University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

PoseShield: Neural Collision Fields for Human Self-Collision Resolution

PoseShield: 用于人体自碰撞解析的神经碰撞场

Zhengyuan Li, Zeyun Deng, Yifan Shen, Liangyan Gui, Miaolan Xie, Joseph Campbell, Xifeng Gao, Kui Wu, Zherong Pan, Aniket Bera

机构 * Purdue University（普渡大学） ； LightSpeed Studios（LightSpeed工作室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 针对SMPL人体姿态估计中的自碰撞问题，提出在姿态空间直接定义神经碰撞约束，通过Eikonal正则化优化求解，实现95.8%的碰撞修复成功率。

Comments ECCV 2026. Code: https://github.com/lzhyu/PoseShield

Active View Selection with Perturbed Gaussian Ensemble for Tomographic Reconstruction

基于扰动高斯集成的主动视角选择用于层析重建

Yulun Wu, Ruyi Zha, Wei Cao, Yingying Li, Yuanhao Cai, Yaoyao Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Australian National University（澳大利亚国立大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 针对稀疏视角CT重建中视角选择问题，提出扰动高斯集成框架，通过不确定性建模和密度引导扰动选择最优视角，有效消除几何伪影。

Comments Accepted to ECCV 2026. Project page: https://perturbed-gaussian-ensemble.cvmlgroup.web.illinois.edu/

FusionFactory: Fusing LLM Capabilities with Multi-LLM Log Data

FusionFactory: 融合多LLM日志数据中的大语言模型能力

Tao Feng, Haozhen Zhang, Zijie Lei, Pengrui Han, Mostofa Patwary, Mohammad Shoeybi, Bryan Catanzaro, Jiaxuan You

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； Meta Monetization AI（Meta 变现人工智能） ； NVIDIA（英伟达） 纠错

AI总结 提出FusionFactory框架，通过查询级、思维级和模型级融合策略，利用多LLM日志数据提升模型性能，在14个基准测试中均优于最佳单模型。

Journal ref TMLR 2026

FLAT: Revealing Hidden Latent-Conditioned Backdoor Failures in Federated Learning

FLAT：揭示联邦学习中隐藏的潜在条件后门故障

Tuan Nguyen, Sze Jue Yang, Khoa D. Doan, Chee Seng Chan, Kok-Seng Wong

机构 * College of Engineering and Computer Science, VinUniversity（VinUniversity工程与计算机科学学院） ； VinUni-Illinois Smart Health Center, VinUniversity（VinUniversity-VinUni-Illinois智能健康中心） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Faculty of Computer Science and Information Technology, Universiti Malaya（马来亚大学计算机科学与信息技术学院） 纠错

AI总结 提出FLAT方法，通过将目标意图与触发实现分离，系统评估联邦学习后门攻击在不同目标、潜在样本、防御和停止轮次下的隐藏行为，揭示现有审计指标的不足。

Comments 14 pages, 7 figures. Substantially revised version with expanded reliability analysis, defense evaluation, and post-stop persistence study