Northeastern University（东北大学）

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。

Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data

我应该使用这个合成数据集进行训练吗？如何用最少的真实数据进行测试

Zhenyu Tao, Wei Xu, Xiaohu You, Petar Popovski, Osvaldo Simeone

机构 * Southeast University（东南大学） ； Purple Mountain Laboratories（紫金山实验室） ； Aalborg University（奥尔堡大学） ； Northeastern University London（伦敦东北大学） 纠错

AI总结 本文提出aeSFT方法，用极少真实数据判断合成数据集是否可用于训练，实验表明其识别有用合成数据的效率优于均值序贯测试，性能与固定样本符号翻转测试等相当且假阳性率达标。

Comments Submitted to IEEE

GAAT: Geometry-Aware Alignment Transformer for Multimodal UAV Perception

GAAT：面向无人机多模态感知的几何感知对齐Transformer

Jingpu Yang, Debin Tang, Yilin Sun, Fengxian Ji, Jiahua Zhu, Wenrui Ding, Yufeng Wang

机构 * Beihang University（北京航空航天大学） ； Zhongguancun Academy（中关村学院） ； Northeastern University（东北大学） 纠错

AI总结 本文提出面向无人机多模态感知的GAAT模型，引入syncPATC、MG-Sparse-MMA、RA-QCGCL等技术，结合UAVMeta与StateBench数据集，在六个下游任务上实现最优迁移性能，为无人机多模态感知提供支撑。

Beyond Non-IID: Learner--Client Distribution Mismatch in Federated Learning

超越非独立同分布：联邦学习中的学习者-客户端分布不匹配

Yiming Xie, Lili Su, Ningfang Mi

机构 * Northeastern University（东北大学） 纠错

AI总结 本文针对联邦学习中学习者与客户端的分布不匹配问题，提出动态感知影响力的客户端选择框架，在CIFAR-10数据集上验证其性能优于基线，可加快收敛并提升准确率。

DART-FL: Burst-Aware Multitask Federated Learning under Dynamic Inference Demand at the Edge

DART-FL：边缘动态推理需求下的突发感知多任务联邦学习

Yiming Xie, Pinrui Yu, Geng Yuan, Xue Lin, Ningfang Mi

机构 * Northeastern University（东北大学） ； University of Georgia（佐治亚大学） 纠错

AI总结 DART-FL是一种感知SLO的多任务联邦学习框架，可动态分配边缘设备的推理与训练资源，在高需求任务突发时段提升其准确率，同时维持长期多任务性能。

MemoryCard: Topic-Aware Multi-Modal Clue Compression for Long-Video Question Answering

MemoryCard: 面向长视频问答的主题感知多模态线索压缩

Qing Yang, Pengcheng Huang, Xinze Li, Zhenghao Liu, Yukun Yan, Yu Gu, Ge Yu, Gang Li, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Digital China Group（数字中国集团） 纠错

AI总结 提出MemoryCard框架，通过将长视频分割为主题事件单元并生成事件级摘要和代表性视觉时刻，以记忆卡形式增强VLMs的长视频问答能力，在相同视觉令牌预算下准确率提升高达21.8%。

Comments 23 pages, 8 figures