Nanjing University（南京大学）

OpenEarth-Agent: From Tool Calling to Tool Creation for Open-Environment Earth Observation

OpenEarth-Agent：从工具调用到工具创建用于开放环境地球观测

Sijie Zhao, Feng Liu, Xueliang Zhang, Hao Chen, Xinyu Gu, Zhe Jiang, Fenghua Ling, Ben Fei, Wenlong Zhang, Junjue Wang, Weihao Xuan, Pengfeng Xiao, Naoto Yokoya, Lei Bai

机构 * Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Tokyo（东京大学） 纠错

AI总结 本文提出OpenEarth-Agent框架，通过自适应工作流规划与工具创建，解决开放环境地球观测中多源数据和异构任务的挑战，并通过OpenEarth-Bench评估其适应性和工具创建能力。

Comments 15 pages, 4 figures

The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation

黄金子空间：在持续测试时适应中效率与泛化的平衡

Guannan Lai, Da-Wei Zhou, Zhenguo Li, Han-Jia Ye

机构 * School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； Hong Kong University of Science and Technology（香港科技大学） ； Frontier Robotics（前沿机器人） 纠错

AI总结 本文提出GOLD方法，通过轻量级适配器将特征投影到黄金子空间，并动态更新子空间以提升效率和稳定性，实验证明其在分类和分割任务中表现优异。

Comments Accepted to CVPR 2026

CrowdGaussian: Reconstructing High-Fidelity 3D Gaussians for Human Crowd from a Single Image

CrowdGaussian：从单张图像重建高保真的人类人群3D高斯

Yizheng Song, Yiyu Zhuang, Qipeng Xu, Haixiang Wang, Jiahe Zhu, Jing Tian, Siyu Zhu, Hao Zhu

机构 * Nanjing University, China（南京大学） ； Fudan University, China（复旦大学） ； State Key Laboratory of Novel Software Technology, China（新型软件技术国家重点实验室） 纠错

AI总结 本文提出CrowdGaussian框架，通过单张图像直接重建多人3D高斯点云，解决遮挡、低清晰度和多样外观等挑战，实验表明其能生成逼真且几何一致的多人场景重建。

Comments Accepted by CVPR 2026

Denoise to Track: Harnessing Video Diffusion Priors for Robust Correspondence

去噪以跟踪：利用视频扩散先验进行鲁棒对应

Tianyu Yuan, Yuanbo Yang, Lin-Zhuo Chen, Yao Yao, Zhuzhong Qian

机构 * Nanjing University（南京大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出HeFT框架，利用预训练视频扩散模型的视觉先验进行零样本点跟踪，通过分析内部表示揭示注意力头在匹配、语义理解和位置编码中的不同专长，并提出基于头和频率的特征选择策略提升跟踪性能。

Scene Prior Filtering for Depth Super-Resolution

场景先验过滤用于深度超分辨率

Zhengxue Wang, Zhiqiang Yan, Ming-Hsuan Yang, Jinshan Pan, Guangwei Gao, Ying Tai, Jian Yang

机构 * PCA Lab, Nanjing University of Science and Technology, China（南京理工大学科学与工程学院实验室） ； National University of Singapore（新加坡国立大学） ； University of California, USA, and Yonsei University, South Korea（美国加州大学和韩国延世大学） ； PCA Lab, Nanjing University, China（南京大学实验室） 纠错

AI总结 本文提出SPFNet网络，利用大尺度模型的表面法线和语义图作为先验信息，通过多模态先验传播和一对一先验嵌入减少纹理干扰并提升边缘表示，实现在真实和合成数据集上的超分辨率性能。

Comments Accepted to IJCV 2026

Dreaming the Unseen: World Model-regularized Diffusion Policy for Out-of-Distribution Robustness

梦见未见：用于分布外鲁棒性的世界模型正则化扩散策略

Ziou Hu, Xiangtong Yao, Yuan Meng, Zhenshan Bing, Alois Knoll

机构 * School of Computation, Information and Technology, Technical University of Munich, Garching, Germany（慕尼黑技术大学计算与信息学院） ； State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； the School of Science and Technology, Nanjing University (Suzhou Campus), China（南京大学苏州校区科学技术学院） 纠错

AI总结 本文提出Dream Diffusion Policy，通过整合世界模型提升扩散策略在分布外扰动下的鲁棒性，实验显示其在MetaWorld和现实场景中表现优异。

Comments Under review

Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering

超越学术单一文化：面向属性图聚类的统一框架与工业视角

Yunhui Liu, Yue Liu, Yongchao Liu, Tao Zheng, Stan Z. Li, Xinwang Liu, Tieke He

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Ant Group（蚂蚁集团） ； Westlake University（西湖大学） ； College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院） 纠错

AI总结 本文提出统一框架和工业视角，分析属性图聚类在学术与工业需求间的差距，探讨评价标准、工程策略及未来研究方向。

RLVR Training of LLMs Does Not Improve Thinking Ability for General QA: Evaluation Method and a Simple Solution

基于可验证奖励的强化学习训练不会提升大语言模型的通用问答能力：评估方法和一个简单解决方案

Kaiyuan Li, Jing-Cheng Pang, Yang Yu

机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

AI总结 本文评估了基于可验证奖励的强化学习是否能提升大语言模型在通用问答任务中的推理能力，发现其效果不如可验证任务，并提出START方法提升问答质量和回答质量。

MFSR: MeanFlow Distillation for One Step Real-World Image Super Resolution

MFSR：用于一步真实世界图像超分辨率的MeanFlow蒸馏

Ruiqing Wang, Kai Zhang, Yuanzhi Zhu, Hanshu Yan, Shilin Lu, Jian Yang

机构 * Nanjing University（南京大学） ； LIX, École Polytechnique, CNRS, IPP（巴黎高等学院LIX研究所、法国国家科学研究中心、ipp） ； Salesforce AI Research（Salesforce人工智能研究） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 MFSR提出一种单步蒸馏框架，通过MeanFlow作为学习目标，实现高效高质量的图像超分辨率，同时保留少量步骤的可选路径以进一步优化。

Speedup Patch: Learning a Plug-and-Play Policy to Accelerate Embodied Manipulation

加速补丁：学习一种插件式策略以加快具身操作

Zhichao Wu, Junyin Ye, Zhilong Zhang, Yihao Sun, Haoxin Lin, Jiaheng Luo, Haoxiang Ren, Lei Yuan, Yang Yu

机构 * National Key Laboratory for Novel Software Technology, Nanjing University, China ； School of Artificial Intelligence, Nanjing University, China ； Mila-Quebec AI Institute \& Université de Montréal, Canada 纠错

AI总结 本文提出Speedup Patch，一种轻量且策略无关的框架，通过仅使用离线数据实现插件式加速，通过约束马尔可夫决策过程优化调度器，提升执行效率而不牺牲任务性能。

Towards Practical World Model-based Reinforcement Learning for Vision-Language-Action Models

面向视觉-语言-动作模型的实用世界模型强化学习

Zhilong Zhang, Haoxiang Ren, Yihao Sun, Yifei Sheng, Haonan Wang, Haoxin Lin, Zhichao Wu, Pierre-Luc Bacon, Yang Yu

机构 * National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家实验室，南京大学，南京，中国） ； School of Artificial Intelligence, Nanjing University, Nanjing, China（人工智能学院，南京大学，南京，中国） ； Mila - Quebec AI Institute（魁北克AI研究所） 纠错

AI总结 本文提出VLA-MBPO框架，解决视觉-语言-动作模型在强化学习中的世界建模、多视角一致性及稀疏奖励下的误差累积问题，提升策略性能和样本效率。

UP2You: Fast Reconstruction of Yourself from Unconstrained Photo Collections

UP2You：从无约束照片集合中快速重建自己

Zeyu Cai, Ziyang Li, Xiaoben Li, Boqian Li, Zeyu Wang, Zhenyu Zhang, Yuliang Xiu

机构 * Westlake University（西湖大学） ； Nanjing University（南京大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

AI总结 UP2You通过数据校正方法高效处理无结构照片，实现高保真的3D人物重建，无需预设模板，提升几何精度和纹理保真度。

Comments Page: https://zcai0612.github.io/UP2You Code: https://github.com/zcai0612/UP2You

Journal ref International Conference on Learning Representations (ICLR), 2026

Imaging foundation model for universal enhancement of non-ideal measurement CT

用于非理想测量CT通用增强的成像基础模型

Rongjun Ge, Yuxin Liu, Zhan Wu, Shangwen Yang, Yuan Gao, Chenyu You, Ge Wang, Shuo Li, Yuting He, Yang Chen

机构 * School of Instrument Science and Engineering, Southeast University, China（东南大学仪器科学与工程学院, 中国） ； School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院, 中国） ； Department of Radiology, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University（南京鼓楼医院放射科, 南京大学附属医院） ； Shandong Fundamental Research Center for Computer Science, Qilu University of Technology (Shandong Academy of Sciences), China（山东省计算机科学基础研究中心, 青鲁科技大学（山东科学院）, 中国） ； Department of Electrical & Computer Engineering, Yale University, USA（耶鲁大学电气与计算机工程系, 美国） ； Department of Biomedical Engineering, Rensselaer Polytechnic Institute, USA（雷士拉尔理工学院生物医学工程系, 美国） ； Department of Computer and Data Sciences, Case Western Reserve University, USA（凯斯西储大学计算机与数据科学系, 美国） ； Department of Biomedical Engineering, Case Western Reserve University, USA（凯斯西储大学生物医学工程系, 美国） 纠错

AI总结 本文提出TAMP模型，通过多尺度集成Transformer架构，提升非理想测量CT图像质量，适用于多种临床场景，实验验证其在医学影像中的有效性。

Comments This paper has been accepted by Nature Communications

SpecMol: A Spectroscopy-Grounded Foundation Model for Multi-Task Molecular Learning

SpecMol：一种基于光谱的多任务分子学习基础模型

Shuaike Shen, Jiaqing Xie, Zhuo Yang, Antong Zhang, Shuzhou Sun, Ben Gao, Tianfan Fu, Biqing Qi, Yuqiang Li

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Brown University（布朗大学） ； Nanjing University（南京大学） 纠错

AI总结 SpecMol提出一种统一框架，整合光谱解释、分子表示学习和三维结构生成，通过SpecMol-Bench评估协议实现光谱驱动的结构解析和分子生成。