Nanyang Technological University（南洋理工大学）

PerceptionComp: A Video Benchmark for Complex Perception-Centric Reasoning

PerceptionComp：一个复杂感知导向推理的视频基准测试

Shaoxuan Li, Zhixuan Zhao, Hanze Deng, Zirun Ma, Shulin Tian, Zuyan Liu, Yushi Hu, Haoning Wu, Yuhao Dong, Benlin Liu, Ziwei Liu, Ranjay Krishna

机构 * Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 PerceptionComp是一个手动标注的复杂长时景视频推理基准测试，要求多时间片段的视觉证据和逻辑约束，涉及多个感知子任务，测试人类和模型在感知推理中的性能瓶颈。

Comments Project Page: https://perceptioncomp.github.io

Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity

双阶段不变持续学习在极端视觉稀疏性下的应用

Rangya Zhang, Jiaping Xiao, Lu Bai, Yuhang Zhang, Mir Feroskhan

机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） 纠错

AI总结 本文提出双阶段不变持续学习框架，通过联合蒸馏保持特征表示稳定性，解决极端稀疏条件下持续学习的挑战，实验表明在空间残留卫星检测中提升mAP 4.0。

Particulate: Feed-Forward 3D Object Articulation

Particulate: 用于前馈的3D物体关节化

Ruining Li, Yuxin Yao, Chuanxia Zheng, Christian Rupprecht, Joan Lasenby, Shangzhe Wu, Andrea Vedaldi

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 Particulate通过前馈模型从3D网格推断关节结构，包括3D部分、运动结构和约束，利用Transformer网络实现高效推理，速度快于传统方法，且适用于AI生成的3D资产。

Comments CVPR 2026. Project page: https://ruiningli.com/particulate

WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning

WorldMM: 动态多模态记忆代理用于长视频推理

Woongyeong Yeo, Kangsan Kim, Jaehong Yoon, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； NTU Singapore（新加坡南洋理工大学） 纠错

AI总结 WorldMM通过构建和检索多种互补记忆，提升长视频推理能力，实现8.4%的性能提升。

Comments CVPR 2026. Project page : https://worldmm.github.io

Symmetric observations without symmetric causal explanations

对称观测而不对称因果解释

Christian William, Patrick Remy, Jean-Daniel Bancal, Yu Cai, Nicolas Brunner, Alejandro Pozas-Kerstjens

机构 * Department of Applied Physics, University of Geneva（日内瓦大学应用物理系） ； School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院） 纠错

AI总结 研究探讨了对称观测是否能减少假设空间，通过三元概率分布示例证明对称性无法简化因果模型假设。

Comments 8+3 pages, 4+1 figures, RevTeX 4.2. The computational appendix is available at https://www.github.com/apozas/symmetric-causal. V2: published version

Journal ref Phys. Rev. A 113, 032219 (2026)

Uncovering What, Why and How: A Comprehensive Benchmark for Causation Understanding of Video Anomaly

揭示是什么、为什么和如何：面向视频异常因果理解的全面基准

Hang Du, Sicheng Zhang, Binzhu Xie, Guoshun Nan, Jiayang Zhang, Junrui Xu, Hangyu Liu, Sicong Leng, Jiangming Liu, Hehe Fan, Dajiu Huang, Jing Feng, Linli Chen, Can Zhang, Xuhuan Li, Hao Zhang, Jianhang Chen, Qimei Cui, Xiaofeng Tao

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Nanyang Technological University（南洋理工大学） ； Yunnan University（云南大学） ； Zhejiang University（浙江大学） ； China Telecom Co., Ltd. Sichuan Branch（中国电信股份有限公司四川分公司） 纠错

AI总结 本文提出CUVA基准，通过三种人类标注解决视频异常的'what'、'why'和'how'问题，并引入MMEval评估指标和基于提示的方法，验证其在异常因果理解中的有效性。

Comments Accepted in CVPR2024, Codebase: https://github.com/fesvhtr/CUVA

FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning

FedRE：一种用于模型异质联邦学习的表示纠缠框架

Yuan Yao, Lixu Wang, Jiaqi Wu, Jin Song, Simin Chen, Zehua Wang, Zijian Tian, Wei Chen, Huixia Li, Xiaoxiao Li

机构 * Teleinfo, CAICT（中国信息通信研究院） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of British Columbia（不列颠哥伦比亚大学） ； China University of Mining and Technology-Beijing（中国矿业大学（北京）） ； China University of Mining and Technology（中国矿业大学） ； Beijing Jiaotong University（北京交通大学） 纠错

AI总结 FedRE提出了一种表示纠缠框架，通过纠缠表示和纠缠标签编码提升模型异质联邦学习的性能，平衡模型效果、隐私保护和通信开销。

Comments Accepted by CVPR 2026