University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Restore-R1: Efficient Image Restoration Agents via Reinforcement Learning with Multimodal LLM Perceptual Feedback

Restore-R1: 通过多模态大语言模型感知反馈的强化学习图像修复代理

Jianglin Lu, Yuanwei Wu, Ziyi Zhao, Hongcheng Wang, Felix Jimenez, Abrar Majeedi, Yun Fu

机构 * Amazon（亚马逊） ； Northeastern University（东北大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出Restore-R1框架，利用强化学习和多模态大语言模型感知反馈，高效解决图像修复问题，无需标注数据即可实现高质量修复。

Can LLMs Learn to Reason Robustly under Noisy Supervision?

大语言模型能否在噪声监督下实现稳健推理？

Shenzhi Yang, Guangcheng Zhu, Bowen Song, Sharon Li, Haobo Wang, Xing Zheng, Yingfan Ma, Zhongqi Chen, Weiqiang Wang, Gang Chen

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文研究了强化学习中可验证奖励在噪声标签下的鲁棒性问题，提出在线标签细化方法，通过动态修正潜在噪声标签提升模型性能。

Fused Multinomial Logistic Regression Utilizing Summary-Level External Machine-learning Information

融合外部机器学习信息的多元逻辑回归

Chi-Shian Dai, Jun Shao

机构 * National Cheng Kung University（国立成功大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种融合外部机器学习信息的多元逻辑回归框架，通过矩约束整合外部预测，解决数据质量问题并提升统计推断效率。

Comments 24 pages, 2 figures

Stochastic Generative Plug-and-Play Priors

随机生成性插件式先验

Chicago Y. Park, Edward P. Chandler, Yuyang Hu, Michael T. McCann, Cristina Garcia-Cardona, Brendt Wohlberg, Ulugbek S. Kamilov

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） 纠错

AI总结 本文提出随机生成性插件式先验框架，通过引入噪声利用生成式扩散模型先验提升逆问题鲁棒性，实验显示在多通道MRI重建和大遮挡图像修复中优于传统方法。

Robust Adaptation of Foundation Models with Black-Box Visual Prompting

基于黑盒视觉提示的模型鲁棒适应

Changdae Oh, Gyeongdeok Seo, Geunyoung Jung, Zhi-Qi Cheng, Hosik Choi, Jiyoung Jung, Kyungwoo Song

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Seoul（首尔市立大学） ； Yonsei University（延世大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出BlackVIP方法，通过协调器和SPSA-GC组件实现无需模型参数的PTM适应，通过实验展示其在不同领域和任务中的鲁棒性，同时提供理论分析支持视觉提示方法的鲁棒性。

Comments Accepted to IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) 2026