高校专区
BRDFusion：物理与生成结合的城市场景逆渲染
机构 * National Yang Ming Chiao Tung University ； University of Illinois Urbana-Champaign ； National Taiwan University
AI总结 提出BRDFusion框架，结合物理建模与生成先验，实现城市场景逆渲染，在保持物理一致性的同时修复伪影，支持新视角重光照、夜间模拟和动态物体编辑。
Comments Project page: https://shigon255.github.io/brdfusion-page/
精确后验分数估计用于求解线性逆问题
机构 * University of Oxford（牛津大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； EverEx
AI总结 提出精确后验分数（EPS）方法，通过闭式后验分数将线性逆问题转化为去噪问题，无需梯度或投影，在FFHQ和ImageNet上优于现有方法。
机器人何时应重新规划？时变MDP中的遗憾引导更新调度
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对时变环境下机器人因预算限制无法持续重规划的问题，提出基于动态遗憾的在线更新调度规则，在仿真和实物实验中优于固定预算基线。
ACCORD: 面向语言智能体的动作条件上下文接地
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
AI总结 针对用户指令常因隐含环境假设而欠指定，导致LLM智能体执行失败的问题，提出ACCORD框架，在每次动作前主动探测缺失信息并整合轨迹上下文，无需额外训练，在AppWorld和AlfWorld上显著提升任务完成率。
输入依赖的Fisher信息矩阵用于医学图像分类器的局部敏感性分析
机构 * Department of Electrical and Computer Engineering, University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系） ； Mallinckrodt Institute of Radiology and Department of Electrical & Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校马林克罗德特放射医学研究所及电气与系统工程系）
AI总结 提出基于输入依赖Fisher信息矩阵(iFIM)的局部敏感性分析框架，通过Gram矩阵恢复iFIM非零谱，将图像分解为高/低敏感性分量，实验证明高敏感性分量与预测置信度和分类性能变化强相关。
你不需要强假设：通过时间差异进行视觉表示学习
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学）
AI总结 提出TDV方法，基于因果假设（过去导致未来）从视频中自监督学习，避免强归纳偏置，在密集空间任务上达到SOTA。
SciOrch: 学习编排专家大语言模型以解决前沿多模态科学推理任务
机构 * Imperial College London（伦敦帝国学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 提出SciOrch框架，训练轻量级8B模型编排多个前沿大语言模型，通过MCTS和GRPO优化，在科学推理任务上超越最强单模型和多智能体基线。
具有显式不确定性和证据冲突建模的审计风险评估多智能体框架
机构 * Columbia University（哥伦比亚大学） ； Trine University（特林大学） ； University of Sofia（索菲亚大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Westcliff University（韦斯特克莱夫大学）
AI总结 提出UMAR框架，通过三个专业智能体独立评估风险并校准不确定性，利用Dempster-Shafer理论融合分数并测量冲突，在SEC 10-K数据集上优于基线模型，提供可解释的风险信号。
FragFuse：通过基于记忆的查询碎片化与融合绕过大型语言模型智能体的访问控制
机构 * University of Georgia（佐治亚大学） ； University of Chicago（芝加哥大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出FragFuse攻击，利用LLM智能体的长期记忆机制，将违禁内容碎片化存储后融合重构，绕过访问控制，平均绕过成功率达86.3%。
Comments 33 pages, 4 figures. Accepted by USENIX Security 2026
通过迁移学习神经算子实现Grad-Shafranov平衡的数据高效跨设备泛化
机构 * Grainger College of Engineering, Nuclear, Plasma & Radiological Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格兰杰工程学院核、等离子体与放射工程系） ； Fusion Energy Division, Oak Ridge National Lab（橡树岭国家实验室聚变能源部） ； National Center for Supercomputing Applications（国家超级计算应用中心） ； Department of Applied Mechanics, Indian Institute of Technology Delhi（印度理工学院德里分校应用力学系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里分校亚迪人工智能学院）
AI总结 提出跨设备神经算子框架，将平衡重建转化为算子学习问题，通过多几何预训练实现数据高效迁移，Wavelet Neural Operator在100个目标样本下达到低于4%的L2误差。
ST-DiffEye: 基于扩散的连续注视生成通过联合扫描路径-轨迹建模
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出ST-DiffEye，一种联合轨迹-扫描路径扩散框架，通过将两者拼接为额外输入通道进行联合建模，并引入基于连续排序概率得分（CRPS）的评估方法，在视觉搜索和自由观看任务上达到最先进性能。
GeoStream：迈向精确相机控制的流式视频生成
机构 * CMU（卡内基梅隆大学） ； Northeastern University（东北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Rice University（莱斯大学） ； Snap Inc.（Snap公司） ； KAUST（阿卜杜拉国王科技大学）
AI总结 提出GeoStream框架，通过自刷新3D缓存和在线策略蒸馏，实现自回归流式视频生成中的精确度量级相机控制，解决了现有方法在视角移动时控制失效和分布偏移问题。
任务感知的环境增强：通过屏蔽条件扩散实现可靠导航
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对部分可观测环境下的轨迹规划可靠性问题，提出任务感知的环境增强方法SCoDA，利用条件扩散模型学习最优视觉标记布局，通过屏蔽采样引导标记放置，提升轨迹执行可靠性和完成时间。
超越标量距离：来自冻结MLLM的语义属性梯度用于视觉嵌入
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出SAGA框架，利用冻结的多模态大语言模型（MLLM）通过GRPO奖励机制为视觉编码器提供属性级监督，替代传统标量距离，提升零样本图像检索性能。
迈向可验证的自主数据科学：通过基于工具的推理解决不规则时间序列问答
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对现实世界时间序列数据的不规则性，提出IRTS-ToolBench基准（1700个问题，10种任务类型，13个领域），通过标准化输入和可复现评估协议，研究LLM和AI代理在不规则条件下的表现。
Comments 15 pages
MiroBench：真实世界讨论的智能体模拟真实性基准测试
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Starc.Institute（Starc研究院）
AI总结 提出MiroBench基准，基于4292条真实Reddit帖子，通过统计测试评估LLM智能体模拟在重复性、叙事内容、毒性攻击和结构复杂度四个方面的分布匹配度，发现当前模拟器与真实讨论存在分布差异。
轨迹级重定向攻击对视觉-语言-动作模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文发现VLA模型存在轨迹级漏洞：看似保留原始指令的对抗性提示，能重定向机器人最终物理结果，并提出了命令保持的轨迹重定向威胁模型和在线提示搜索方法。
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