Google（谷歌）

ORBIT++: Benchmarking SfM in the Wild with 360° Video

ORBIT++: 基于360°视频的野外运动恢复结构（SfM）基准测试

Sara Sabour, Linyi Jin, Richard Tucker, Amir Hertz, Marcus Brubaker, Saurabh Saxena, Junhwa Hur, Andrea Tagliasacchi, Deqing Sun, David J. Fleet, Richard Szeliski, Noah Snavely

机构 * Google DeepMind（谷歌DeepMind） ； Simon Fraser University（西蒙菲莎大学） ； University of Toronto（多伦多大学） 纠错

AI总结 该研究针对现有SfM方法在复杂视频中失效且缺乏对应可靠基准的问题，提出基于360°视频的ORBIT基准，实验显示多种SfM方法在该基准上表现不佳，为相关研究提供了测试平台。

Comments A revision was Accepted at CVPR 2026

Subzero matrix completion for sparse data analysis: large-scale learning of latent low-rank structure

用于稀疏数据分析的亚零矩阵补全：潜在低秩结构的大规模学习

Lawrence K. Saul, Ningyuan Huang, Dennis Bollweg, Jeff Soules, Diana C. Halikias

机构 * Flatiron Institute（弗莱堡研究所） ； Courant Institute, NYU（纽约大学库朗数学研究所） ； Google Research（谷歌研究院） 纠错

AI总结 本文针对稀疏非负矩阵补全问题，提出可扩展的随机交替最小二乘算法，结合稀疏优化与CUDA内核加速，成功应用于果蝇连接组突触权重矩阵分析，揭示其潜在低秩结构的预测能力。

Sorting from Counterexamples

基于反例的排序

Noga Alon, Shay Moran, Shlomo Moran

机构 * Princeton University（普林斯顿大学） ； Tel Aviv University（特拉维夫大学） ； Technion – Israel Institute of Technology（以色列理工学院） ； Google Research（谷歌研究院） 纠错

AI总结 研究未知线性顺序学习问题，反例可能不真实且k未知，确定最优查询复杂度，还研究低维几何表示的目标排序情况，给出上下界并指出无噪声项的差距。

DySCo: Dynamically consistent data-driven downscaling of extremes in climate projections

DySCo：气候预测中极端事件的动态一致数据驱动降尺度方法

S. Stamatelopoulos, M. Wang, I. Lopez-Gomez, L. Zepeda-Nunez, Z. Y. Wan, R. Carver, F. Sha, T. P. Sapsis

机构 * Massachusetts Institute of Technology（麻省理工学院） ； City University of Hong Kong（香港城市大学） ； Google Research（谷歌研究院） 纠错

AI总结 针对气候降尺度中动态一致性缺失的挑战，提出DySCo框架，通过数据驱动的张弛法重构训练动态配对轨迹，训练两阶段算子，在保持统计性能的同时提升动态一致性，优于现有方法。