Path Planning in Physically Viable World Models
物理可行世界模型中的路径规划
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出物理可行世界模型，通过物理仿真生成修改后的场景，使机器人能在部署前评估未来地形变化对路径可行性的影响。
Comments 18 pages, 7 figures, submitted to CORL
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
GenSP: Consistent Spherical Parameterization via Learning Shape Generative Models
GenSP：通过学习形状生成模型实现一致的球面参数化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 提出GenSP框架，通过学习神经生成模型预测从单位球面到形状的连续映射，并通过逆映射获得一致的球面参数化，显著降低几何畸变并提升跨形状一致性。
Comments Accepted at ECCV 2026. Sai Karthikey Pentapati and Shashank Gupta contributed equally to this work
Distill to Detect: Exposing Stealth Biases in LLMs through Cartridge Distillation
蒸馏检测：通过弹药筒蒸馏揭露大语言模型中的隐蔽偏见
机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Foundation AI–Cisco Systems Inc.（Foundation AI–思科系统公司）
AI总结 提出Distill to Detect (D2D)方法，通过蒸馏模型与基座之间的分布偏移到KV缓存前缀适配器中，放大隐蔽偏见信号至可检测程度，并基于Fisher加权投影理论解释其有效性。
Comments Accepted to the ICML 2026 Workshops on TAIGR, AI4GOOD, Mechanistic Interpretability, and CoLoRAI
Laplace-Fisher Gate Identities for Optimal Matrix-Gated Blended Score Estimation
Laplace--Fisher 门恒等式用于最优矩阵门控混合得分估计
机构 * The Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Department of Aerospace Engineering & Engineering Mechanics（航空航天工程与机械系）
AI总结 针对非归一化目标采样中的得分估计问题，提出矩阵值门控混合得分估计方法，推导出方差最优门公式（Laplace-Fisher 门恒等式），并证明有限参考一致性，应用于贝叶斯逆问题的归一化密度评估。
Comments Provisional report
Audio-Visual Camera Pose Estimation with Passive Scene Sounds and In-the-Wild Video
利用被动场景声音和真实世界视频进行音频-视觉相机姿态估计
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种结合方向到达谱和双耳嵌入的音频-视觉框架，用于真实世界视频中的相机姿态估计，在视觉信息受损时表现出鲁棒性。
Comments ECCV 2026
NI-Tex: Non-isometric Image-based Garment Texture Generation
NI-Tex: 基于非等距图像的服装纹理生成
机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Westlake University（西湖大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Fudan University（复旦大学）
AI总结 针对非等距图像与3D服装网格间的纹理生成问题，提出结合物理模拟数据集、非等距图像编辑和迭代烘焙的框架，生成高质量PBR纹理。
Comments Accepted to CVPR 2026 (Highlight)
Semi-Bandit Learning for Monotone Stochastic Optimization
单调随机优化的半强盗学习
机构 * Indian Institute of Technology Bombay（印度理工学院孟买分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan（密歇根大学）
AI总结 针对未知分布下的单调随机优化问题，提出一种半强盗在线学习算法，在仅观测被探测变量样本的情况下，实现相对于最优近似算法的√(T log T)遗憾界，并扩展到删失和二元反馈场景。
Comments Full version (and extension) of FOCS 2024 paper. Fixes some missing assumptions in our results for continuous distributions. Also adds extensions to censored and binary feedback settings (along with applications) Revision: We improved the $k$ dependence
Surfacing Variations to Calibrate Perceived Reliability of MLLM-generated Image Descriptions
表面化变异以校准MLLM生成图像描述的可信度感知
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 通过系统性地展示多个MLLM响应间的变异，帮助盲人或低视力用户无需视觉检查即可检测不可靠信息，实验表明该方法将识别不可靠声明的能力提升4.9倍。
Comments 18 pages, 6 figures
