Nanyang Technological University（南洋理工大学）

GaussianDWM++: Language-Grounded 3D Gaussian Driving World Model for Unified Scene Understanding, Editing, and Multi-Modal Generation

GaussianDWM++：用于统一场景理解、编辑与多模态生成的语言接地3D高斯驾驶世界模型

Tianchen Deng, Xuefeng Chen, Shuang Wu, Qu Chen, Jiajun Zhu, Bo Dai, Jianfei Yang, Hesheng Wang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Tsinghua University（清华大学） ； Chongqing Afari Intelligent Drive Co., Ltd.（重庆阿法瑞智能驾驶有限公司） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 该研究提出GaussianDWM++，通过基础特征高斯分词器等模块构建统一框架，在多类驾驶任务中实现场景理解、编辑与多模态生成，性能达当前最优。

AdROD: HyperNetwork-based Adversarially Robust Object Detection for Autonomous Driving

AdROD：面向自动驾驶的基于超网络的对抗鲁棒目标检测

Yuting Wu, Dongfang Guo, Xiangzhong Luo, Qun Song, Rui Tan

机构 * Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 AdROD是面向自动驾驶的嵌入式随机集成防御软件，采用低秩超网络与功能多样性机制，设两种服务模式，经多类评估优于基线防御，可在对抗场景下保持实时安全停车。

Tac4Loco: Learning Spatiotemporal Plantar Pressure Representations for Humanoid Locomotion

Tac4Loco：学习用于人形机器人运动的时空足底压力表征

Ziyun Liu, Sikai Guo, Zheng Li, Jiahang Cao, Haichao Liu, Pei Qu, Yinghong Zhang, Jinni Zhou, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出Tac4Loco框架，通过构建拓扑保持的序数表征提取足底压力时空特征，结合增强本体感知训练非对称演员-评论家策略，提升人形机器人在复杂地形的运动性能并实现零样本部署。

Comments 9 pages,6 figures

PixelControl: Fine-Grained Condition Fidelity in Text-to-Image Diffusion

PixelControl：文本到图像扩散中的细粒度条件保真度

Xin Lin, Haodong Li, Zhifei Zhang, Yutong Yang, Haitian Zheng, Juanxi Tian, Zhe Lin, Truong Nguyen

机构 * Adobe Research（奥多比研究院） ； Nanyang Technological University（南洋理工大学） ； University of California San Diego（加州大学圣迭戈分校） 纠错

AI总结 针对可控文本到图像扩散模型细粒度结构保真度不足的问题，提出PixelControl框架，通过结构感知控制注入与多尺度金字塔循环损失等设计，提升了边界及中/小区域的结构保真度。

Comments The project homepage can be found: this https URL (https://linxin0.github.io/pixelcontrol_homepage/pixelcontrol-site/)

Bitstream Action Recognition is Byte Modeling

比特流动作识别即字节建模

Fangcheng Li, Chaoran Huang, Tianyi Liu, Wenyang Liu, Kejun Wu, Qiong Liu, You Yang, Zhengguo Li

机构 * School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） ； School of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局信息通信研究院） 纠错

AI总结 该研究针对比特流损坏导致动作识别失效的问题，提出BRACE框架，结合RBCS构建首个大规模BAR数据集，实验表明其鲁棒性优于对比方法。

Comments 10 pages; supplementary material included

Not All History Helps: Velocity-Aware Selective Memory for Long-Horizon End-to-End Autonomous Driving

并非所有历史都有用：面向长 horizon 端到端自动驾驶的速度感知选择性记忆

Yuchen Liu, Ziying Song, Shengkai Zhang, Jiannan Chen, Peiliang Wu, Lei Yang, Bin Sun, Yan Gong, Li Wang

机构 * Nanyang Technological University（南洋理工大学） ； North University of China（中北大学） ； Yanshan University（燕山大学） ； Beijing Jiaotong University（北京交通大学） ； China Automotive Technology and Research Center Co., Ltd.（中国汽车技术研究中心有限公司） ； Harbin Institute of Technology（哈尔滨工业大学） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 针对长 horizon 端到端自动驾驶的历史规划状态不可靠问题，提出 StableDrive 模型，通过 SMM 与 MSTS 实现规划优化，在多个数据集上取得规划指标的 SOTA 性能。

Comments 14 pages, 7 figures

Vision-Based Tactile Intelligence for Robotics: Sensing, Learning, and Embodied Manipulation

机器人基于视觉的触觉智能：感知、学习与具身操作

Peng Zhou, Jun Hu, Sihan Chen, Zeqing Zhang, Haofei Ma, Zhenyu Lu, Sichao Liu, Xueqian Wang, Pai Zheng, Xiang Li, Shan Luo, Jia Pan, David Navarro-Alarcon, Chenguang Yang, Michael Yu Wang

机构 * Great Bay University（大湾区大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； King’s College London（伦敦国王学院） 纠错

AI总结 本综述调研机器人领域基于视觉的触觉传感器（VBTSs）全流程，对其硬件分类、学习方法、仿真与数据集等展开分析，指出开放挑战，以推进接触密集型机器人任务的触觉智能。

Incoherent by Design? On the Moral Self-Consistency of LLMs

天生不连贯？大型语言模型的道德自我一致性研究

Pegah Nokhiz, Aravinda Kanchana Ruwanpathirana, Helen Nissenbaum

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本研究针对GPT、Mistral、Llama等LLM，在义务论等三大伦理框架下，发现其道德推理存在最高78%的矛盾率，内部不连贯是AI对齐的必要前提。

Comments 88 pages; pages 16 to 88 are the appendix

Fast Test-Time Refinement for Robust Learned Image Compression

用于鲁棒学习型图像压缩的快速测试时精化

Jiaming Liang, Chi-Man Pun, Weisi Lin

机构 * University of Macau（澳门大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文针对学习型图像压缩的对抗脆弱性问题，揭示其非对称对抗轨迹特性，提出快速测试时精化框架，经多系统多攻击评估验证了该框架的鲁棒性与实用性。

IP Protection in the Era of Visual Generative AI: A Survey

视觉生成AI时代的知识产权保护：一项综述

Zhuan Shi, Shunchang Liu, Alireza Dehghanpour Farashah, Qian Yang, Han Yu, Cao Yang, Chaochao Chen, Yuping Yan, Yaochu Jin, Golnoosh Farnadi, Lingjuan Lyu

机构 * Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； EPFL（洛桑联邦理工学院） ； Université de Montréal（蒙特利尔大学） ； Nanyang Technological University（南洋理工大学） ； Science Tokyo（东京理科大学） ； Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Sony Research（索尼研究院） 纠错

AI总结 本综述针对视觉生成AI带来的知识产权风险，提出二维分类体系梳理相关防御方法，对齐评估协议并探讨挑战，为该领域研究者提供系统概述。

Comments 35 pages, 2 figures, 3 tables

Demystifying Oversmoothing in Sheaf Neural Networks: An Index-Theoretic Criterion

揭开层神经网络（Sheaf Neural Networks, SNNs）中的过度平滑之谜：一种指标理论判据

Junwen Dong, Yuhan Peng, Hao Li, Huitao Feng, Kelin Xia

机构 * Chern Institute of Mathematics（陈省身数学研究所） ； Nankai University（南开大学） ； School of Physical and Mathematical Sciences（物理与数学科学学院） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本研究针对层神经网络的过度平滑问题，提出指标理论比较判据，引入GyroSheaf扩展至非线性场景，经十个模型实验验证了该判据的有效性。

Decision-Driven Regularization: A Blended Model for Learning and Optimization

决策驱动正则化：一种用于学习与优化的混合模型

Gar Goei Loke, Qinshen Tang, Yangge Xiao, Xun Zhang

机构 * Durham University Business School（杜伦大学商学院） ； Nanyang Business School, Nanyang Technological University（南洋理工大学南洋商学院） ； Faculty of Business and Economics, The University of Melbourne（墨尔本大学商学院与经济学院） ； International Institute of Finance, School of Management, University of Science and Technology of China（中国科学技术大学管理学院国际金融研究所） 纠错

AI总结 针对上下文优化中分离式学习与优化易致决策有效性下降的问题，提出决策驱动正则化框架，平衡预测精度与代价最小化，可推广SPO+，在合成研究中优于多个基准模型。

Comments 42 pages (including appendix), 7 figures in main, journal paper