高校专区
自由范围高斯：非网格对齐的生成3D高斯重建
机构 * Meta Reality Labs（Meta现实实验室） ； Simon Fraser University（西蒙菲莎大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学）
AI总结 本文提出Free-Range Gaussians方法，通过高斯参数流匹配从四张图像预测非像素非体素对齐的3D高斯，提升重建质量并减少冗余。
Comments Project Page: https://free-range-gaussians.github.io
OmniSonic: 向通用和整体音频生成迈进：从视频和文本生成音频
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Clemson University（克莱姆森大学） ； University of Toronto（多伦多大学）
AI总结 本文提出UniHAGen任务，通过视频和文本生成涵盖屏幕内外声音的综合音频场景。OmniSonic基于流匹配扩散框架，采用TriAttn-DiT架构和MoE门控机制，实现屏幕内外声音和语音的联合生成，建立新的UniHAGen-Bench基准。
Comments CVPR 2026
长尾驾驶场景与推理轨迹：KITScenes长尾数据集
机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心） ； University Charles III of Madrid（马德里卡洛斯三世大学） ； Technical University of Madrid（马德里理工大学） ； University of Toronto（多伦多大学） ； Delft University of Technology（代尔夫特理工大学）
AI总结 本文提出KITScenes长尾数据集，通过多视角视频、轨迹、指令和推理轨迹提升模型在长尾驾驶场景下的泛化能力，评估指令遵循与语义连贯性。
Comments 21 pages; v2: update MMS values (bugfix)
IV共科学家：多智能体LLM框架用于因果工具变量发现
机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Jinesis AI Lab（Jinesis AI实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； EuroSafeAI ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊）
AI总结 本文探讨LLM在发现因果工具变量中的作用，提出IV共科学家多智能体系统，通过测试和评估LLM恢复已知工具及避免无效工具的能力，展示LLM在大规模观测数据中发现有效工具的潜力。
Comments Paper accepted at CleaR 2026
通过快速自编码器投影提升可行性
机构 * University of Toronto（多伦多大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种基于自编码器的高效方法，通过学习凸的潜在表示快速修正不可行预测，适用于复杂约束优化和强化学习问题，降低计算成本。
RDFace：一种用于罕见疾病面部图像分析的基准数据集，在极端数据稀缺和表型意识合成生成下
机构 * Western University（西安大略大学） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； University of Winnipeg（温尼伯大学）
AI总结 RDFace包含456张儿童面部图像，涵盖103种罕见遗传疾病，旨在开发和评估在低数据条件下高效的人工智能模型，通过合成生成和数据增强提升诊断准确率。
Comments Accepted to CVPR 2026. 8 pages main paper + appendix
多数据 envelopment 分析评分在大数据集中的内生聚合
机构 * Schulich School of Business, York University（约克大学舒立克商学院） ； Department of Medicine, University of Toronto（多伦多大学医学系）
AI总结 本文提出一种基于数据包络分析的动态效率评估方法，通过生成维度特定和综合效率评分，整合有利和不利产出，适用于大规模问题。引入了两种正则化DEA模型：SBM和GP-SBM，分别估计综合评分和维度评分，并在多个数据集上验证了方法的计算效率和有效性。
联邦项目反应模型：一种基于梯度的隐私保护框架，用于分布式心理测量估计
机构 * University of Toronto（多伦多大学）
AI总结 本文提出FedIRT框架，实现分布式项目反应模型校准，同时保护隐私；FedIRT-DP进一步引入差分隐私，提供隐私-效用平衡，并通过实验证明其在实际数据集中的有效性。
Kimi K2.5 的独立安全性评估
机构 * Constellation ； Anthropic Fellows Program（Anthropic研究员项目） ； Brown University（布朗大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Imperial College London（伦敦帝国学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Bar Ilan University（巴伊兰大学） ； University of Toronto（多伦多大学） ； University of Oxford（牛津大学）
AI总结 Kimi K2.5作为开源大模型，在安全评估中显示出潜在风险，包括CBRNE滥用、网络安全漏洞及政治偏见，但其在拒绝恶意请求方面表现较弱，凸显开源模型的安全挑战。
Kim-Milman流映射的稳定性
机构 * Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Institute for Foundations of Data Science, Yale University（耶鲁大学数据科学基础研究所） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
AI总结 本文研究了Kim-Milman流映射在相对Fisher信息下对目标测度变化的稳定性，采用概率流ODE方法分析其稳定性特性。
StructEval: 对LLMs生成结构化输出能力的基准测试
机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； HKUST（香港科技大学） ； Shanghai University（上海大学） ； Independent Contributor（独立贡献者） ； Vector Institute（向量研究所） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 StructEval通过生成和转换任务评估LLMs生成JSON、YAML等结构化格式的能力，揭示了先进模型在结构正确性上的显著差距。
Comments 24 pages, 8 figures, 14 tables
生成AI揭示数据科学的人类核心：对教育的影响
机构 * University of Toronto（多伦多大学）
AI总结 生成AI揭示数据科学中不可还原的人类核心，教育应强化人类推理能力，通过迭代提示-输出-提示循环提升学生贡献能力，评估应侧重推理与判断。
DriveDreamer-Policy: 一种基于几何的世界-动作模型用于统一生成与规划
机构 * GigaAI ； University of Toronto（多伦多大学） ； CUHK MMLab（香港中文大学多媒体实验室）
AI总结 本文提出DriveDreamer-Policy，结合深度生成、未来视频生成与运动规划，通过几何感知的世界表示提升生成与规划的连贯性与准确性。
Comments 11 pages, 4 figures; Project Website: https://drivedreamer-policy.github.io/
高效等价变换器用于自动驾驶代理建模
机构 * Waabi ； University of Toronto（多伦多大学）
AI总结 本文提出DriveGATr，一种基于变换器的架构，通过多向量在2D投影几何代数中建模几何关系，实现SE(2)-等价性，无需显式成对相对位置编码，提升大规模场景下的效率。
Comments CVPR 2026
通过结构化奖励强化视频MLLMs的一致性
机构 * Rutgers University（罗格斯大学） ； University of Toronto（多伦多大学）
AI总结 研究通过结构化奖励提升视频MLLMs的一致性，发现传统监督不足，提出结合事实和时间单元的奖励机制，提升视频理解准确性。
在李群上使用收缩方法的神经鲁棒控制（扩展版）
机构 * Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）
AI总结 本文提出了一种学习框架，用于在李群上动态系统合成鲁棒控制器。通过联合训练鲁棒控制收缩度量（RCCM）和神经反馈控制器，确保在李群流形上满足收缩条件。研究得出了RCCM和神经控制器存在的充分条件，确保在尊重流形结构几何约束的同时，建立依赖扰动的管状边界以限制输出轨迹。
Comments An extended version of the conference paper submitted for publication in IEEE Conference of Decision and Control
ReFormeR：学习和应用显式查询改写模式
机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 ReFormeR通过提取并整合查询改写模式，引导LLM进行受控的改写操作，提升检索效果。
通过无数据协方差估计进行模型融合
机构 * University of Toronto & Vector Institute（多伦多大学与向量研究所） ； CIFAR AI Chair（CIFAR人工智能讲席）
AI总结 本文提出一种无数据协方差估计方法，用于减少任务间干扰，实现高效模型融合，优于现有无数据方法。
超越拉普拉斯和高斯：探索通用高斯机制用于隐私机器学习
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文研究了通用高斯机制在隐私保护机器学习中的应用，证明其满足差分隐私，并在PATE和DP-SGD中验证了其有效性，表明高斯机制在可计算范围内表现优异。
EmbedPart：基于嵌入的图分区方法用于可扩展的图神经网络训练
机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； University of Bayreuth（拜罗伊特大学） ； University of Toronto（多伦多大学）
AI总结 本文提出EmbedPart，通过利用节点嵌入实现高效的图分区，提升大规模图神经网络训练的可扩展性与质量。
在3D几何计算机视觉中评估博士级别的编程能力
机构 * AIR, Tsinghua University（清华大学智能产业研究院） ； Qiuzhen College, Tsinghua University（清华大学求真书院） ； BAAI（北京智源人工智能研究院） ； Peking University（北京大学） ； Nanjing University（南京大学） ； University of Toronto（多伦多大学）
AI总结 本文提出GeoCodeBench基准，用于评估3D视觉编程能力。通过精选论文中的任务，生成多样化的测试用例，评估八种模型的性能，揭示当前模型在可靠3D科学编程方面的差距。
Comments Accepted by CVPR 2026; Project page: https://geocodebench.github.io/
OccSim：基于长期占用世界模型的多公里模拟
机构 * Learning, Embodied Autonomy, and Forecasting (LEAF) Lab, University of Toronto（多伦多大学学习、具身自主与预测（LEAF）实验室）
AI总结 OccSim通过无需连续日志或HD地图，仅依赖初始帧和未来动作序列生成超过3000帧的3D占用地图，实现多公里规模的稳定生成，提升占用世界模型的生成长度达80倍。
DCReg: 用于高效退化LiDAR配准的解耦表征
机构 * Hong Kong University of Science and Technology（香港科技大学） ； National University of Defense Technology（国防科技大学） ； University of Science and Technology Beijing（北京科技大学） ； University of Toronto（多伦多大学）
AI总结 本文提出DCReg方法，通过解耦配准问题中的退化因素，提高配准稳定性与精度，实验显示在多种环境中实现更高的定位精度和更快的计算速度。
Comments 27 pages, 19 figures, 9 tables
构建可解释的音乐标签复合特征
机构 * University of Oxford（牛津大学） ； Independent Researcher（独立研究员） ； University of Toronto（多伦多大学） ； University of Essex（埃塞克斯大学）
AI总结 本文提出基于遗传编程的复合特征构建方法，通过数学结合基础音乐特征提升音乐标签性能，保留可解释性并优于传统深度学习方法。
Comments 5 pages, 8 figures, accepted at ICASSP 2026
生成式AI在金属有机框架设计与合成中的崛起
机构 * Deep Principle, Inc.（Deep Principle公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Washington University（华盛顿大学） ； Institute of Materials Science & Engineering, Washington University（华盛顿大学材料科学与工程研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Cornell University（康奈尔大学） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； University of Washington（华盛顿大学） ； University of North Texas（北德克萨斯大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Canadian Institute for Advanced Research（加拿大高等研究院） ； NVIDIA（英伟达）
AI总结 生成式AI推动金属有机框架设计方法革新，通过自主提出并合成新型多孔结构，结合高通量计算筛选和自动化实验，形成加速发现闭环流程，提升清洁空气和能源应用材料性能。
Comments 10 pages, 5 figures
Journal ref Matter (2026)
ExVerus：通过反例推理进行证明修复
机构 * The University of Chicago（芝加哥大学） ； Purdue University（普渡大学） ； The University of Toronto（多伦多大学） ； Microsoft Research（微软研究院）
AI总结 ExVerus利用反例推理指导LLM生成更准确的证明，通过自动生成和验证反例来提高证明的鲁棒性和效率。
Comments 31 pages, 8 figures
Project Imaging-X：1000多个开放访问医学影像数据集的调查
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Institute of Optics and Fine Mechanics（上海光学精密机械研究所） ； Fudan University（复旦大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fuzhou University（福州大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Incept Labs ； Monash University（莫纳什大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与产业研究院） ； Shanghai Academy of Artificial Intelligence for Science（上海科学智能研究院） ； Nankai University（南开大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） ； School of Informatics, Xiamen University（厦门大学信息学院） ； University College London（伦敦大学学院） ； Sun Yat-sen University（中山大学） ； Alibaba Group, DAMO Academy, New York, NY, USA（阿里巴巴集团达摩院（纽约）） ； Tongji University（同济大学） ； University of Toronto（多伦多大学） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理与认知科学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； Academy for Clinical Innovation and Translation of Shanghai（上海临床创新转化研究院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Aalto University（阿尔托大学） ； Shandong University（山东大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文调查了1000多个开放访问医学影像数据集，揭示了其规模小、任务碎片化和分布不均的问题，并提出元数据驱动融合方法和交互发现门户，为医学影像数据集的整合和基础模型发展提供路线图。
Comments 157 pages, 19 figures, 26 tables. Project repo: \url{https://github.com/uni-medical/Project-Imaging-X}
AI留下什么足迹？儿童对AI环境成本的推理
机构 * University of Washington（华盛顿大学） ； Rutgers University（罗格斯大学） ； University of Toronto（多伦多大学）
AI总结 研究通过Ecoprompt系统帮助儿童理解AI的环境影响，揭示其对AI使用的社会与环境权衡及责任感的认知。
TrendGen: 一套服装推荐与展示系统
机构 * SabinoDB ； University of Toronto（多伦多大学）
AI总结 TrendGen通过智能服装推荐和生成技术提升在线购物体验，利用服装图像和产品属性生成趋势一致的搭配建议，并通过生成AI将原始图像转换为高质量的平铺视图。
实时面向开放领域的外观基注视估计
机构 * Huawei Technologies Canada（华为技术加拿大） ； University of Toronto（多伦多大学）
AI总结 本文提出一种鲁棒的外观基注视估计框架，通过扩展图像空间和多任务学习提升泛化能力，实现在移动设备上的高精度实时注视跟踪。
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