University of Oxford（牛津大学）

EgoXtreme: A Dataset for Robust Object Pose Estimation in Egocentric Views under Extreme Conditions

EgoXtreme：用于极端条件下眼动视角物体姿态估计的数据集

Taegyoon Yoon, Yegyu Han, Seojin Ji, Jaewoo Park, Sojeong Kim, Taein Kwon, Hyung-Sin Kim

机构 * Seoul National University（首尔大学） ； VGG, University of Oxford（牛津大学VGG实验室） 纠错

AI总结 本文提出EgoXtreme数据集，用于评估在极端条件下眼动视角下物体姿态估计的鲁棒性，发现现有方法在极端条件下表现不佳，需进一步改进。

Comments Camera ready version for CVPR 2026, appendix included

MoireMix: A Formula-Based Data Augmentation for Improving Image Classification Robustness

MoireMix：基于公式的数据增强用于提高图像分类鲁棒性

Yuto Matsuo, Yoshihiro Fukuhara, Yuki M. Asano, Rintaro Yanagi, Hirokatsu Kataoka, Akio Nakamura

机构 * National Institute of Advanced Industrial Science and Technology (AIST)（国立研究开发法人产业技术综合研究所） ； Tokyo Denki University（东京电机大学） ； Waseda University（早稻田大学） ； Fundamental AI Lab, University of Technology Nuremberg（纽伦堡工业大学基础人工智能实验室） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） 纠错

AI总结 本文提出基于分析干涉模式的轻量数据增强方法，通过生成覆盖广泛空间频率的结构扰动，提升图像分类鲁棒性，优于传统增强方法。

3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds

3D无需3D扫描：从视频生成点云进行可扩展预训练

Ryousuke Yamada, Kohsuke Ide, Yoshihiro Fukuhara, Hirokatsu Kataoka, Gilles Puy, Andrei Bursuc, Yuki M. Asano

机构 * AIST（产业技术综合研究所） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学） ； INRIA（法国国家信息与自动化研究所） 纠错

AI总结 本文提出LAM3C框架，通过视频生成点云进行自监督学习，无需真实3D扫描即可在室内语义和实例分割中取得更好性能。

Comments Accepted to CVPR 2026. Project page: https://ryosuke-yamada.github.io/lam3c/

From What to Why: A Multi-Agent System for Evidence-based Chemical Reaction Condition Reasoning

从何到为何：一个用于基于证据的化学反应条件推理的多智能体系统

Cheng Yang, Jiaxuan Lu, Haiyuan Wan, Junchi Yu, Feiwei Qin

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出ChemMAS多智能体系统，通过机制 grounding、多通道回忆、约束感知辩论和理由聚合，提升化学反应条件推荐的可解释性，实验表明其在准确率和可解释性上优于现有方法。

Comments Accepted by ICLR 2026

CompBench: Benchmarking Complex Instruction-guided Image Editing

CompBench：复杂指令引导图像编辑的基准测试

Bohan Jia, Wenxuan Huang, Yuntian Tang, Junbo Qiao, Jincheng Liao, Shaosheng Cao, Fei Zhao, Zhaopeng Feng, Zhouhong Gu, Zhenfei Yin, Lei Bai, Wanli Ouyang, Lin Chen, Fei Zhao, Yao Hu, Zihan Wang, Yuan Xie, Shaohui Lin

机构 * East China Normal University（华东师范大学） ； Xiaohongshu Inc.（小红书） ； KLATASDS, MOE, China（中国教育部统计与数据科学重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； University of Oxford（牛津大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanjing University（南京大学） 纠错

AI总结 CompBench旨在解决现有图像编辑基准测试对任务复杂度简化的问题，通过引入复杂指令引导的图像编辑基准，评估模型在精细操控能力上的表现。