Johns Hopkins University（约翰斯·霍普金斯大学）

Objects in Generated Videos Are Slower Than They Appear: Models Suffer Sub-Earth Gravity and Don't Know Galileo's Principle...for now

生成视频中的物体比看起来更慢：模型遭受次地球重力并目前还不知道伽利略原理...

Varun Varma Thozhiyoor, Shivam Tripathi, Venkatesh Babu Radhakrishnan, Anand Bhattad

机构 * Indian Institute of Science（印度科学研究院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究发现视频生成器在重力表示上存在偏差，通过针对性适配可提升其重力模拟精度。

Comments https://gravity-eval.github.io/

Decision Tree Embedding by Leaf-Means

通过叶均值进行决策树嵌入

Cencheng Shen, Yuexiao Dong, Carey E. Priebe

机构 * Department of Applied Economics and Statistics, University of Delaware（应用经济学与统计学系，德雷克大学） ； Department of Statistics, Operations, and Data Science, Temple University（统计学、运营与数据科学系，泰普尔大学） ； Department of Applied Mathematics and Statistics (AMS), the Center for Imaging Science (CIS), and the Mathematical Institute for Data Science (MINDS), Johns Hopkins University（应用数学与统计学系（AMS）、成像科学中心（CIS）和数据科学数学研究所（MINDS），约翰霍普金斯大学） 纠错

AI总结 本文提出决策树嵌入方法，通过叶均值构建可解释特征表示，结合线性判别分析实现高效分类，平衡了准确率与计算效率。

Comments 9 pages

DenoiseGS: Gaussian Reconstruction Model for Burst Denoising

DenoiseGS：基于高斯重建的爆破去噪模型

Yongsen Cheng, Yuanhao Cai, Yulun Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 DenoiseGS通过高斯自一致性损失和对数加权频率损失，实现了高效且高质量的爆破去噪，显著优于现有方法并提升推理速度。

Comments Update Abstract

How do we measure privacy in text? A survey of text anonymization metrics

如何测量文本中的隐私？文本匿名化度量的调查

Yaxuan Ren, Krithika Ramesh, Yaxing Yao, Anjalie Field

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文通过系统调查澄清文本隐私度量标准，分析六个隐私概念与法律标准的契合度，为隐私评估提供指导。

Comments 13 pages, 1 figure, 1 table. To be published in Findings of the Association for Computational Linguistics (AACL-IJCNLP 2025). Related resources at: https://github.com/ryxGuo/privacy-metrics-survey

Mitigating Indirect Prompt Injection via Instruction-Following Intent Analysis

通过指令遵循意图分析缓解间接提示注入

Mintong Kang, Chong Xiang, Sanjay Kariyappa, Chaowei Xiao, Bo Li, Edward Suh

机构 * NVIDIA ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 IntentGuard通过分析指令遵循意图，有效缓解间接提示注入攻击，保持模型性能并降低攻击成功率

DiffProtect: Generate Adversarial Examples with Diffusion Models for Facial Privacy Protection

DiffProtect: 用扩散模型生成对抗示例以保护面部隐私

Jiang Liu, Chun Pong Lau, Zhongliang Guo, Yuxiang Guo, Zhaoyang Wang, Rama Chellappa

机构 * Johns Hopkins University（约翰霍普金斯大学） ； City University of Hong Kong（香港城市大学） ； University of St Andrews（圣安德鲁大学） 纠错

AI总结 DiffProtect利用扩散模型生成高质量对抗示例，提升面部隐私保护的视觉质量和攻击成功率

Comments Code is at https://github.com/joellliu/DiffProtect/

USB: Unified Synthetic Brain Framework for Bidirectional Pathology-Healthy Generation and Editing

USB：统一合成大脑框架用于双向病理-健康生成与编辑

Jun Wang, Peirong Liu

机构 * Department of Electrical and Computer Engineering, Data Science and AI Institute, Johns Hopkins University（电气与计算机工程系，数据科学与人工智能研究所，约翰霍普金斯大学） 纠错

AI总结 USB提出统一合成大脑框架，实现病理与健康脑图像的双向生成和编辑，通过配对扩散机制和一致性指导算法提升生成质量与解剖一致性。

Comments 16 pages, 17 figures