Xi'an Jiaotong University（西安交通大学）

SC-Diff: Semantically Calibrated Diffusion for Visible-to-Infrared Image Translation

SC-Diff：用于可见光到红外图像转换的语义校准扩散模型

Junyin Zhang, Siyu Huang, Jianxiong Ye, Haowei Gong, Ruicheng Zhang, Deyu Meng, Chenqiang Gao

机构 * School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区智能系统工程学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） 纠错

AI总结 SC-Diff 是一种语义校准潜扩散框架，通过结合语义先验作为条件与自注意力校准，提升可见光转红外图像的语义一致性，生成更适用于红外目标检测的合成训练数据。

The Lift Spectrum: How Measurement-to-Space Adaptivity Shapes Robustness in Image-Free Single-Pixel Sensing

提升频谱：测量到空间的适应性如何塑造无图像单像素传感的鲁棒性

Yuyuan Han, Jingwei Li, Xiaoxia Zhang, Long Qiu, Chong Wang, Wenxuan Hao, Jiangyu Han, Xinyu Yao, Yuchen He, Hui Chen, Jianbin Liu, Huaibin Zheng

机构 * Electronic Materials Research Laboratory, Key Laboratory of the Ministry of Education and International Center for Dielectric Research, School of Electronic Science and Engineering, Xi’an Jiaotong University（电子材料研究中心、教育部重点实验室和国际介电研究中心、电子科学与工程学院，西安交通大学） ； Micius Laboratory, Henan Academy of Sciences（墨子实验室、河南省科学院） 纠错

AI总结 研究无图像单像素传感中提升频谱对鲁棒性的影响，提出基于适应程度排序的方法，介绍时空软融合网络及训练方式，通过模拟和实际验证其性能，绘制提升频谱可指导设计，提升了该领域的方法效果。

Comments 25 pages (13 main text + 12 supplementary material), 8 figures, 3 tables. Submitted to IEEE Transactions on Computational Imaging

EchoStyle: Unlocking High-Fidelity Video Stylization with Reverse Data Synthesis

EchoStyle: 通过反向数据合成解锁高保真视频风格化

Huaqiu Li, Jiahao Wang, Sijia Cai, Hualian Sheng, Bing Deng, Jieping Ye, Wenhan Luo

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 提出EchoStyle框架，通过构建视频到视频架构、自动反向合成数据集V-Style20k和初始跟随模式机制，解决视频风格化中的内容泄露、数据稀缺和长视频适应性问题，实现高质量任意长度视频风格化。

Let Geometry GUIDE: Layer-wise Unrolling of Geometric Priors in Multimodal LLMs

让几何引导：在多模态大语言模型中逐层展开几何先验

Chongyu Wang, Ting Huang, Chunyu Sun, Xinyu Ning, Di Wang, Hao Tang

机构 * Xi’an Jiaotong University（西安交通大学） ； Peking University（北京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； InspireOmni 纠错

AI总结 本文提出GUIDE框架，通过多级采样和逐步融合几何先验，提升多模态大语言模型在空间推理任务中的性能。

Comments Revised manuscript with updated experiments, figures, and presentation