高校专区
通过对齐单目视频中的高阶时间动态恢复自然人体运动
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出HTD-Refine框架，利用PVA-Net估计的高阶时间动态（速度和加速度）优化全局轨迹，恢复自然人体运动。
Comments 13 pages, 6 figures. Accepted as an Oral presentation and Best Paper Candidate at CVPR 2026. Project page: https://zju3dv.github.io/htd-refine/
你的智能体也在老化：面向部署系统的智能体寿命工程
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出 AgingBench 基准，通过四种老化机制和诊断工具评估部署后智能体的可靠性退化，并指出需要寿命评估、机制级诊断和阶段针对性修复。
AirCast-SR: 基于潜在一致性扩散的千米级大气超分辨率基础模型
机构 * Department of Earth, Environmental, and Atmospheric Sciences, Western Kentucky University, Bowling Green, KY, USA（地球、环境与大气科学系，西部肯塔基大学） ； NASA Goddard Space Flight Center, Greenbelt, MD, USA（NASA戈达德太空飞行中心） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； NSF National Center for Atmospheric Research, Boulder, CO, USA（国家大气科学研究中心） ； Leibniz Centre for Agricultural Landscape Research (ZALF), Berlin, Germany（莱比锡农业景观研究中心（ZALF）） ； Ashoka University, Sonipat, India（阿什oka大学）
AI总结 提出AirCast-SR基础模型，利用潜在一致性扩散框架将全球AI天气预报从0.25度降尺度至1公里分辨率，实现零偏差和跨区域零样本迁移。
Comments Somnath Luitel and Manmeet Singh are equal-contribution co-first authors, with Manmeet Singh (manmeet.singh@wku.edu) as corresponding author
EgoExo-WM: 利用外部视频解锁自我世界模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出通过从外部视频提取结构化身体姿态并利用人体运动学先验将其转换为自我视频，从而利用丰富的野外外部数据训练自我世界模型，显著提升预测质量和下游规划性能。
Comments Project Page: https://vision.cs.utexas.edu/projects/EgoExo-WM/
通过边界商在商流形上的归一化流
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出边界商框架，用于在作为更简单域边界商的流形上学习密度，并构造离散群作用下的商流形上的归一化流，在亏格g曲面和透镜空间上验证了有效性。
挖掘属性子空间以实现3D基础模型的高效微调
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shanghai Jiao Tong University（上海交通大学） ； Adobe Research（Adobe研究） ； Google Research（谷歌研究）
AI总结 本文通过生成合成数据并提取与纹理、几何、相机运动和光照变化相关的LoRA子空间，发现这些子空间近似解耦，集成后形成降维子空间，从而提高下游任务微调的效率和预测精度。
Comments 10 pages, 8 figures. Code here: https://github.com/jpppppppppppppppppppppppp/Subspaces-Mining-for-VGGT
LLM引导的层次化搜索用于端到端推理密集型检索
机构 * UT Austin（得克萨斯大学） ； UCLA（加州大学洛杉矶分校） ； Google（谷歌）
AI总结 本文提出LATTICE，一种无需嵌入模型的LLM引导层次化搜索方法，通过LLM构建搜索索引并校准路径聚合遍历，在推理密集型基准上达到与最优微调集成基线相当的性能。
HiSpec: 分层推测解码用于大语言模型
机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校电子与计算机工程系）
AI总结 提出HiSpec框架，利用早期退出模型进行低开销中间验证，通过重用键值缓存和隐藏状态提高吞吐量，平均加速1.28倍，最高2.01倍，且不损失准确性。
LAD-VF：LLM自动微分实现基于形式化方法反馈的无微调机器人规划
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of São Paulo（圣保罗大学） ； Texas A&M University（德克萨斯A&M大学） ； SylphAI
AI总结 提出LAD-VF框架，利用形式化验证反馈和LLM自动微分自动优化提示词，无需微调即可提升机器人规划任务中规范符合率，成功率从60%提升至90%以上。
Comments Presented at ICRA 2026
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