ICLR

Recovering Cloud Microstructures with Cascaded Diffusion Inversion

通过级联扩散反演恢复云微观结构

Hanan Gani, Guy Pulik, Daniel Rosenfeld, Duncan Watson-Parris, Salman Khan

机构 * Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 针对卫星云图像分辨率不足及现有方法不适用于此类图像的问题，提出基于扩散的两阶段超分辨率框架，能将云微观结构分辨率提高4倍，在精度和视觉质量上优于现有方法，为云微物理分析及利用AI促进气候和可持续性提供路径。

Comments Published at ML4RS Workshop ICLR 2026

SAGE: Spatial-visual Adaptive Graph Exploration for Efficient Visual Place Recognition

SAGE：用于高效视觉场所识别的空间视觉自适应图探索

Shunpeng Chen, Changwei Wang, Rongtao Xu, Xingtian Pei, Yukun Song, Jinzhou Lin, Wenhao Xu, Jingyi Zhang, Li Guo, Shibiao Xu

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology（教育部计算功率网络与信息安全部、山东计算机科学中心、齐鲁大学） 纠错

AI总结 研究视觉场所识别问题，提出SAGE统一训练管道，通过改进局部特征聚合等增强空间视觉辨别力，引入软探测模块，重建地理视觉图，采用特定采样器，在多基准测试中达SOTA，如在SPED上仅用4096D全局描述符获100% Recall@10。

Comments Accepted by ICLR 2026

Journal ref International Conference on Learning Representations (ICLR), 2026

SGD-Based Knowledge Distillation with Bayesian Teachers: Theory and Guidelines

基于贝叶斯教师的基于随机梯度下降的知识蒸馏：理论与指导方针

Itai Morad, Nir Shlezinger, Yonina C. Eldar

机构 * School of ECE, Ben-Gurion University（本·古里安大学电子工程学院） ； Faculty of Math and CS, Weizmann Institute of Science（魏茨曼科学研究院数学与计算机学院） 纠错

AI总结 研究从贝叶斯视角用随机梯度下降训练学生的知识蒸馏收敛行为，分两种情况分析，发现从贝叶斯类概率学习有优势，提倡用贝叶斯深度学习模型作教师，实验表明这样蒸馏出的学生准确率更高、收敛更稳定。

Comments Accepted at ICLR 2026

Journal ref International Conference on Learning Representations (ICLR), 2026

Truthful or Fabricated? Using Causal Attribution to Mitigate Reward Hacking in Explanations

真实还是编造？利用因果归因减轻解释中的奖励作弊

Pedro Ferreira, Wilker Aziz, Ivan Titov

机构 * Institute for Logic, Language and Computation (ILLC), University of Amsterdam（逻辑、语言与计算研究所（ILLC），阿姆斯特丹大学） ； Institute for Language, Cognition and Computation (ILCC), University of Edinburgh（语言、认知与计算研究所（ILCC），爱丁堡大学） 纠错

AI总结 研究大语言模型解释中因奖励模型导致的奖励作弊问题，提出用预测的因果归因丰富奖励模型输入的方法，该方法能减少大语言模型生成误导性解释的倾向，提升解释忠实度。

Comments ICLR 2026 Camera-ready