Google（谷歌）

Rolling Shutter Relative Pose Estimation Made Practical

滚动快门相对位姿估计的实用化

Daniel Barath

机构 * ETH Zürich（苏黎世联邦理工学院） ； Google Zurich（谷歌苏黎世） ； HUN-REN SZTAKI（匈牙利科学院计算机与自动化研究所） 纠错

AI总结 提出一种基于仿射对应（ACs）的滚动快门（RS）相对位姿估计方法，通过RS校正仿射约束和线性化代数求解器，仅需7个ACs即可在1.2毫秒内估计位姿和RS运动，在TUM RS基准上达到最佳精度。

Speaking Numbers to LLMs: Multi-Wavelet Number Embeddings for Time Series Forecasting

向LLM讲述数字：用于时间序列预测的多小波数字嵌入

Defu Cao, Zijie Lei, Muyan Weng, Jiao Sun, Yan Liu

机构 * University of Southern California（南加州大学） ； Meta ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 提出TempoWave，一种即插即用的多小波数字嵌入接口，将标量观测映射为数字级嵌入，以对齐LLM的离散分词与连续数值，提升时间序列预测的排序准确性和可靠性。

Comments Camera Ready version of IJCAI 2026

COrigami: An AI Pipeline for Co-Designing Flat-Foldable Visually Recognisable Origami

COrigami：用于协同设计可平折视觉可识别折纸的AI流水线

Tom Zahavy, Shaobo Hou, Thomas Tumiel, James Doran, Francesco Faccio, Xidong Feng, Alex Havrilla, Igor Khytryi, Chenglei Li, Lisa Schut, Vivek Veeriah, Arijan Abrashi, Michał Kosmulski, Robert J. Lang, Nick Robinson, Brandon Wong, Marcus Chiam, Gloria Fang, Satinder Singh

机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； Stanford（斯坦福大学） 纠错

AI总结 提出COrigami端到端AI流水线，通过自然语言生成满足平折约束的折痕图，结合算法优化与自主美学评估实现多目标物理约束下的协同创意设计。

Learning from Equivalence Queries, Revisited

重新审视从等价查询中学习

Mark Braverman, Roi Livni, Yishay Mansour, Shay Moran, Kobbi Nissim

机构 * Princeton and Google（普林斯顿大学和谷歌） ； Tel-Aviv University and Google（特拉维夫大学和谷歌） ； Technion and Google（技术学院和谷歌） ； Georgetown and Google（乔治城大学和谷歌） 纠错

AI总结 针对现代机器学习系统部署-反馈-更新的循环，本文重新审视Angluin的等价查询学习模型，引入对称对抗环境并分析全信息和赌博机反馈下的学习轮数界。

Human-AI Complementarity: A Goal for Amplified Oversight

人机互补：增强监督的目标

Rishub Jain, Sophie Bridgers, Lili Janzer, Rory Greig, Tian Huey Teh, Vladimir Mikulik

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 针对AI输出的事实核查问题，结合AI评分与人类评分优于单独使用任一方法，但AI辅助类型影响信任度，为超越人类专家性能的AI系统监督提供启示。

Computationally-efficient Graph Modeling with Refined Graph Random Features

基于精细化图随机特征的高效图建模

Krzysztof Choromanski, Avinava Dubey, Arijit Sehanobish, Isaac Reid

机构 * Google DeepMind（谷歌DeepMind） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究） 纠错

AI总结 提出精细化图随机特征（GRFs++），通过行走拼接技术解决传统GRFs难以建模远距离节点关系的问题，在保持无偏性的同时提高计算效率，并扩展了行走终止机制以提升图核近似精度。

Comments ICML 2026