IEEE TPAMI

S2O: Enhancing Adversarial Training with Second-Order Statistics of Weights

S2O: 通过权重的二阶统计量增强对抗训练

Gaojie Jin, Xinping Yi, Wei Huang, Sven Schewe, Xiaowei Huang

机构 * Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系） ； National Mobile Communications Research Laboratory, Southeast University（东南大学国家移动通信研究实验室） ； Department of Computer Science, University of Liverpool（利物浦大学计算机科学系） 纠错

AI总结 S2O通过优化模型权重的二阶统计量，提升对抗训练的鲁棒性和泛化能力，并增强其他先进对抗训练技术。

Comments Accepted to TPAMI 2025

Towards Transferable Defense Against Malicious Image Edits

面向恶意图像编辑的可迁移防御

Jie Zhang, Shuai Dong, Shiguang Shan, Xilin Chen

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences (CAS)（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of China Academy of Sciences（中国科学院大学） ； School of Computer Science, China University of Geosciences（中国地质大学（武汉）计算机学院） 纠错

AI总结 TDAE通过双模优化提升图像对恶意编辑的免疫性，实现跨模型的可迁移防御。

Comments 14 pages, 5 figures, accepted by IEEE TPAMI

OmniTracker: Unifying Object Tracking by Tracking-with-Detection

OmniTracker: 通过跟踪与检测统一目标跟踪

Junke Wang, Zuxuan Wu, Dongdong Chen, Chong Luo, Xiyang Dai, Lu Yuan, Yu-Gang Jiang

机构 * Shanghai Key Lab of Intelligent Information Processing and School of Computer Science, Fudan University（上海智能信息处理关键实验室和复旦大学计算机学院） ； Microsoft Research, Redmond（微软研究院（红mond）） ； Microsoft Research, Asia（微软亚洲研究院） 纠错

AI总结 OmniTracker通过结合跟踪与检测的优势，统一解决不同目标跟踪任务，实现高效且一致的模型架构和参数共享。

Comments accepted by TPAMI

PPC-MT: Parallel Point Cloud Completion with Mamba-Transformer Hybrid Architecture

PPC-MT：基于Mamba-Transformer混合架构的并行点云补全

Jie Li, Shengwei Tian, Long Yu, Xin Ning

机构 * Xinjiang University（新疆大学） ； Institute of Semiconductors, Chinese Academy of Sciences（半导体研究所，中国科学院） 纠错

AI总结 PPC-MT通过混合Mamba-Transformer架构，提出并行点云补全方法，在效率与重建精度间取得平衡。

Comments Submitted to IEEE TPAMI

MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning

MO-MIX：基于深度强化学习的多目标多智能体协作决策制定

Tianmeng Hu, Biao Luo, Chunhua Yang, Tingwen Huang

机构 * School of Automation, Central South University（中南大学自动化学院） ； Texas A&M University at Qatar（卡塔尔大学塔拉斯阿姆大学） 纠错

AI总结 MO-MIX通过集中训练与分散执行框架，解决多目标多智能体协作决策问题，提升非支配解的均匀性并降低计算成本。

Comments 15 pages, 10 figures, published in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 45, no. 10, pp. 12098-12112, Oct. 2023

Flexible-weighted Chamfer Distance: Enhanced Objective Function for Point Cloud Completion

灵活加权卡姆费距离：点云补全的增强目标函数

Jie Li, Shengwei Tian, Long Yu, Xin Ning

机构 * Xinjiang University（新疆大学） ； Institute of Semiconductors, Chinese Academy of Sciences（半导体研究所，中国科学院） 纠错

AI总结 FCD通过不对称加权策略提升点云补全的全局结构完整性，显著降低关键指标如DCD和EMD，增强点云的均匀性和结构完整性。

Comments Accepted by IEEE TPAMI 2026. This is the author's version of the work. \c{opyright} 2026 IEEE. Personal use of this material is permitted. Code is available at this https URL [https://github.com/Carroll-Li/FCD]

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026

On Demographic Group Fairness Guarantees in Deep Learning

深度学习中的人口群体公平性保证分析

Yan Luo, Congcong Wen, Min Shi, Hao Huang, Yi Fang, Mengyu Wang

机构 * Harvard AI and Robotics Lab at Harvard University（哈佛大学人工智能与机器人实验室） ； Embodied AI and Robotics (AIR) Lab at New York University（纽约大学具身人工智能与机器人实验室） ； School of Computing and Informatics, University of Louisiana at Lafayette（路易斯安那州立大学拉法叶分校计算机与信息学院） 纠错

AI总结 本文提出Fairness-Aware Regularization方法，通过减少组间特征差异提升模型公平性与准确性。

Comments Accepted for publication in TPAMI 2026

Velocity Disambiguation for Video Frame Interpolation

视频帧插值中的速度歧义消除

Zhihang Zhong, Yiming Zhang, Wei Wang, Xiao Sun, Yu Qiao, Gurunandan Krishnan, Sizhuo Ma, Jian Wang

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Cornell University（康奈尔大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； OtoNexus Medical Technologies（OtoNexus医疗科技公司） ； Snap Inc（Snap公司） 纠错

AI总结 本文提出距离索引方法，通过显式提示对象移动距离来提升视频帧插值的精度和质量。

Comments ECCV2024 Oral; TPAMI

AP-Loss for Accurate One-Stage Object Detection

AP-Loss 用于准确的一阶段目标检测

Kean Chen, Weiyao Lin, Jianguo Li, John See, Ji Wang, Junni Zou

AI总结 本文提出基于AP-loss的排序任务替代传统分类任务，通过改进的优化算法解决一阶段目标检测中的类别不平衡问题，提升检测性能。

Comments Accepted to IEEE TPAMI. arXiv admin note: substantial text overlap with arXiv:1904.06373

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(11), 3782-3798, 2021