Adobe

MotionGrounder: Grounded Multi-Object Motion Transfer via Diffusion Transformer

MotionGrounder: 通过扩散变换器实现多物体运动迁移

Samuel Teodoro, Yun Chen, Agus Gunawan, Soo Ye Kim, Jihyong Oh, Munchurl Kim

机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电气工程学院） ； Adobe Research（Adobe研究院） ； CMLab, Chung-Ang University（中央大学CMLab） 纠错

AI总结 本文提出MotionGrounder，一种基于扩散变换器的多物体运动迁移框架，通过流式运动信号和对象-描述对齐损失实现稳定运动先验和空间对齐，实验显示其在定量、定性和人类评估中均优于现有方法。

Comments Please visit our project page at https://kaist-viclab.github.io/motiongrounder-site/

Automatic Method Illustration Generation for AI Scientific Papers via Drawing Middleware Creation, Evolution, and Orchestration

通过绘制中间件的创建、进化和协调实现AI科学论文的自动方法图示生成

Zhuoling Li, Jiarui Zhang, Ping Hu, Jason Kuen, Jiuxiang Gu, Hossein Rahmani, Jun Liu

机构 * Lancaster University（兰卡斯特大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出FigAgent框架，通过绘制中间件自动生成高质量方法图示，结合探索-选择策略模拟人类试错过程，实验验证了方法的有效性。

Regularizing Extrapolation in Causal Inference

在因果推断中正则化外推

David Arbour, Harsh Parikh, Bijan Niknam, Elizabeth Stuart, Kara Rudolph, Avi Feller

机构 * Adobe Research（Adobe研究院） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出统一框架，通过正则化外推水平来改进因果推断中的外推问题，引入偏倚-偏倚-方差权衡，并通过合成实验和实际应用验证其有效性。