Stanford University（斯坦福大学）

SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling

SpaceControl：引入测试时空间控制到3D生成建模

Elisabetta Fedele, Francis Engelmann, Ian Huang, Or Litany, Marc Pollefeys, Leonidas Guibas

机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； USI Lugano（卢塞恩大学） ； Technion（技术学院） ； NVIDIA（英伟达） 纠错

AI总结 本文提出SpaceControl，一种无需训练的测试时空间控制方法，支持多种几何输入，提升3D生成建模的几何精确度与视觉质量。

Comments Project page: https://spacecontrol3d.github.io/

From Sparse to Dense: Multi-View GRPO for Flow Models via Augmented Condition Space

从稀疏到密集：通过增强条件空间的多视图GRPO用于流模型

Jiazi Bu, Pengyang Ling, Yujie Zhou, Yibin Wang, Yuhang Zang, Tianyi Wei, Xiaohang Zhan, Jiaqi Wang, Tong Wu, Xingang Pan, Dahua Lin

机构 * Shanghai Jiao Tong University（上海交通大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Adobe Research（Adobe研究实验室） ； Stanford University（斯坦福大学） ； Shanghai Innovation Institute（上海创新研究院） ； CPII under InnoHK Project（InnoHK项目下的CPII） 纠错

AI总结 本文提出多视图GRPO，通过增强条件空间探索样本间关系，提升文本到图像流模型的对齐性能。

Curriculum Sampling: A Two-Phase Curriculum for Efficient Training of Flow Matching

课程采样：一种两阶段课程用于高效训练流匹配

Pengwei Sun

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出课程采样，通过两阶段策略提升流匹配模型训练效率，改进FID指标并优化训练步骤。

Learning Pore-scale Multiphase Flow from 4D Velocimetry

从4D速度测距学习孔隙尺度多相流

Chunyang Wang, Linqi Zhu, Yuxuan Gu, Robert van der Merwe, Xin Ju, Catherine Spurin, Samuel Krevor, Rex Ying, Tobias Pfaff, Martin J. Blunt, Tom Bultreys, Gege Wen

机构 * Department of Earth Science and Engineering, Imperial College London（帝国理工学院伦敦地球科学与工程系） ； Department of Geology, Ghent University（根特大学地质系） ； Department of Energy Science and Engineering, Stanford University（斯坦福大学能源科学与工程系） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； NVIDIA 纠错

AI总结 本文提出一种多模态学习框架，通过4D微速度测距数据直接推断多相孔隙流，结合图网络模拟和3D U-Net，实现快速预测，为地下碳和氢存储提供高效工具。

Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback

标记教学法：检验个性化自动写作反馈中的语言偏见

Mei Tan, Lena Phalen, Dorottya Demszky

机构 * Stanford University（斯坦福大学） 纠错

AI总结 研究探讨了四种常用LLM在不同学生属性下生成写作反馈的偏见，揭示了基于种族、语言等属性的反馈偏差，提出需提高自动反馈工具的透明度和问责性。

Comments To appear in LAK 2026