Princeton University（普林斯顿大学）

ProcFunc: Function-Oriented Abstractions for Procedural 3D Generation in Python

ProcFunc：面向Python的基于Blender的程序化3D生成函数抽象

Alexander Raistrick, Karhan Kayan, Jack Nugent, David Yan, Lingjie Mei, Meenal Parakh, Hongyu Wen, Dylan Li, Yiming Zuo, Erich Liang, Jia Deng

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 ProcFunc通过提供易用的Python函数库，简化了程序化3D生成的创建、组合、分析和执行过程，支持大规模多样化训练数据生成，并减少VLMs在编辑和生成程序化代码时的错误。

Perception Test 2025: Challenge Summary and a Unified VQA Extension

2025感知测试挑战：挑战总结及统一视觉问答扩展

Joseph Heyward, Nikhil Parthasarathy, Tyler Zhu, Aravindh Mahendran, João Carreira, Dima Damen, Andrew Zisserman, Viorica Pătrăucean

机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） ； University of Bristol（布里斯托大学） ； University of Oxford（牛津大学） 纠错

AI总结 2025年感知测试挑战旨在评估最新视频模型并衡量多模态感知的进步，通过统一任务测试揭示现有模型在统一接口下处理多样化感知任务的困难。

Last-Layer-Centric Feature Recombination: Unleashing 3D Geometric Knowledge in DINOv3 for Monocular Depth Estimation

以最后一层为中心的特征重组：在DINOv3中释放3D几何知识以进行单目深度估计

Gongshu Wang, Zhirui Wang, Kan Yang

机构 * Princeton University（普林斯顿大学） ； Springer Heidelberg（斯普林格海德堡） ； ABC Institute（ABC研究所） ； Aerospace Information Research Institute Chinese Academy of Sciences（中国科学院航天信息研究所） 纠错

AI总结 本文提出LFR模块，通过以最后一层为中心重组特征，提升单目深度估计的几何表达能力，实验表明其在密集3D任务中表现优异。

Comments 18page, 6 figure, 6 table

NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation

NeuralEmu：基于测量驱动的机器学习高保真5G网络仿真

Haoran Wan, Yaxiong Xie, Kyle Jamieson

机构 * Princeton University（普林斯顿大学） ； University at Buffalo, SUNY（布法罗大学） 纠错

AI总结 NeuralEmu通过高精度网络 telemetry 数据学习5G调度器资源分配行为，提升网络算法评估的准确性，减少仿真误差达51%。