University of Michigan（密歇根大学安娜堡分校）

Seeing the Evidence, Missing the Answer: Tool-Guided Vision-Language Models on Visual Illusions

看到证据，却错失答案：基于工具引导的视觉语言模型在视觉错觉中的应用

Xuesong Wang, Harry Wang

机构 * Wayne State University（韦恩州立大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出一种工具引导的推理框架，通过通用图像处理工具和提示系统，解决视觉语言模型在处理视觉错觉时的系统性偏差问题，并展示其在不同结构错觉变体上的跨结构泛化能力。

Comments CVPR 2026 DataCV Workshop, code: https://github.com/Davidxswang/cvpr_2026_datacv_submission

Dual-Imbalance Continual Learning for Real-World Food Recognition

双不平衡持续学习用于现实世界的食物识别

Xiaoyan Zhang, Jiangpeng He

机构 * University of Michigan（密歇根大学） ； Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

AI总结 本文提出DIME框架，解决持续学习中食物类别样本不平衡与新增类别数量不平衡问题，通过轻量适配器和谱合并策略提升效率，实验显示性能提升超3%。

Comments Accepted to 3rd MetaFood at CVPR 2026. Code is available at https://github.com/xiaoyanzhang1/DIME

Stable Walking for Bipedal Locomotion under Foot-Slip via Virtual Nonholonomic Constraints

通过虚拟非holonomic约束实现具有足滑的双足运动稳定性

Leonardo Colombo, Álvaro Rodríguez Abella, Alexandre Anahory Simoes, Anthony Bloch

机构 * Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（CSIC-UPM）） ； Comillas Pontifical University（科米利亚斯主教大学） ； IE University（IE大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出一种控制框架，通过虚拟非holonomic约束将足滑纳入运动模型，以实现双足运动在足滑条件下的稳定性，采用混合动力系统和非线性反馈律生成滑动兼容的混合零动力流形。

GaloisSAT: Differentiable Boolean Satisfiability Solving via Finite Field Algebra

GaloisSAT: 通过有限域代数实现可微布尔可满足性求解

Curie Kim, Carsten Portner, Mingju Liu, Steve Dai, Haoxing Ren, Brucek Khailany, Alvaro Velasquez, Ismail Alkhouri, Cunxi Yu

机构 * University of Maryland（马里兰大学） ； NVIDIA Research（英伟达研究院） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出GaloisSAT，一种结合GPU和CPU的新型SAT求解器，利用可微SAT求解引擎和传统CDCL方法，显著提升SAT竞赛指标PAR-2性能。

Stein-based Optimization of Sampling Distributions in Model Predictive Path Integral Control

基于Stein方法的路径积分控制采样分布优化

Jace Aldrich, Odest Chadwicke Jenkins

机构 * Laboratory for Perceptive RObotics and Grounded REasoning SystemS（感知机器人与基础推理系统实验室） ； Robotics Department（机器人学系） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文提出SOPPI算法，通过在MPPI环境中引入SVGD更新，动态优化动作采样分布，提升轨迹预测性能，实验表明其在不同参数下优于现有MPPI方法。

Comments 8 pages, 6 figures