SMG: Semantic Motion Graph for Monocular Dynamic Gaussian Splatting
SMG：用于单目动态高斯溅射的语义运动图
机构 * Cornell University（康奈尔大学）
AI总结 该研究针对单目动态高斯溅射过拟合、复杂场景下表现差的问题，提出SMG模型，引入新数据集，实现了该任务的最优性能。
Comments ECCV 2026
高校专区
Cornell University（康奈尔大学）
Using Grounded Theory for Agent Behavior Analysis at Scale
用扎根理论进行大规模智能体行为分析
机构 * Purdue University（普渡大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Cornell University（康奈尔大学） ； University of Texas at El Paso（德克萨斯大学埃尔帕索分校） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 该研究将扎根理论引入智能体轨迹分析，提出AutoTraceGT流程，在六个语料库上可恢复多数人类标注失败模式，其编码本在失败预测任务中优于LLM基线，为智能体行为分析提供可扩展工具。
Comments 33 pages. Accepted to the Findings of the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)
Toward Cultural Alignment: Human-Centered Evaluation of Multimodal AI Stories Across Five African Communities
迈向文化对齐：五个非洲社区对多模态AI故事的以人为中心的评估
机构 * Microsoft Research Africa（微软研究院非洲分部） ； Swansea University（斯旺西大学） ； Cornell University（康奈尔大学） ； Microsoft Research Cambridge（微软研究院剑桥分部）
AI总结 本文以五个非洲社区为对象，通过混合方法评估AI生成多模态故事的文化对齐情况，构建了相关分类体系，并发现多模态LLM裁判需经社区校准才能可靠评估文化对齐。
Comments Accepted to Findings of EMNLP 2026
Multi-Step Forecasting of Grape Berry Temperature based on LSTM Model with Feed-Forward Attention
基于带前馈注意力机制的LSTM模型的葡萄浆果温度多步预测
机构 * Washington State University（华盛顿州立大学） ； Cornell University（康奈尔大学）
AI总结 本研究开发FAM-LSTM模型，结合露天气象站与葡萄园微气候数据，在15分钟至72小时的多步预测中，其葡萄浆果温度预测性能优于LSTM等基准模型，可支撑葡萄园精准热胁迫管理。
mmIR: Frequency-Space Inverse Rendering for 3D Millimeter-Wave Radar ADC Synthesis
mmIR：用于3D毫米波雷达ADC合成的频率空间逆渲染方法
机构 * Cornell Tech（康奈尔科技学院）
AI总结 提出开源可微分的FMCW雷达逆渲染器mmIR，采用LiDAR辅助逆渲染，在ColoRadar数据集上实现高分辨率3D雷达数据合成，相关性能优于Sionna-RT且可跨雷达硬件迁移。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026. Project page: https://mmwave-inverse-rendering.github.io/
WildFin: An In-the-Wild Dataset for Fish Behavioral Recognition
WildFin：用于鱼类行为识别的野外数据集
机构 * Cornell University（康奈尔大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； HHMI Janelia Research Campus（HHMI珍妮亚研究园区）
AI总结 针对复杂海洋环境中鱼类行为识别模型失效问题，推出WildFin野外数据集，经大规模整理标注后对视觉基础模型测试，发现其与现实需求存在显著差距。
Comments 31 pages, 4 figures ECCV Marine 26 Workshop
Adopt $\neq$ Adapt: Longitudinal Analyses of LLM Conversations in the Wild
采用 ≠ 适应：野外LLM对话的纵向分析
机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过分析约12,000名Microsoft Bing Copilot用户的对话轨迹及WildChat-4.8M数据，发现用户行为高度固化，活跃用户更倾向复杂专业任务，且WildChat数据集偏向高熟练度“超级用户”，表明现有用户行为难以改变并揭示用户异质性。
