University of Science and Technology of China（中国科学技术大学）

Seeing is Improving: Visual Feedback for Iterative Text Layout Refinement

视觉反馈提升布局：用于迭代文本布局优化的视觉反馈

Junrong Guo, Shancheng Fang, Yadong Qu, Hongtao Xie

机构 * University of Science and Technology of China（中国科学技术大学） ； Shenzhen University（深圳大学） 纠错

AI总结 本文提出VFLM模型，通过视觉反馈迭代优化文本布局，提升生成质量，实验表明其优于现有方法。

Comments Accepted by CVPR 2026

SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation

SHAPE：基于结构的分层无监督领域自适应与合理性评估用于医学图像分割

Linkuan Zhou, Yinghao Xia, Yufei Shen, Xiangyu Li, Wenjie Du, Cong Cong, Leyi Wei, Ran Su, Qiangguo Jin

机构 * School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Software Engineering, USTC（USTC软件工程学院） ； Australian Institute of Health Innovation, Macquarie University（麦考瑞大学健康创新研究所） ； Faculty of Applied Science, Macao Polytechnic University（澳门理工学院应用科学学院） ； School of Computer Software, Tianjin University（天津大学计算机软件学院） 纠错

AI总结 SHAPE通过结构感知的分层无监督领域自适应与合理性评估，提升医学图像分割在跨模态任务中的性能，采用超图合理性估计和结构异常修剪方法，显著提高心脏和腹部数据的Dice分数。

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。

SWIFT: Sliding Window Reconstruction for Few-Shot Training-Free Generated Video Attribution

SWIFT: 基于滑动窗口的少样本训练自由生成视频属性识别

Chao Wang, Zijin Yang, Yaofei Wang, Yuang Qi, Weiming Zhang, Nenghai Yu, Kejiang Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学） 纠错

AI总结 本文提出SWIFT方法，通过滑动窗口实现视频属性识别，无需额外训练即可在多种生成模型上达到90%以上的准确率，支持零样本识别。

Comments 8 pages. Accepted by CVPR 2026

Easy3E: Feed-Forward 3D Asset Editing via Rectified Voxel Flow

Easy3E: 通过校正体素流实现的前馈3D资产编辑

Shimin Hu, Yuanyi Wei, Fei Zha, Yudong Guo, Juyong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出基于TRELLIS生成框架的高效前馈3D编辑方法，通过单视角编辑实现3D模型修改，解决训练自由2D编辑适应结构化3D表示及压缩3D特征外观保真度瓶颈问题。

Comments CVPR 2026, Project Page: https://ustc3dv.github.io/Easy3E/

ArtiSG: Functional 3D Scene Graph Construction via Human-demonstrated Articulated Objects Manipulation

ArtiSG: 通过人类示范的可动物体操作构建功能3D场景图

Qiuyi Gu, Yuze Sheng, Jincheng Yu, Jiahao Tang, Xiaolong Shan, Zhaoyang Shen, Tinghao Yi, Xiaodan Liang, Xinlei Chen, Yu Wang

机构 * Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Openmind ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 ArtiSG通过编码人类示范到结构化机器人记忆中，构建功能3D场景图，解决现有方法在可动物体操作信息获取上的不足，提升机器人在真实环境中的任务执行能力。

GIR-Bench: Versatile Benchmark for Generating Images with Reasoning

GIR-Bench：用于生成图像的多功能基准

Hongxiang Li, Yaowei Li, Bin Lin, Yuwei Niu, Yuhang Yang, Xiaoshuang Huang, Jiayin Cai, Xiaolong Jiang, Yao Hu, Long Chen

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） 纠错

AI总结 本文提出GIR-Bench，从理解-生成一致性、文本到图像生成和多步骤编辑三个角度评估统一模型，揭示其在复杂视觉任务中的表现与不足。

Comments ICLR2026

LinearSR: Unlocking Linear Attention for Stable and Efficient Image Super-Resolution

LinearSR: 解锁线性注意力以实现稳定且高效的图像超分辨率

Xiaohui Li, Shaobin Zhuang, Shuo Cao, Yang Yang, Yuandong Pu, Qi Qin, Siqi Luo, Bin Fu, Yihao Liu

机构 * 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 Science and Technology of China（中国科学技术大学） ； The Australian National University（澳大利亚国立大学） 纠错

AI总结 本文提出LinearSR框架，首次系统解决线性注意力在图像超分辨率中的关键挑战，通过改进的早停指导微调策略、SNR基专家混合架构和TAG指导范式，实现高质量与高效兼顾的超分辨率生成。

Comments Camera Ready of ICLR2026

StaR-KVQA: Structured Reasoning Traces for Implicit-Knowledge Visual Question Answering

StaR-KVQA：用于隐式知识视觉问答的结构化推理轨迹

Zhihao Wen, Wenkang Wei, Yuan Fang, Xingtong Yu, Hui Zhang, Weicheng Zhu, Xin Zhang

机构 * Ant International, Ant Group（蚂蚁集团国际部，蚂蚁集团） ； School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理学院计算与信息系统学院） ； Anhui Provincial Key Laboratory of High Performance Computing（安徽省高性能计算重点实验室） 纠错

AI总结 StaR-KVQA通过引入双路径结构化推理轨迹提升隐式知识视觉问答的准确性与推理透明度，采用自蒸馏方法构建轨迹增强数据集，无需外部检索工具，在OK-VQA基准上实现11.3%的精度提升。

Comments 8+3+3 pages, code: https://github.com/jianyingzhihe/StaR-KVQA

Uni-Classifier: Leveraging Video Diffusion Priors for Universal Guidance Classifier

Uni-Classifier: 利用视频扩散先验进行通用引导分类器

Yujie Zhou, Pengyang Ling, Jiazi Bu, Bingjie Gao, Li Niu

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出Uni-Classifier，通过利用视频扩散先验引导前序模型的去噪过程，提升生成质量，适用于视频和3D生成任务。

Comments Accepted by ICME 2026

EARTalking: End-to-end GPT-style Autoregressive Talking Head Synthesis with Frame-wise Control

EARTalking：端到端的GPT风格自回归说话头合成与帧级控制

Yuzhe Weng, Haotian Wang, Yuanhong Yu, Jun Du, Shan He, Xiaoyan Wu, Haoran Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出EARTalking，一种端到端的GPT风格自回归模型，用于交互式音频驱动说话头生成，通过引入帧级流式生成范式和Sink Frame Window Attention机制，实现高效可控的视频生成。

Deciphering Scientific Reasoning Steps from Outcome Data for Molecule Optimization

从结果数据中解码科学推理步骤以优化分子

Zequn Liu, Kehan Wu, Shufang Xie, Zekun Guo, Wei Zhang, Tao Qin, Renhe Liu, Yingce Xia

机构 * Zhongguancun Academy（中关村学院） ； School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； Global Health Drug Discovery Institute（全球健康药物发现研究所） 纠错

AI总结 本文提出DESRO框架，通过分析分子属性记录中的共享片段，利用LLM恢复分子优化的推理逻辑，并在15项任务中取得最高成功率，展示了从结果数据解码推理步骤的可行性。

Comments Work in progress, 37 pages