Massachusetts Institute of Technology（麻省理工学院）

InstructMesh: Selective Refinement of Generative 3D Models for Fabrication

InstructMesh：面向制造场景的生成式3D模型选择性优化

Faraz Faruqi, Ahmed Katary, Demircan Tas, Theresa Hradilak, Ning Zhang, Jiaji Li, Fabian Manhardt, Martin Nisser, Vrushank Phadnis, Ruofei Du, Federico Tombari, Megan Hofmann, Stefanie Mueller

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google（谷歌公司） ； University of Washington（华盛顿大学） ； Khoury College of Computer Sciences, Northeastern University（东北大学科里计算机科学学院） ； Google XR（谷歌XR部门） 纠错

AI总结 InstructMesh是一款交互式3D模型后生成优化工具，可通过区域选择、针对性操作及自然语言或滑块控件，帮助用户修复生成式3D模型的制造相关缺陷，新手无需专业技能即可使用，且用户偏好混合交互界面。

Probing Perceptual Priors of MLLMs via Gibbs Sampling with Interpretable Generative Controls

通过带可解释生成控制的吉布斯采样探测多模态大语言模型（MLLMs）的感知先验

Manuel Cherep, Pattie Maes, Nikhil Singh

机构 * MIT（麻省理工学院） ； Dartmouth College（达特茅斯学院） 纠错

AI总结 本文提出带可解释生成控制的吉布斯采样方法，直接从多模态大语言模型的感知先验分布采样，探测出规范偏差及直接提示不可见的新颖先验，为研究模型感知先验提供了新途径。

Comments 40 pages, 21 figures