Carnegie Mellon University（卡内基梅隆大学）

Asynchronous Distributed Multi-Robot Motion Planning Under Imperfect Communication

异步分布式多机器人运动规划在通信不完美的情况下

Ardalan Tajbakhsh, Augustinos Saravanos, James Zhu, Evangelos A. Theodorou, Lorenz T. Biegler, Aaron M. Johnson

机构 * Department of Mechanical Engineering（机械工程系） ； Department of Chemical Engineering（化学工程系） ； Daniel Guggenheim School of Aerospace Engineering（丹尼尔·盖根海姆航空航天工程学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； LAAS-CNRS（拉夫堡-国家科学研究中心） ； Université de Toulouse（图卢兹大学） ； CNRS（法国国家科学研究中心） ； UPS（普罗旺斯大学） 纠错

AI总结 本文提出了一种延迟感知ADMM方法，用于在通信不完美条件下实现多机器人运动规划的鲁棒性和高效性。

Comments 9 pages, 5 figures

FoleyBench: A Benchmark For Video-to-Audio Models

FoleyBench：视频到音频模型的基准测试

Satvik Dixit, Koichi Saito, Zhi Zhong, Yuki Mitsufuji, Chris Donahue

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） 纠错

AI总结 FoleyBench 是首个针对 Foley 风格视频到音频生成的基准测试，包含5000个三元组，用于评估模型在音频质量、对齐和同步方面的性能。

Efficient On-Device Agents via Adaptive Context Management

通过自适应上下文管理实现高效的设备端代理

Sanidhya Vijayvargiya, Rahul Lokesh

机构 * Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学） ； Samsung Research America（三星美国研究） 纠错

AI总结 本文提出了一种通过自适应上下文管理实现高效设备端代理的框架，通过动态内存系统、极简序列化格式和即时模式传递机制，显著压缩上下文并提升性能。

Comments 27 pages, 5 figures

Learning Perceptually Relevant Temporal Envelope Morphing

学习具有感知相关性的时序包络变形

Satvik Dixit, Sungjoon Park, Chris Donahue, Laurie M. Heller

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种基于感知指导的学习方法，用于生成具有时间中间性的音频包络变形，通过人类听觉研究和大规模数据集训练，优于现有方法。

Comments Accepted at WASPAA 2025

Sketch-1-to-3: One Single Sketch to 3D Detailed Face Reconstruction

Sketch-1-to-3: 一个单轮廓到三维详细面部重建

Liting Wen, Zimo Yang, Xianlin Zhang, Chi Ding, Mingdao Wang, Xueming Li

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） 纠错

AI总结 Sketch-1-to-3通过引入GCTD模块和定制损失函数，实现从单个轮廓到高保真三维面部重建的突破性进展。

Comments Accepted by ACM MMAsia 2025

Gaze Beyond the Frame: Forecasting Egocentric 3D Visual Span

超越画面：预测自聚焦三维视觉跨度

Heeseung Yun, Joonil Na, Jaeyeon Kim, Calvin Murdock, Gunhee Kim

机构 * Seoul National University（首尔国立大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Reality Labs Research at Meta（Meta现实实验室） 纠错

AI总结 本文提出EgoSpanLift方法，通过将自聚焦视觉跨度预测从2D转换到3D，实现对三维环境未来视觉聚焦的高效预测，并构建了大规模基准测试集。

Comments NeurIPS 2025 Spotlight

MultiDiffNet: A Multi-Objective Diffusion Framework for Generalizable Brain Decoding

MultiDiffNet: 一种面向通用脑解码的多目标扩散框架

Mengchun Zhang, Kateryna Shapovalenko, Yucheng Shao, Eddie Guo, Parusha Pradhan

机构 * University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MultiDiffNet通过多目标扩散框架实现通用脑电解码，提供统一基准测试和统计报告框架，提升跨受试者泛化能力。

Typing Reinvented: Towards Hands-Free Input via sEMG

重新定义打字：通过表面肌电信号实现无手输入

Kunwoo Lee, Dhivya Sreedhar, Pushkar Saraf, Chaeeun Lee, Kateryna Shapovalenko

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文通过改进的sEMG技术，实现了更高效的无手输入，显著降低了字符错误率，为未来可穿戴设备和虚拟现实提供了新的输入方案。

Estimating LLM Consistency: A User Baseline vs Surrogate Metrics

估计LLM一致性：用户基准与替代指标

Xiaoyuan Wu, Weiran Lin, Omer Akgul, Lujo Bauer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； RSAC Labs（RSAC实验室） 纠错

AI总结 本文提出了一种基于logits的集成方法，用于估计LLM一致性，并展示了其在匹配人类评分方面与现有最佳指标相当。

Comments Published as a main conference paper at EMNLP 2025

Incalmo: An Autonomous LLM-assisted System for Red Teaming Multi-Host Networks

Incalmo：一种自主的LLM辅助系统用于多主机网络红队测试

Brian Singer, Keane Lucas, Lakshmi Adiga, Meghna Jain, Lujo Bauer, Vyas Sekar

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Incalmo是一种基于LLM的自主红队测试系统，通过高层次任务规划和专用任务代理实现多主机网络攻击，显著提高了红队测试的效率和成功率。

Comments 18 pages, 15 figures