Adobe

MAOAM: Unified Object and Material Selection with Vision-Language Models

MAOAM: 基于视觉语言模型的统一对象与材质选择

Jaden Park, Valentin Deschaintre, Jason Kuen, Kangning Liu, Iliyan Georgiev, Krishna Kumar Singh, Yong Jae Lee, Michael Fischer

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究） 纠错

AI总结 提出MAOAM框架，利用视觉语言模型和分割头，通过文本或点击交互实现对象和材质的精确选择，并设计数据生成流水线解决材质选择数据缺乏问题。

Comments Accepted to SIGGRAPH 2026 Conference. Project page: \href{https://jadenpark0.github.io/project_pages/maoam/}{here}

Rebalancing Reference Frame Dominance to Improve Motion in Image-to-Video Models

重新平衡参考帧主导性以改善图像到视频模型中的运动

Wooseok Jeon, Seungho Park, Seunghyun Shin, Sangeyl Lee, Hyeonho Jeong, Hae-Gon Jeon

机构 * Yonsei University（延世大学） ； GIST（韩国科学技术院） ； Adobe Research（Adobe研究） 纠错

AI总结 针对图像到视频模型生成视频过于静态的问题，提出无需训练且模型无关的DyMoS方法，通过重新平衡去噪初期生成帧对参考帧的注意力来增强运动，同时保持视觉质量和保真度。

Comments Preprint. Project page: https://sh0xed98b8.github.io/DyMoS/

KITE: Kernelized and Information Theoretic Exemplars for In-Context Learning

KITE: 基于核方法和信息论的上下文学习示例选择

Vaibhav Singh, Soumya Suvra Ghosal, Kapu Nirmal Joshua, Soumyabrata Pal, Sayak Ray Chowdhury

机构 * IIT Bombay（印度比哈尔理工学院） ； UMD College Park（马里兰大学 College Park 分校） ； IIT Kanpur（印度坎普尔理工学院） ； Adobe Research（Adobe 研究） 纠错

AI总结 针对上下文学习中的示例选择问题，提出一种基于信息论和核方法的贪心算法，通过最小化查询特定预测误差并引入多样性正则化，显著提升分类性能。

Intelligent Fault Analysis in Electrical Power Grids

电力电网的智能故障分析

Biswarup Bhattacharya, Abhishek Sinha

机构 * Department of Computer Science University of Southern California（计算机科学系 美国南加州大学） ； Adobe Systems Incorporated（Adobe系统公司） 纠错

AI总结 本文提出利用人工智能技术，通过形式化模型和机器学习方法检测电网健康状况，提升电网稳定性与安全性。

Comments In proceedings of the 29th IEEE International Conference on Tools with Artificial Intelligence (ICTAI) 2017 (full paper); 6 pages; 13 figures