Disentanglement Beyond Generative Models with Riemannian ICA
超越生成模型的解缠：黎曼ICA
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出黎曼ICA，一种不依赖生成模型的解缠方法，通过引入解缠张量来研究局部解缠特性，为理解无生成假设下的特征解缠提供了理论基础。
高校专区
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
Broadening Access to Transportation Safety Data with Generative AI: A Schema-Grounded Framework for Spatial Natural Language Queries
通过生成式AI拓宽交通安全管理数据的可及性：一种基于模式的时空自然语言查询框架
机构 * Department of Civil and Environmental Engineering, University of Massachusetts Amherst（麻省大学阿姆赫斯特分校土木与环境工程系）
AI总结 本文提出了一种基于模式的自然语言接口，利用大型语言模型解释用户意图，同时保持确定性和可审查的执行，以解决交通安全管理数据访问不均的问题，通过整合事故记录、道路属性和地理空间数据，提升公共部门的安全规划能力。
Comments 30 pages, 5 figures
HyperBench: Standardizing and Scaling Synthetic Evaluation for Hyperspectral Super-Resolution
HyperBench: 标准化和扩展超光谱超分辨率的合成评估
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出HyperBench框架，通过标准化和扩展合成实验来评估超光谱超分辨率方法，以解决现有评估方法中配置不一致、结果难以比较和复现的问题。
OmniShotCut: Holistic Relational Shot Boundary Detection with Shot-Query Transformer
OmniShotCut: 以-shot查询Transformer实现整体关系性shot边界检测
机构 * University of Virginia（弗吉尼亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出OmniShotCut，通过shot查询基于的密集视频Transformer，将shot边界检测建模为结构化关系预测，同时估计shot内关系和shot间关系，以解决现有方法在边界不可解释、错过细微有害断点以及依赖噪声低多样性标注和过时基准的问题。
Understanding Persuasion in Long-Running Agents
理解长期运行代理中的说服
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文研究了长期任务中代理受到用户说服影响的行为变化，提出了一种基于行为的评估框架，发现提前指定信念状态的代理在搜索和源访问上表现更高效，表明说服影响代理行为。
Comments Code available at https://github.com/HyejunJeong/persuasion-propagation
SpectraMorph: Structured Latent Learning for Self-Supervised Hyperspectral Super-Resolution
SpectraMorph: 结构化潜在学习用于自监督超光谱超分辨率
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究提出SpectraMorph，一种基于物理指导的自监督融合框架，通过结构化潜在空间实现超光谱超分辨率，利用多光谱图像与超光谱图像的融合，产生可解释的中间结果，并在短时间内训练，即使在单波段多光谱图像下也保持鲁棒性。
Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
SpectraLift: Physics-Guided Spectral-Inversion Network for Self-Supervised Hyperspectral Image Super-Resolution
SpectraLift: 一种基于物理的频谱反演网络用于自监督超分辨率高光谱图像
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 该研究提出了一种自监督的频谱反演网络SpectraLift，利用多谱段图像的光谱响应函数实现高光谱图像与多谱段图像的融合，无需点扩散函数校准或高分辨率高光谱图像的地面真实数据，从而在PSNR、SAM、SSIM和RMSE等指标上优于现有方法。
Journal ref 2025 15th Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing (WHISPERS)
