New York University（纽约大学）

Improving and Evaluating Hand-Object Interaction Detection

改进和评估手-物体交互检测

Ahmad Darkhalil, Dima Damen, David Fouhey

机构 * School of Computer Science, University of Bristol, Bristol, UK（布里斯托大学计算机科学学院） ； Computer Science and Electrical and Computer Engineering, New York University, NY, US（纽约大学计算机科学与电气与计算机工程系） 纠错

AI总结 提出HOI-DETR框架，将手-物体和物体-物体交互引入Co-DETR架构，在四个数据集上显著提升检测性能，mAP提升超过20个百分点。

Comments Project page: https://ahmaddarkhalil.github.io/HOI-DETR/

Learning a Maximum Entropy Model for Visual Textures using Diffusion

使用扩散学习视觉纹理的最大熵模型

Xinyuan Zhao, Eero P. Simoncelli

机构 * New York University（纽约大学） ； Flatiron Institute（熨斗研究所） 纠错

AI总结 提出首个基于扩散模型无监督学习最大熵模型统计量的纹理建模方法，仅用512个统计量即可生成质量优于或媲美当前最优模型（约177k统计量）的纹理图像，并实现平滑插值。

K-VARK: Kernelized Variance-Aware Residual Kalman Filter for Sensorless Force Estimation in Collaborative Robots

K-VARK: 用于协作机器人无传感器力估计的核化方差感知残差卡尔曼滤波器

Oğuzhan Akbıyık, Naseem Alhousani, Fares J. Abu-Dakka

机构 * TU Wien（维也纳技术大学） ； MCFLY Robot Technologies（MCFLY机器人技术公司） ； Mechanical Engineering Program, New York University Abu Dhabi（纽约大学阿布扎赫尔分校机械工程项目） 纠错

AI总结 提出K-VARK方法，通过核化运动基元学习残差力矩的预测均值和异方差方差，并自适应调整卡尔曼滤波噪声协方差，在6自由度协作机械臂上实现无传感器力估计，RMSE降低20%以上。