高校专区
Syn4D：多视图合成4D数据集
机构 * VGG ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Naver Labs Europe（Naver欧洲实验室）
AI总结 针对动态场景稠密3D重建跟踪缺高质量标注数据集的问题，构建含多类真值标注的Syn4D数据集，支撑多下游任务，助力相关研究。
Comments 33 pages, 11 figures, project page: https://jzr99.github.io/Syn4D/
分离性身份：语言模型代理缺乏声誉机制的基础
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文指出语言模型代理因本体上的分离性（模块可替换、身份流动）而无法满足声誉机制所需的身份持续性、行为可预测性和制裁敏感性，从而提出转向基于可观察性、事前、构成性、协议的行为约束。
Comments Accepted by FaccT 2026
通过场景自我探索进行视图规划
机构 * Northwestern University（西北大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学）
AI总结 提出ViewSuite基准测试揭示VLM在多步视图规划中的不足，并设计迭代框架通过自我探索和视图图蒸馏将Qwen2.5-VL-7B的交互式视图规划准确率从2.5%提升至47.8%。
SHINE：一种可扩展的上下文超网络，用于在单次传递中将上下文映射到LoRA
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Technion, NVIDIA（技术学院与NVIDIA） ； University of Oxford（牛津大学） ； School of Electronics Engineering（电子工程学院） ； Computer Science, Peking University（计算机科学，北京大学）
AI总结 本文提出SHINE，一种可扩展的上下文超网络，用于在单次传递中将多样且有意义的上下文映射到高质量的LoRA适配器，通过重用冻结LLM的自身参数和引入架构创新，克服了先前超网络的关键限制，以较少的参数实现了强大的表达能力。
迈向AI历史学家：从原始资料中进行代理信息提取
机构 * Torr Vision Group, Department of Engineering Science, University of Oxford（牛津大学工程科学系托尔视觉组） ； Oxford Centre for Economic and Social History, University of Oxford（牛津大学牛津经济与社会史中心） ； Faculty of Music, University of Oxford（牛津大学音乐学院） ； Fraunhofer HHI（弗劳恩霍夫海因里希·赫兹研究所）
AI总结 本文介绍Chronos项目首个模块，通过自然语言交互将历史文献图像转化为数据，允许历史学家自定义流程、评估模型性能并迭代优化。
TreeLoc++：利用紧凑数字森林清单在森林中进行稳健的6自由度激光雷达定位
机构 * Department of Mechanical Engineering, Seoul National University, Seoul, South Korea（首尔国立大学机械工程系，韩国首尔） ； Department of Computer Science and Engineering, Indian Institute of Technology Bombay, India（印度班加罗尔印度理工学院计算机科学与工程系） ； Oxford Robotics Institute, Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学奥克斯福德机器人研究所，英国牛津）
AI总结 研究提出TreeLoc++框架，直接基于数字森林清单定位，以紧凑几何属性编码树干。通过距离直方图等减少误匹配，优化估计姿态，不依赖密集点云数据，实现厘米级精度定位，具长期部署扩展性。
Comments 30 pages, 33 figures and 15 tables
JADAI：联合摊销自适应设计与贝叶斯推理
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； TU Dortmund University（多特蒙德技术大学） ； University of Oxford（牛津大学）
AI总结 针对设计变量可优化以最大化信息增益的参数估计问题，引入JADAI框架，通过端到端训练策略、历史网络和推理网络联合摊销贝叶斯自适应设计与推理，在标准基准测试中性能优越。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
用于扩散过程随机控制的自适应划分与学习
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 研究无界连续状态空间等设定下扩散过程的强化学习，引入基于模型算法自适应划分联合状态-动作空间，平衡探索与近似，分析得出依赖多因素的遗憾界并验证方法有效性。
空间思考者：通过密集奖励强化场景图基础的空间推理
机构 * University of Oxford（牛津大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
AI总结 研究针对多模态大语言模型空间推理难题，提出SpatialThinker，通过在线强化学习统一场景图生成与视觉推理，构建心理场景图并借助密集奖励推理，贡献包括基于SGG推理、高质量训练数据集及密集奖励设计。
Comments Preprint. Accepted at NeurIPS 2025 Workshops on SPACE in Vision, Language, and Embodied AI (SpaVLE) as Oral, Embodied World Models for Decision Making (EWM), Aligning Reinforcement Learning Experimentalists and Theorists (ARLET), and Scaling Environments for Agents (SEA)
CoDoL：用于分布外泛化的条件域提示学习
机构 * East China Normal University（东华师范大学） ； Xidian University（西安电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The University of Oxford（牛津大学） ； Tsinghua University（清华大学）
AI总结 针对基于提示的CLIP方法存在的文本描述不准确、视觉语言嵌入对齐有限问题，提出CoDoL方法，利用域信息形成提示，还提出DMN生成输入条件令牌，实验验证其在分布外泛化的有效性。
Comments Accepted to TMLR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈