University of Chinese Academy of Sciences（中国科学院大学）

Pose-Free Omnidirectional Gaussian Splatting for 360-Degree Videos with Consistent Depth Priors

无姿态全景方向高斯溅射用于具有一致深度先验的360度视频

Chuanqing Zhuang, Xin Lu, Zehui Deng, Zhengda Lu, Yiqun Wang, Junqi Diao, Jun Xiao

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Chongqing University（重庆大学） ； Air Force Engineering University（空军工程大学） 纠错

AI总结 本文提出PFGS360方法，通过无姿态全景视频重建3D高斯，利用一致性深度先验估计姿态并提升视图合成保真度。

From Scale to Speed: Adaptive Test-Time Scaling for Image Editing

从尺度到速度：面向图像编辑的自适应测试时间缩放

Xiangyan Qu, Zhenlong Yuan, Jing Tang, Rui Chen, Datao Tang, Meng Yu, Lei Sun, Yancheng Bai, Xiangxiang Chu, Gaopeng Gou, Gang Xiong, Yujun Cai

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； AMAP, Alibaba Group（阿里巴巴集团高德地图） ； University of Queensland（昆士兰大学） 纠错

AI总结 本文提出ADE-CoT框架，通过动态资源分配、编辑特定验证和深度优先停止策略，提升图像编辑效率与性能，实验显示在同等采样预算下性能优于现有方法。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

MeanFuser: Fast One-Step Multi-Modal Trajectory Generation and Adaptive Reconstruction via MeanFlow for End-to-End Autonomous Driving

MeanFuser: 一种基于MeanFlow的高效多模态轨迹生成与自适应重构方法用于端到端自动驾驶

Junli Wang, Yinan Zheng, Xueyi Liu, Zebin Xing, Pengfei Li, Guang Li, Kun Ma, Guang Chen, Hangjun Ye, Zhongpu Xia, Long Chen, Qichao Zhang

机构 * SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Xiaomi EV（小米汽车） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学智能产业研究院） 纠错

AI总结 本文提出MeanFuser，通过引入Gaussian Mixture Noise、MeanFlow Identity和轻量级ARM模块，实现了高效且鲁棒的多模态轨迹生成与自适应重构，提升了端到端自动驾驶的性能和效率。

Comments Accepted by CVPR 2026

Exons-Detect: Identifying and Amplifying Exonic Tokens via Hidden-State Discrepancy for Robust AI-Generated Text Detection

外显子检测：通过隐藏状态差异识别和放大外显子标记以实现稳健的AI生成文本检测

Xiaowei Zhu, Yubing Ren, Fang Fang, Shi Wang, Yanan Cao, Li Guo

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Institute of Computing Science, Chinese Academy of Sciences（中国科学院计算科学研究所） 纠错

AI总结 本文提出Exons-Detect方法，通过双模型设置测量隐藏状态差异，识别并放大信息丰富的外显子标记，提升AI生成文本检测的鲁棒性和性能。

TAG-MoE: Task-Aware Gating for Unified Generative Mixture-of-Experts

TAG-MoE：基于任务的门控用于统一的生成混合专家

Yu Xu, Hongbin Yan, Juan Cao, Yiji Cheng, Tiankai Hang, Runze He, Zijin Yin, Shiyi Zhang, Yuxin Zhang, Jintao Li, Chunyu Wang, Qinglin Lu, Tong-Yee Lee, Fan Tang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent Hunyuan（腾讯文言） ； National Cheng-Kung University（国立成功大学） 纠错

AI总结 本文提出TAG-MoE框架，通过引入层次化任务语义标注方案和预测对齐正则化，解决密集扩散变换器架构中任务干扰问题，提升生成质量和保真度。

Comments Accept by CVPR 2026. Project page: https://yuci-gpt.github.io/TAG-MoE/

A Comprehensive Survey on Vector Database: Storage and Retrieval Technique, Challenge

向量数据库的全面综述：存储与检索技术、挑战

Le Ma, Ran Zhang, Yikun Han, Shirui Yu, Zaitian Wang, Zhiyuan Ning, Jinghan Zhang, Ping Xu, Pengjiang Li, Ziyue Qiao, Wei Ju, Chong Chen, Dongjie Wang, Kunpeng Liu, Pengyang Wang, Pengfei Wang, Yanjie Fu, Chunjiang Liu, Yuanchun Zhou, Chang-Tien Lu

机构 * Sichuan University（四川大学） ； Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； National Science Library (Chengdu), Chinese Academy of Sciences（中国科学院成都科学图书馆） ； University of Chinese Academy of Sciences（中国科学院大学） ； Portland State University（波特兰州立大学） ； Great Bay University（大湾大学） ； Terminus Group（Terminus集团） ； University of Kansas（堪萨斯大学） ； University of Macau（澳门大学） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文综述了向量数据库的核心设计与算法，分析了存储与检索技术的演变，比较了主流架构并探讨了与大语言模型整合的新兴方向，为研究者提供系统参考。

Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving

潜在世界动作建模：端到端自动驾驶的潜在世界建模

Linbo Wang, Yupeng Zheng, Qiang Chen, Shiwei Li, Yichen Zhang, Zebin Xing, Qichao Zhang, Xiang Li, Deheng Qian, Pengxuan Yang, Yihang Dong, Ce Hao, Xiaoqing Ye, Junyu han, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd（重庆长安科技有限公司） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文提出Latent-WAM框架，通过空间感知和动态感知的潜在世界表示实现高效端到端自动驾驶，实验显示在NAVSIM v2和HUGSIM上取得新的SOTA结果。

Towards Training-Free Scene Text Editing

无训练场景文本编辑

Yubo Li, Xugong Qin, Peng Zhang, Hailun Lin, Gangyan Zeng, Kexin Zhang

机构 * School of Cyber Science and Engineering（网络安全科学与工程学院） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； State Key Laboratory of Cyberspace Security Defense（网络空间安全防御国家重点实验室） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） 纠错

AI总结 本文提出TextFlow框架，通过结合Attention Boost和Flow Manifold Steering方法，实现无需额外训练的高保真文本编辑，实验表明其在视觉质量和文本准确性上优于传统方法。

Comments Accepted by CVPR 2026

LensWalk: Agentic Video Understanding by Planning How You See in Videos

LensWalk: 通过规划如何在视频中观看实现代理视频理解

Keliang Li, Yansong Li, Hongze Shen, Mengdi Liu, Hong Chang, Shiguang Shan

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Peng Cheng Laboratory（鹏城实验室） ； College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 LensWalk通过建立紧密的推理-计划-观察循环，使大语言模型能够主动控制视觉观察，提升视频理解的准确性和鲁棒性。

Comments To be published in CVPR 2026

Mechanic: Sorrifier-Driven Formal Decomposition Workflow for Automated Theorem Proving

Mechanic：基于遗憾的正式分解工作流用于自动定理证明

Ruichen Qiu, Yichuan Cao, Junqi Liu, Dakai Guo, Xiao-Shan Gao, Lihong Zhi, Ruyong Feng

机构 * Academy of Mathematics and Systems Science, CAS（数学与系统科学研究院，中国科学院） ； School of Advanced Interdisciplinary Sciences, UCAS（交叉科学学院，中国科学院大学） ； School of Mathematical Science, UCAS（数学科学学院，中国科学院大学） 纠错

AI总结 Mechanic通过基于遗憾的正式分解策略提升自动定理证明效率，有效解决传统方法在处理失败尝试时的效率与上下文过长问题。

RefReward-SR: LR-Conditioned Reward Modeling for Preference-Aligned Super-Resolution

RefReward-SR: 基于低分辨率参考的偏好对齐超分辨率奖励建模

Yushuai Song, Weize Quan, Weining Wang, Jiahui Sun, Jing Liu, Meng Li, Pengbin Yu, Zhentao Chen, Wei Shen, Lunxi Yuan, Dong-ming Yan

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； OPPO AI Center, OPPO Inc.（OPPO人工智能中心） 纠错

AI总结 本文提出RefReward-SR，通过低分辨率参考意识奖励模型实现偏好对齐的超分辨率，利用多模态大语言模型评估语义一致性，构建首个大规模低分辨率条件偏好数据集，实验表明其在人类判断对齐方面表现更优。

Scaling Test-Time Robustness of Vision-Language Models via Self-Critical Inference Framework

通过自批评推理框架提升视觉-语言模型的测试时鲁棒性

Kaihua Tang, Jiaxin Qi, Jinli Ou, Yuhua Zheng, Jianqiang Huang

机构 * Tongji University（同济大学） ； Computer Network Information Center, CAS（计算机网络信息中心，中国科学院） ； HIAS, University of Chinese Academy of Sciences（高等研究所，中国科学院大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出自批评推理框架，通过多轮反事实推理提升视觉-语言模型的鲁棒性，引入动态鲁棒性基准评估框架以应对语言偏差和敏感性问题，实验表明该方法在鲁棒性上优于基线方法。

Comments Accepted to CVPR 2026. Code: https://github.com/KaihuaTang/Self-Critical-Inference-Framework

From Imperative to Declarative: Towards LLM-friendly OS Interfaces for Boosted Computer-Use Agents

从命令式到声明式：面向提升计算机使用代理的LLM友好操作系统接口

Yuan Wang, Mingyu Li, Haibo Chen

机构 * Key Laboratory of System Software (Chinese Academy of Sciences)（中国科学院系统软件重点实验室） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所） ； Shanghai Jiao Tong University（上海交通大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出Declarative Model Interface (DMI)，通过将传统GUI转化为三种声明式原语，提升LLM驱动的计算机使用代理的任务成功率和效率。

Decompose and Transfer: CoT-Prompting Enhanced Alignment for Open-Vocabulary Temporal Action Detection

分解与迁移：基于CoT提示的对齐增强开放词汇时序动作检测

Sa Zhu, Wanqian Zhang, Lin Wang, Xiaohua Chen, Chenxu Cui, Jinchao Zhang, Bo Li

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； State Key Laboratory of Cyberspace Security Defense（网络空间安全防御国家重点实验室） ； Hangzhou Dianzi University（杭州电子科技大学） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

AI总结 本文提出PDA框架，通过CoT提示语义分解和适应性相位对齐，提升开放词汇时序动作检测的跨类别迁移能力。

Comments Accepted by CVPR 2026

MMTIT-Bench: A Multilingual and Multi-Scenario Benchmark with Cognition-Perception-Reasoning Guided Text-Image Machine Translation

MMTIT-Bench: 一个具有认知-感知-推理引导的多语言多场景文本-图像机器翻译基准

Gengluo Li, Chengquan Zhang, Yupu Liang, Huawen Shen, Yaping Zhang, Pengyuan Lyu, Weinong Wang, Xingyu Wan, Gangyan Zeng, Han Hu, Can Ma, Yu Zhou

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Tencent（腾讯） ； Nankai University（南开大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University of Science and Technology（南京理工大学） 纠错

AI总结 MMTIT-Bench通过1400张覆盖14种非英语和非中文语言的图像，评估端到端文本-图像机器翻译的鲁棒性，并提出CPR-Trans数据范式提升翻译推理能力。

Comments Accepted to CVPR 2026

VehicleMemBench: An Executable Benchmark for Multi-User Long-Term Memory in In-Vehicle Agents

VehicleMemBench：多用户长期记忆的可执行基准

Yuhao Chen, Yi Xu, Xinyun Ding, Xiang Fang, Shuochen Liu, Luxi Lin, Qingyu Zhang, Ya Li, Quan Liu, Tong Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） ； Xiamen University（厦门大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出VehicleMemBench，用于评估车载代理的多用户长期记忆能力，通过可执行仿真环境比较行动后环境状态与目标状态，揭示强大模型在动态偏好变化场景中的不足，强调需更 robust 的记忆管理机制。

Morph: A Motion-free Physics Optimization Framework for Human Motion Generation

Morph：一种无需运动的物理优化框架用于人类运动生成

Zhuo Li, Mingshuang Luo, Ruibing Hou, Xin Zhao, Hao Liu, Hong Chang, Zimo Liu, Chen Li

机构 * WeChat, Tencent Inc（微信，腾讯公司） ； Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS, China（中国科学院智能信息处理重点实验室（CAS），计算技术研究所，CAS，中国） ； Peng Cheng Laboratory, China（鹏城实验室，中国） ； University of Chinese Academy of Sciences, China（中国科学院大学，中国） ； MoE Key Laboratory of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能MoE重点实验室，人工智能研究院，上海交通大学） 纠错

AI总结 本文提出Morph框架，通过运动生成器和运动物理细化模块提升运动的物理合理性，无需昂贵真实运动数据，实验显示其在文本到运动和音乐到舞蹈生成任务中达到最先进的运动质量。

Comments Accepted by ICCV 2025, 15 pages, 6 figures

Double Coupling Architecture and Training Method for Optimization Problems of Differential Algebraic Equations with Parameters

具有参数的微分代数方程优化问题的双耦合架构及训练方法

Wenqiang Yang, Wenyuan Wu, Yong Feng, Changbo Chen

机构 * Chongqing Key Laboratory of Automated Reasoning and Cognition（重庆自动化推理与认知重点实验室） ； Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（重庆绿色智能技术研究所，中国科学院） ； Chongqing School（重庆学校） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出双物理信息神经网络架构，用于解决参数微分代数方程优化问题，通过引入松弛变量和遗传算法增强训练框架，提升训练精度和效率，实现多任务目标的泛化。

Comments 19pages, 11 figures

Think 360°: Evaluating the Width-centric Reasoning Capability of MLLMs Beyond Depth

Think 360°: 评估MLLMs的宽度中心推理能力超越深度

Mingrui Chen, Hexiong Yang, Haogeng Liu, Huaibo Huang, Ran He

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR&MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所NLPR&MAIS） ； School of Advanced Interdisciplinary Science, University of Chinese Academy of Sciences（中国科学院大学交叉学科学院） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文提出一个全面的多模态基准，评估MLLMs的推理能力，特别关注推理宽度，作为深度的补充维度。通过1200+高质量多模态案例，提出细粒度树状思维评估协议，评估12种模型家族的推理宽度和深度，揭示当前模型在结合深度推理与广泛探索搜索方面的能力不足。

Comments Accepted by CVPR 2026

WISER: Wider Search, Deeper Thinking, and Adaptive Fusion for Training-Free Zero-Shot Composed Image Retrieval

WISER：更广的搜索、更深入的思考和自适应融合用于无训练零样本复合图像检索

Tianyue Wang, Leigang Qu, Tianyu Yang, Xiangzhao Hao, Yifan Xu, Haiyun Guo, Jinqiao Wang

机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Wuhan AI Research（武汉人工智能研究院） ； Minzu University of China（民族大学） 纠错

AI总结 WISER通过'检索-验证-细化'流程统一文本到图像和图像到图像检索，显式建模意图和不确定性意识，实现更广泛的搜索和更深入的思考，提升零样本复合图像检索性能。

Comments Accept to CVPR 2026

Omni-WorldBench: Towards a Comprehensive Interaction-Centric Evaluation for World Models

Omni-WorldBench：迈向全面的交互导向的世界模型评估

Meiqi Wu, Zhixin Cai, Fufangchen Zhao, Xiaokun Feng, Rujing Dang, Bingze Song, Ruitian Tian, Jiashu Zhu, Jiachen Lei, Hao Dou, Jing Tang, Lei Sun, Jiahong Wu, Xiangxiang Chu, Zeming Liu, Kaiqi Huang

机构 * School of Computer Science and Technology, UCAS（UCAS计算机科学与技术学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, CASIA（复杂系统认知与决策智能重点实验室） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； State Key Laboratory of Networking and Switching Technology, BUPT（网络与交换技术国家重点实验室） ； AMAP, Alibaba Group（阿里妈妈实验室，阿里巴巴集团） 纠错

AI总结 本文提出Omni-WorldBench，一个针对4D世界模型交互响应能力的综合评估基准，通过Omni-WorldSuite和Omni-Metrics评估交互动作对状态转移的影响，分析现有模型的局限性。

MultiBind: A Benchmark for Attribute Misbinding in Multi-Subject Generation

MultiBind：多主体生成中属性误绑定的基准测试

Wenqing Tian, Hanyi Mao, Zhaocheng Liu, Lihua Zhang, Qiang Liu, Jian Wu, Liang Wang

机构 * New Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别新实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； The University of Chicago（芝加哥大学） ； ByteDance（字节跳动） 纠错

AI总结 本文提出MultiBind基准，用于评估多主体生成中属性误绑定问题，通过实体索引提示和混淆评估协议识别跨主体干扰模式，揭示传统指标无法检测的绑定失败。

Disentangling Speaker Traits for Deepfake Source Verification via Chebyshev Polynomial and Riemannian Metric Learning

通过切比雪夫多项式和黎曼度量学习实现深度伪造源验证的说话人特性解耦

Xi Xuan, Wenxin Zhang, Zhiyu Li, Jennifer Williams, Ville Hautamäki, Tomi H. Kinnunen

机构 * University of Eastern Finland（东芬兰大学） ； City University of Hong Kong（香港城市大学） ； University of Southampton（南安普顿大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出SDML框架，通过切比雪夫多项式和黎曼度量学习解耦说话人特性，提升深度伪造源验证的准确性。

Comments Submitted to Interspeech 2026; The code, evaluation protocols and demo website are available at https://github.com/xxuan-acoustics/RiemannSD-Net

SemEval-2026 Task 12: Abductive Event Reasoning: Towards Real-World Event Causal Inference for Large Language Models

SemEval-2026任务12：归纳事件推理：面向大规模语言模型的现实事件因果推断

Pengfei Cao, Mingxuan Yang, Yubo Chen, Chenlong Zhang, Mingxuan Liu, Kang Liu, Jun Zhao

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China（认知与决策智能复杂系统重点实验室，自动化研究所，中国科学院，北京，中国） ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（人工智能学院，中国科学院大学，北京，中国） 纠错

AI总结 本文提出面向现实事件因果推断的归纳事件推理任务，通过多选基准测试解决分布式证据、间接背景因素和语义相关但非因果干扰等挑战，评估了122个参与者的518份提交结果。

Comments 9 pages, 3 figures, semeval 2026 task 12 description paper

PRM-as-a-Judge: A Dense Evaluation Paradigm for Fine-Grained Robotic Auditing

PRM-as-a-Judge：细粒度机器人审计的密集评估范式

Yuheng Ji, Yuyang Liu, Huajie Tan, Xuchuan Huang, Fanding Huang, Yijie Xu, Cheng Chi, Yuting Zhao, Huaihai Lyu, Peterson Co, Mingyu Cao, Qiongyu Zhang, Zhe Li, Enshen Zhou, Pengwei Wang, Zhongyuan Wang, Shanghang Zhang, Xiaolong Zheng

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机科学系，北京大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Tsinghua University（清华大学） ； University of Sydney（悉尼大学） ； Beihang University（北航大学） 纠错

AI总结 本文提出PRM-as-a-Judge方法，通过过程奖励模型对轨迹视频进行密集评估，引入OPD指标系统，验证了宏一致性与微分辨率特性，揭示了主流策略在长周期任务中的行为特征与失败模式。

Towards Secure Retrieval-Augmented Generation: A Comprehensive Review of Threats, Defenses and Benchmarks

迈向安全的检索增强生成：对威胁、防御和基准的全面综述

Yanming Mu, Hao Hu, Feiyang Li, Qiao Yuan, Jiang Wu, Zichuan Liu, Pengcheng Liu, Mei Wang, Hongwei Zhou, Yuling Liu

机构 * State Key Laboratory of Mathematical Engineering and Advanced Computing（数学工程与先进计算国家重点实验室） ； Information Engineering University（信息工程大学） ； Henan Key Laboratory of Information Security（河南省信息安全重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文综述了检索增强生成系统中的安全威胁、防御方法及评估基准，系统分析了数据污染、对抗攻击等核心威胁，并提出双视角的防御技术分类，为未来研究提供统一基准。

FedCVU: Federated Learning for Cross-View Video Understanding

FedCVU: 联邦学习用于跨视图视频理解

Shenghan Zhang, Run Ling, Ke Cao, Ao Ma, Zhanjie Zhang

机构 * Software College, Northeastern University, Shenyang, China（东北大学软件学院） ； University of Science and Technology of China, Hefei, China（中国科学技术大学） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； Zhejiang University, Hangzhou, China（浙江大学） 纠错

AI总结 FedCVU通过VS-Norm、CV-Align和SLA解决联邦学习在跨视图视频理解中的异质视角、分布偏差和通信开销问题，提升未见视角性能。

TTP: Test-Time Padding for Adversarial Detection and Robust Adaptation on Vision-Language Models

TTP: 视觉-语言模型上的对抗检测与鲁棒适应的测试时填充

Zhiwei Li, Yitian Pang, Weining Wang, Zhenan Sun, Qi Li

机构 * NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（神经网络与模式识别实验室及自动化研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

AI总结 本文提出TTP框架，通过测试时填充实现对抗检测与鲁棒适应，提升视觉-语言模型在对抗攻击下的鲁棒性而不影响清洁准确性。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

CurES: From Gradient Analysis to Efficient Curriculum Learning for Reasoning LLMs

CurES：从梯度分析到高效课程学习以提升推理大语言模型

Yongcheng Zeng, Zexu Sun, Bokai Ji, Erxue Min, Hengyi Cai, Shuaiqiang Wang, Dawei Yin, Haifeng Zhang, Xu Chen, Jun Wang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Baidu Inc.（百度公司） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出CurES方法，通过梯度优化理论分析，改进大语言模型推理任务的训练效率，实验显示其在多个数学推理基准上优于现有方法。

Comments 25 pages, 10 Figures

A Kernel Space-based Multidimensional Sparse Model for Dynamic PET Image Denoising

基于核空间的多维稀疏模型用于动态PET图像去噪

Kuang Xiaodong, Li Bingxuan, Li Yuan, Rao Fan, Ma Gege, Xie Qingguo, Mok Greta S P, Liu Huafeng, Zhu Wentao

机构 * Zhejiang Polytechnic University of Mechanical and Electrical Engineering（浙江机电职业技术学院） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥国家综合科学中心人工智能研究院） ； School of Electrical and Optical Engineering（南京理工大学电气与光学工程学院） ； Zhejiang Lab（浙江实验室） ； School of Intelligent Science and Technology（智能科学与技术学院） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（杭州高等研究院，中国科学院大学） ； Biomedical Imaging Laboratory (BIG), Department of Electrical and Computer Engineering, Faculty of Science and Technology, University of Macau（澳门大学生物医学成像实验室） ； College of Optical Science and Engineering（光学工程学院） ； College of Biomedical Engineering and Instrument Science（生物医学工程与仪器科学学院） 纠错

AI总结 本文提出基于核空间的多维稀疏模型（KMDS）用于动态PET图像去噪，利用帧间空间相关性和帧内结构一致性，结合神经网络实现端到端的KMDS-Net，实验表明其在动态PET去噪中优于现有方法。