slater's Condition

无Slater条件的约束在线凸优化

Kihyun Yu, Junehee Lee, Dabeen Lee

机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔国立大学） 纠错

AI总结 提出一种自适应正则化的原始-对偶框架，无需Slater条件即可实现随机约束下$O(\sqrt{T})$遗憾和$O(\sqrt{T}\log T)$约束违反，并扩展到对抗约束。

Distill Once, Adapt Life-Long: Exploring Dataset Distillation for Continual Test-Time Adaptation

一次蒸馏，终身适应：探索数据集蒸馏用于持续测试时适应

Hyun-Kurl Jang, Jihun Kim, Hyeokjun Kweon, Kuk-Jin Yoon

机构 * KAIST, Visual Intelligence Lab（韩国科学技术院，视觉智能实验室） ； Chung-Ang University, FOV Lab（中央大学，FOV实验室） 纠错

AI总结 提出DO-ALL框架，通过数据集蒸馏生成紧凑的合成锚点，在持续测试时适应中提供稳定参考，无需保留原始源数据，提升长期鲁棒性。

Comments ECCV 2026