University of Michigan（密歇根大学安娜堡分校）

Path-level Hindsight Instructions for Semantic Exploration in Vision-Language Navigation

路径级事后指令用于视觉语言导航中的语义探索

Sung June Kim, Sangpil Kim, Honglak Lee

机构 * Korea University（高丽大学） ； University of Michigan（密歇根大学） 纠错

AI总结 提出Phi-Nav框架，通过事后推理将指令与智能体实际探索轨迹对齐，利用三阶段双监督循环将语义未标记的运动转化为密集训练信号，在R2R-CE和RxR-CE基准上以少量专家演示取得竞争性能。

Comments Accepted to ECCV 2026

Evolutionary Feature Engineering for Structured Data

结构化数据的进化特征工程

Ege Onur Taga, Yilin Zhuang, M. Emrullah Ildiz, Petros Mol, Abhimanyu Das, Karthik Duraisamy, Samet Oymak

机构 * University of Michigan（密歇根大学） ； Google Research（谷歌研究院） 纠错

AI总结 提出基于LLM进化的特征工程框架EFE，通过Python程序表示变换，利用数据集上下文和验证集性能反馈优化，在时间序列和表格预测任务中提升准确性和可解释性。

Comments 9 page main content, 41 pages in total

Physics-Grounded Monocular Vehicle Distance Estimation Using Standardized License Plate Typography

基于标准化车牌字体的单目车辆距离估计

Manognya Lokesh Reddy, Zheng Liu

机构 * Department of Computer and Information Science, University of Michigan-Dearborn（1计算机与信息科学系，密歇根大学-迪尔伯恩分校） ； Department of Industrial and Manufacturing Systems Engineering, University of Michigan-Dearborn（2工业与制造系统工程系，密歇根大学-迪尔伯恩分校） 纠错

AI总结 本文提出了一种利用美国标准化车牌字体作为被动标记进行车辆距离估计的方法，通过显式的几何先验知识解决尺度模糊问题，无需训练数据或主动照明，实现了鲁棒的距离、相对速度和碰撞预警。

Comments 29 pages, 12 figures

Rapidly deploying on-device eye tracking by distilling visual foundation models

通过蒸馏视觉基础模型快速部署设备端眼动追踪

Cheng Jiang, Jogendra Kundu, David Colmenares, Fengting Yang, Joseph P Robinson, Ali Behrooz, Yatong An

机构 * Meta Reality Labs（Meta现实实验室） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出DistillGaze框架，通过合成数据和真实数据蒸馏视觉基础模型，实现高精度设备端眼动追踪，减少58.62%的中位眼动误差，模型轻量适合实时部署。

Spanning Tree Autoregressive Visual Generation

生成树自回归视觉生成

Sangkyu Lee, Changho Lee, Janghoon Han, Hosung Song, Tackgeun You, Hwasup Lim, Stanley Jungkyu Choi, Honglak Lee, Youngjae Yu

机构 * Yonsei University（延世大学） ； Korea Institute of Science and Technology（韩国科学技术院） ； LG AI Research（LG人工智能研究） ； University of Michigan（密歇根大学） ； Seoul National University（首尔国立大学） 纠错

AI总结 提出生成树自回归（STAR）建模，通过均匀生成树的遍历顺序在保持采样性能的同时提供灵活序列顺序，支持图像编辑。

Comments Published as a main conference paper at ECCV 2026

RADE: Learning Risk-Adjustable Driving Environment via Multi-Agent Conditional Diffusion

RADE：通过多智能体条件扩散学习风险可调整的驾驶环境

Jiawei Wang, Xintao Yan, Yao Mu, Haowei Sun, Zhong Cao, Henry X. Liu

机构 * Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） ； Department of Computer Science, University of Hong Kong（香港大学计算机科学系） ； University of Michigan Transportation Research Institute（密歇根大学交通研究研究院） 纠错

AI总结 RADE通过多智能体条件扩散模型生成真实且可控风险的驾驶场景，直接从数据学习风险条件行为，提升自动驾驶安全评估的现实性和可扩展性。

Journal ref 2025 IEEE 28th International Conference on Intelligent Transportation Systems (ITSC)