The Chinese University of Hong Kong（香港中文大学）

3D-Aware Multi-Task Learning with Cross-View Correlations for Dense Scene Understanding

具有跨视角相关性的3D感知多任务学习

Xiaoye Wang, Chen Tang, Xiangyu Yue, Wei-Hong Li

机构 * University of Cambridge（剑桥大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Bristol（布里斯托大学） 纠错

AI总结 本文提出一种具有跨视角相关性的3D感知多任务学习方法，通过整合成本体积作为几何一致性来提升密集场景理解的性能。

Comments 3D-aware Multi-task Learning, Cross-view Correlations, Code will be available at https://github.com/WeiHongLee/CrossView3DMTL

ShapeGen: Towards High-Quality 3D Shape Synthesis

ShapeGen：迈向高质量3D形状合成

Yangguang Li, Xianglong He, Zi-Xin Zou, Zexiang Liu, Wanli Ouyang, Ding Liang, Yan-Pei Cao

机构 * The Chinese University of Hong Kong, VAST（香港中文大学，VAST） ； Tsinghua University, VAST（清华大学，VAST） ； The Chinese University of Hong Kong, Shanghai Artificial Intelligence Laboratory（香港中文大学上海人工智能实验室） 纠错

AI总结 ShapeGen通过改进3D表示、分辨率扩展和线性变换器，实现了高质量的图像到3D形状生成，提升了生成资产的细节和结构完整性。

Comments Accepted to SIGGRAPH Asia 2025

Flash-DMD: Towards High-Fidelity Few-Step Image Generation with Efficient Distillation and Joint Reinforcement Learning

Flash-DMD: 向高保真少步图像生成迈进：高效蒸馏与联合强化学习

Guanjie Chen, Shirui Huang, Kai Liu, Jianchen Zhu, Xiaoye Qu, Peng Chen, Yu Cheng, Yifu Sun

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tencent（腾讯） ； Huazhong University of Science and Technology（华中科技大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 Flash-DMD通过高效蒸馏和联合强化学习实现快速收敛，提升少步图像生成的保真度和稳定性。

$\text{R}^2\text{R}$: A Route-to-Rerank Post-Training Framework for Multi-Domain Decoder-Only Rerankers

R²R：多领域解码器-only重排序框架的路由到重排序后训练方法

Xinyu Wang, Hanwei Wu, Qingchen Hu, Zhenghan Tai, Jingrui Tian, Lei Ding, Jijun Chi, Hailin He, Tung Sum Thomas Kwok, Yufei Cui, Sicheng Lyu, Muzhi Li, Mingze Li, Xinyue Yu, Ling Zhou, Peng Lu

机构 * McGill University（麦吉尔大学） ； University of Toronto（多伦多大学） ； University of Manitoba（曼尼托巴大学） ； Mila ； CUHK（中国科技大学） ； Université de Montréal（蒙特利尔大学） ； CG Matrix（CG矩阵） 纠错

AI总结 R²R通过动态专家路由和两阶段训练策略，提升多领域解码器重排序器的领域适应能力与跨领域鲁棒性。

Comments 13 pages, including 3 figures and 3 tables

Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning

Spatial-SSRL: 通过自监督强化学习增强空间理解

Yuhong Liu, Beichen Zhang, Yuhang Zang, Yuhang Cao, Long Xing, Xiaoyi Dong, Haodong Duan, Dahua Lin, Jiaqi Wang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 Spatial-SSRL通过自监督强化学习提升大视觉-语言模型的空间理解能力，无需人工标注，在多个基准测试中取得显著准确率提升。

Comments preprint

Position: Beyond Euclidean -- Foundation Models Should Embrace Non-Euclidean Geometries

位置：超越欧几里得——基础模型应拥抱非欧几里得几何

Neil He, Jiahong Liu, Buze Zhang, Ngoc Bui, Ali Maatouk, Menglin Yang, Irwin King, Melanie Weber, Rex Ying

机构 * Yale University（耶鲁大学） ； Chinese University of Hong Kong（香港中文大学） ； Xi’an Jiaotong University（西安交通大学） ； Hong Kong University of Science and Technology（香港科学大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文主张基础模型应超越欧几里得几何，以更高效地利用非欧几里得结构，提升模型性能与适应性。

Comments 27 pages, 6 figures, LoG Conference 2025