University of Washington（华盛顿大学）

MicroZoom: Structure-Preserving Detail Synthesis at Extreme Scale

MicroZoom：极端尺度下的结构保留细节合成

Huy Huynh, Jingwei Ma, Brian Curless, Ira Kemelmacher-Shlizerman, Steven M. Seitz

机构 * University of Washington（华盛顿大学） 纠错

AI总结 MicroZoom旨在解决微观尺度下基于参考的极端尺度超分辨率问题，通过两阶段级联设计，第一阶段恢复全局图案连贯性，第二阶段细化局部纹理细节，辅以分割掩码指导合成，实现了全局连贯、基于物质的千兆像素图像合成。

Comments Project page: https://microzoom-sr.github.io/

A Few Words Go a Long Way: Language Guided Robot Policy Synthesis

寥寥数语，成效显著：语言引导的机器人策略合成

Daphne Chen, Archit Ritesh Jain, Eric Goossen, Emma Romig, Michael Murray, Nick Walker, Maya Cakmak

机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究针对视觉-语言-动作模型难以解释等问题，提出ARCHITECT框架，利用大语言模型编码代理合成模块化机器人程序，通过人类自然语言修正引导策略并积累技能库，在机器人基准评估中表现出色，提供了新的机器人学习方案。

Inference-Time Consensus for Mitigating Hidden Behaviors from LLM Fine-Tuning

用于减轻大语言模型微调中隐藏行为的推理时共识

Adhyyan Narang, Artin Tajdini, Claire Zhang, Jamie Morgenstern

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究针对大语言模型微调中隐藏行为问题，通过从不同源收集多数据集并学习共性，在解码时聚合参考模型下一个token分布，引入两种共识解码器，有效抑制特定源不当行为，保留共享期望行为。

Comments 21 pages, 4 figures. Code: https://github.com/AdhyyanNarang/consensus-aggregation

Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram

运动想象脑电图跨受试者分类中的贝叶斯完全池化

Ethan Davis

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究对比贝叶斯完全池化模型与频率主义基线用于跨受试者运动想象脑电图分类，经多指标分析发现前者可靠性有统计学改善但实际不显著，计算成本高，表明其实际益处有限，跨受试者和会话部分池化是更有前景方向。

Pose-Aware Modeling to Mitigate Pose-Related Artifacts in Tactile Gloves

用于减轻触觉手套中与姿势相关伪像的姿势感知建模

Tianhong Catherine Yu, Ziyi Kou, Mia Huang, Taylor Niehues, Yiyue Luo, Li Guan, Dingtian Zhang

机构 * Cornell Univeristy（康奈尔大学） ； Meta Reality Labs（Meta 现实实验室） ； University of Washington（华盛顿大学） 纠错

AI总结 研究针对触觉手套因手部姿势变化产生伪像致最小可检测力提高的问题，引入无需修改手套的算法框架，利用姿势信息减轻伪像，经多手套设计和用户验证，有效降低了最小可检测力，提升了手套在相关应用中的可用性。

Layering Virtual Try-On

分层虚拟试穿

Chun Feng, Bowei Chen, Mengyi Shan, Ira Kemelmacher-Shlizerman

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究针对现实中服装分层搭配的虚拟试穿难题，提出LVTON方法。先通过自动数据生成管道训练获取一般VTON先验知识，再在专用数据集微调学习分层逻辑，在LVTON基准及传统VTON基准上取得优异成果，展现零样本能力。

Comments Accepted to ECCV 2026

Commitment To Cooperation With Self-Negotiated Contracts

通过自我协商合同实现合作承诺

Tim Wyse, Kaitlin Bustos, Yulia Volkova, Max Kleiman-Weiner

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究人工智能代理在多智能体世界中的合作问题，借鉴法律制度和契约，通过在时空博弈\CT中研究基于大型语言模型的代理使用不同合同表示，发现自我协商合同可改善合作结果。

The Label Complexity of Class-Conditional Coverage under Distribution Shift

分布偏移下类条件覆盖的标签复杂性

Weijia Han, Lisha Qu

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究分布偏移下类条件覆盖的标签复杂性，指出无标签方法难以兼顾有效性和效率，精确了恢复每类有效性的成本，通过骨架动作识别等案例研究表明相关现象在多模态基准上存在。

How College Students Use AI to Navigate Course Readings: Evidence from an Eight-Week Study

具有AI支持的自主阅读：一项为期八周的学生研究

Yue Fu, Joel Wester, Niels Van Berkel, Alexis Hiniker

机构 * University of Washington（华盛顿大学） ； University of Copenhagen（哥本哈根大学） ； Aalborg University（奥胡斯大学） 纠错

AI总结 本研究探讨了AI支持下学生自主阅读的认知过程，发现学生在阅读中表现出从理解到推理的认知发展，但受效率驱动，倾向于使用AI生成摘要来筛选阅读内容。

From Camera-Based Sensing to Reasoning: A Comprehensive Review Toward Proactive Vulnerable Road User Safety

从基于摄像头的感知到推理：面向主动弱势道路使用者安全的全面综述

Shucheng Zhang, Yan Shi, Bingzhang Wang, Yuang Zhang, Muhammad Monjurul Karim, Kehua Chen, Chenxi Liu, Mehrdad Nasri, Yinhai Wang

机构 * University of Washington（华盛顿大学） ； University of Utah（犹他大学） 纠错

AI总结 综述基于摄像头的主动弱势道路使用者安全方法，将文献分为视觉感知、运动建模和行为理解三部分，构成统一分层管道实现早期风险预测和及时干预，纳入新兴AI范式，识别关键挑战并讨论研究方向，提供VRU安全系统开发基础。

Comments 18 pages, 4 figures, 5 tables

Journal ref IEEE Transactions on Intelligent Transportation Systems, 2026, pp. 1-17