Zero-shot Reconstruction of In-Scene Object Manipulation from Video
从视频中进行零样本场景物体操作重建
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种基于数据驱动模型的零样本方法，用于从视频中重建场景中的物体操作，通过两阶段优化实现手-物体运动的准确重建。
高校专区
University of Oxford（牛津大学）
A Framework for Deploying Learning-based Quadruped Loco-Manipulation
一种用于部署基于学习的四足移动机械臂框架
机构 * Department of Computer Science, University College London（伦敦大学学院计算机科学系） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系）
AI总结 本文提出了一种开源框架，用于训练、评估和部署基于强化学习的四足移动机械臂控制器，通过统一仿真与现实转移，提升移动- manipulation任务的可控性和可靠性。
brat: Aligned Multi-View Embeddings for Brain MRI Analysis
brat: 用于脑部MRI分析的对齐多视图嵌入
机构 * Memorial Sloan Kettering Cancer Center（纪念斯隆凯特林癌症中心） ； University of Oxford（牛津大学） ； London School of Economics（伦敦经济学院）
AI总结 brat通过多视图嵌入方法提升脑MRI与临床报告的对齐能力，公开发布基础模型以改进医学影像分析性能。
Comments First round accept at WACV 2026
Advances in Feed-Forward 3D Reconstruction and View Synthesis: A Survey
反向馈送3D重建与视角合成的进展：综述
机构 * NTU（国立台湾大学） ； Caltech（加州理工学院） ； Westlake University（西湖大学） ； UCSD（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； Nanjing University（南京大学） ； HKU（香港大学） ； University of Cambridge（剑桥大学） ； Hillbot ； MPI for Informatics（信息研究所） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文综述了反向馈送方法在3D重建与视角合成中的进展，涵盖多种表示架构及应用，探讨了关键任务和未来研究方向。
Comments A project page associated with this survey is available at https://fnzhan.com/projects/Feed-Forward-3D
Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation
基于函数逼近和经验均值估计的均值场博弈网络通信
机构 * University of Oxford（牛津大学）
AI总结 本文提出基于函数逼近和经验均值估计的网络通信方法，解决均值场博弈中去中心化智能体在大规模状态空间和群体依赖策略下的学习问题。
Networked Communication for Decentralised Agents in Mean-Field Games
用于均场博弈中去中心化代理的网络通信
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学）
AI总结 本文提出一种网络通信机制，用于改进均场博弈中去中心化代理的训练效率，同时增强鲁棒性。
Neural Proofs for Sound Verification and Control of Complex Systems
神经证明用于复杂系统的正确性验证与控制
机构 * OXCAV - Oxford Control and Verification group（牛津控制与验证小组） ； Department of Computer Science（计算机科学系） ； University of Oxford, United Kingdom（牛津大学）
AI总结 本文提出神经证明方法，用于构建复杂系统模型的正确性验证与控制，通过归纳方法结合神经网络与SMT查询生成可证明正确的策略。
Weakly Supervised Segmentation and Classification of Alpha-Synuclein Aggregates in Brightfield Midbrain Images
弱监督分割和分类Brightfield中脑图像中的α-突触素聚集物
机构 * Computational Biology, Ecole Normale Sup\'erieure, PSL University, Paris, France. 2 AP-HP, Hôpital Henri Mondor-Albert Chenevier, Service de Neurologie, F-94010 Créteil, France. 3 INSERM U955, Institut Mondor de Recherche Biomédicale, UPEC, Equipe NeuroPsychologie Interventionnelle, F-94010 Creteil, France. 4 Département d'Etudes Cognitives, École normale supérieure, PSL University, 75005 Paris, France. 5 NeurATRIS, Créteil, France. 6 Nuffield Department of Clinical Neurosciences ； the Queen’s College, University of Oxford, UK. 7 Department of Women’s ； Children’s Health, Karolinska Institutet, Sweden. 8 Churchill College, Cambridge University, CB30DS UK.
AI总结 本研究提出了一种基于弱监督分割的自动图像处理流程，用于中脑Brightfield图像中α-突触素聚集物的分割和分类，实现了80%的平衡准确率，为研究其空间分布和与周围细胞的关系提供了新方法。
Prediction-Oriented Subsampling from Data Streams
面向预测的数据流子采样
机构 * University of Oxford（牛津大学） ； Mind Foundry
AI总结 本文提出一种面向预测的数据流子采样方法，通过减少下游预测的不确定性来提升离线学习性能。
Comments Published at CoLLAs 2025
