University of California, San Diego（加州大学圣迭戈分校）

OmniRoam: World Wandering via Long-Horizon Panoramic Video Generation

OmniRoam：通过长视界全景视频生成实现世界漫游

Yuheng Liu, Xin Lin, Xinke Li, Baihan Yang, Chen Wang, Kalyan Sunkavalli, Yannick Hold-Geoffroy, Hao Tan, Kai Zhang, Xiaohui Xie, Zifan Shi, Yiwei Hu

机构 * University of California, Irvine（加州大学尔湾分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； City University of Hong Kong（香港城市大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出OmniRoam框架，利用全景视频生成实现长视界场景漫游，通过预览和精炼阶段提升视频质量和一致性，实验表明其在视觉质量、可控性和长期一致性方面优于现有方法。

Comments Code is available at https://github.com/yuhengliu02/OmniRoam

Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

基于采样时间域的神经算子预测器用于有延迟输入的非线性控制

Luke Bhan, Peter Quawas, Miroslav Krstic, Yuanyuan Shi

机构 * University of California San Diego（加州大学圣迭戈分校） 纠错

AI总结 本文提出两种神经算子预测反馈设计，用于处理有延迟输入和采样测量的非线性系统。第一种引入采样时间域预测算子，第二种仅近似延迟补偿预测器，二者均实现了半全局实际稳定性。

Comments 6 pages

Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

基于神经逼近预测时间的线性系统输出反馈控制方法

Luke Bhan, Miroslav Krstic, Yuanyuan Shi

机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 本文提出基于神经逼近预测时间的线性系统输出反馈控制方法，通过数值方法和数据驱动方法解决时变延迟问题，证明闭环系统全局指数稳定性。

Comments 11 Pages. Preprint

RAD-LAD: Rule and Language Grounded Autonomous Driving in Real-Time

基于规则和语言的实时自动驾驶：RAD-LAD

Anurag Ghosh, Srinivasa Narasimhan, Manmohan Chandraker, Francesco Pittaluga

机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； UC San Diego（加州大学圣迭戈分校） 纠错

AI总结 本文提出RAD-LAD，结合规则和语言的实时自动驾驶系统，通过中断架构实现高效路径规划与文本推理，提升自动驾驶性能与可解释性。

Multi-Agent Memory from a Computer Architecture Perspective: Visions and Challenges Ahead

从计算机架构角度看多智能体记忆：愿景与未来挑战

Zhongming Yu, Naicheng Yu, Hejia Zhang, Wentao Ni, Mingrui Yin, Jiaying Yang, Yujie Zhao, Jishen Zhao

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文从计算机架构角度探讨多智能体系统内存问题，提出三层内存层次结构并指出缓存共享和结构化内存访问控制两大关键协议缺口，强调多智能体内存一致性是当前最紧迫的挑战。

Interpretable and Steerable Concept Bottleneck Sparse Autoencoders

可解释且可操控的概念瓶颈稀疏自编码器

Akshay Kulkarni, Tsui-Wei Weng, Vivek Narayanaswamy, Shusen Liu, Wesam A. Sakla, Kowshik Thopalli

机构 * University of California, San Diego（加州大学圣迭戈分校） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） 纠错

AI总结 本文提出CB-SAE框架，通过剪枝低效神经元和增加概念瓶颈提升LVLMs和图像生成任务的可解释性和可操控性，效果提升分别为32.1%和14.5%。

Comments CVPR 2026

ORIC: Benchmarking Object Recognition under Contextual Incongruity in Large Vision-Language Models

ORIC：在大视觉-语言模型中基于情境不一致性的物体识别基准测试

Zhaoyang Li, Zhan Ling, Yuchen Zhou, Litian Gong, Erdem Bıyık, Hao Su

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； University of California, Riverside（加利福尼亚大学河滨分校） ； University of Southern California（南加利福尼亚大学） 纠错

AI总结 研究探讨了大视觉-语言模型在非典型场景中识别物体的困难，提出ORIC框架通过两种策略生成不一致的物体-情境对，并验证了情境不一致是不确定性的重要来源。

Comments We request withdrawal of this paper because one of the listed institutional affiliations was included without proper authorization. This issue cannot be resolved through a simple revision, and we therefore request withdrawal to prevent dissemination of incorrect or unauthorized affiliation information

Image-Specific Adaptation of Transformer Encoders for Compute-Efficient Segmentation

针对计算效率的Transformer编码器特定适应

Manyi Yao, Abhishek Aich, Yumin Suh, Amit Roy-Chowdhury, Christian Shelton, Manmohan Chandraker

机构 * NEC Laboratories, America（美国NEC实验室） ； University of California, Riverside（加州大学河滨分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出ECO-M2F方法，通过自适应选择编码器层数来提升分割任务的计算效率，同时保持性能并适应不同计算资源。

Comments Accepted at WACV 2026 WVAQ