New York University（纽约大学）

On the Robustness of Watermarking for Autoregressive Image Generation

关于自回归图像生成中水印的鲁棒性

Andreas Müller, Denis Lukovnikov, Shingo Kodama, Minh Pham, Anubhav Jain, Jonathan Petit, Niv Cohen, Asja Fischer

机构 * Ruhr University Bochum（波鸿鲁尔大学） ； Middlebury College（米德尔伯里学院） ； New York University（纽约大学） ； Independent Researcher（独立研究员） ； Qualcomm（高通） 纠错

AI总结 研究自回归图像生成中水印技术的鲁棒性，揭示其易受移除和伪造攻击的影响，并提出三种新攻击方法，表明现有水印方案无法可靠检测合成内容。

Safe Human-to-Humanoid Motion Imitation Using Control Barrier Functions

安全的人到人形机器人运动模仿使用控制障碍函数

Wenqi Cai, John Abanes, Nikolaos Evangeliou, Anthony Tzes

机构 * New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校） ； New York University（纽约大学） ； NYUAD Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比人工智能与机器人中心） 纠错

AI总结 本文提出了一种基于视觉的框架，通过控制障碍函数层确保人形机器人在模仿人类动作时的安全性，利用单摄像头捕捉人体骨骼关键点并转换为关节角度，通过二次规划过滤模仿指令以避免碰撞。

Mobile GUI Agent Privacy Personalization with Trajectory Induced Preference Optimization

基于轨迹诱导的偏好优化的移动GUI代理隐私个性化

Zhixin Lin, Jungang Li, Dongliang Xu, Shidong Pan, Yibo Shi, Yuchi Liu, Yuecong Min, Yue Yao

机构 * Shandong University（山东大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； New York University（纽约大学） ； Xi'an Jiaotong University（西安交通大学） ； Australian National University（澳大利亚国立大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

AI总结 本文研究移动GUI代理的隐私个性化问题，提出轨迹诱导偏好优化方法，通过偏好强度加权和填充门机制提升隐私保护与任务执行效率。

Comments 10 pages, 6 figures, 3 tables

FPBench: A Comprehensive Benchmark of Multimodal Large Language Models for Fingerprint Analysis

FPBench: 多模态大语言模型在指纹分析中的综合基准测试

Ekta Gavas, Sudipta Banerjee, Chinmay Hegde, Nasir Memon

机构 * New York University（纽约大学） ； University of Wyoming（怀俄明大学） 纠错

AI总结 本文提出FPBench基准测试，评估20种多模态大语言模型在7个真实和合成数据集上的8项生物识别任务，发现微调视觉和语言编码器可提升性能7%-39%。

Comments Revised version with additional experiments and code release

DiffClean: Diffusion-based Makeup Removal for Accurate Age Estimation

DiffClean: 基于扩散模型的化妆去除用于准确年龄估计

Ekta Gavas, Sudipta Banerjee, Chinmay Hegde, Nasir Memon

机构 * New York University（纽约大学） ； University of Wyoming（怀俄明大学） 纠错

AI总结 本文提出DiffClean，通过文本引导的扩散模型去除化妆痕迹，提升年龄估计和面部验证的准确性，有效对抗化妆攻击。

Comments Revised version with minor changes and code release

Orthogonal machine learning for conditional odds and risk ratios

正交机器学习用于条件比值和风险比

Jiacheng Ge, Iván Díaz

机构 * New York University Grossman School of Medicine（纽约大学格罗斯曼医学院） 纠错

AI总结 本文提出基于正交风险函数的非参数估计方法，用于估计条件比值和风险比，通过蒙特卡洛模拟比较不同估计器的性能，展示其在真实世界复杂场景中的优势。

MoveFM-R: Advancing Mobility Foundation Models via Language-driven Semantic Reasoning

MoveFM-R: 通过语言驱动的语义推理推进移动基础模型

Fanjin Meng, Yuan Yuan, Jingtao Ding, Jie Feng, Chonghua Han, Yong Li

机构 * Department of Electronic Engineering, BNRist, Tsinghua University（清华大学电子工程系，BNRist） ； New York University (NYU)（纽约大学） 纠错

AI总结 MoveFM-R通过语言驱动的语义推理解决移动基础模型中地理坐标与语言 token 的词汇不匹配及潜在向量与语义世界之间的表示差距问题，实现更全面、可解释的人类移动建模。

PosterGen: Aesthetic-Aware Multi-Modal Paper-to-Poster Generation via Multi-Agent LLMs

PosterGen：基于多智能体LLM的美观化论文到海报生成

Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

机构 * Stony Brook University（石溪大学） ； New York University（纽约大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 PosterGen通过多智能体LLM实现论文到海报的美观化生成，包含四个协作专业代理，提升设计质量和视觉吸引力。

Comments Project Website: https://Y-Research-SBU.github.io/PosterGen

GIANTS: Generative Insight Anticipation from Scientific Literature

GIANTS：从科学文献生成洞察预判

Joy He-Yueya, Anikait Singh, Ge Gao, Michael Y. Li, Sherry Yang, Chelsea Finn, Emma Brunskill, Noah D. Goodman

机构 * Stanford University（斯坦福大学） ； New York University（纽约大学） 纠错

AI总结 本文提出GIANTS任务，通过生成模型预测下游论文的核心洞察，开发了包含17000个示例的GIantsBench基准，展示了GIANTS-4B模型在多个领域中的优越性能，其生成的洞察在概念清晰度和引用潜力上均优于基线模型。

Do We Still Need GraphRAG? Benchmarking RAG and GraphRAG for Agentic Search Systems

我们仍然需要GraphRAG吗？对RAG和GraphRAG在代理搜索系统中的基准测试

Dongzhe Fan, Zheyi Xue, Siyuan Liu, Qiaoyu Tan

机构 * New York University Shanghai（上海纽约大学） 纠错

AI总结 本文通过RAGSearch基准测试，评估了代理搜索系统对密集RAG和代表性的GraphRAG方法的影响，发现代理搜索显著提升了密集RAG性能，但在复杂多跳推理中GraphRAG仍具优势。

Dual-R-DETR: Resolving Query Competition with Pairwise Routing in Transformer Decoders

Dual-R-DETR: 通过Transformer解码器中的成对路由解决查询竞争

Ye Zhang, Qi Chen, Wenyou Huang, Rui Liu, Zhengjian Kang

机构 * University of Pittsburgh（匹兹堡大学） ； University of California, Irvine（加州大学尔湾分校） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Illinois Institute of Technology（伊利诺伊理工学院） ； New York University（纽约大学） 纠错

AI总结 Dual-R-DETR通过在Transformer解码器中引入成对路由机制，解决DETR中查询之间的竞争问题，提升检测效率和性能。

Comments 6 pages, 2 figures, Accepted at ICME2026