University of Toronto（多伦多大学）

Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction

自由范围高斯：非网格对齐的生成3D高斯重建

Ahan Shabanov, Peter Hedman, Ethan Weber, Zhengqin Li, Denis Rozumny, Gael Le Lan, Naina Dhingra, Lei Luo, Andrea Vedaldi, Christian Richardt, Andrea Tagliasacchi, Bo Zhu, Numair Khan

机构 * Meta Reality Labs（Meta现实实验室） ； Simon Fraser University（西蒙菲莎大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出Free-Range Gaussians方法，通过高斯参数流匹配从四张图像预测非像素非体素对齐的3D高斯，提升重建质量并减少冗余。

Comments Project Page: https://free-range-gaussians.github.io

OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text

OmniSonic: 向通用和整体音频生成迈进：从视频和文本生成音频

Weiguo Pian, Saksham Singh Kushwaha, Zhimin Chen, Shijian Deng, Kai Wang, Yunhui Guo, Yapeng Tian

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Clemson University（克莱姆森大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出UniHAGen任务，通过视频和文本生成涵盖屏幕内外声音的综合音频场景。OmniSonic基于流匹配扩散框架，采用TriAttn-DiT架构和MoE门控机制，实现屏幕内外声音和语音的联合生成，建立新的UniHAGen-Bench基准。

Comments CVPR 2026

LongTail Driving Scenarios with Reasoning Traces: The KITScenes LongTail Dataset

长尾驾驶场景与推理轨迹：KITScenes长尾数据集

Royden Wagner, Omer Sahin Tas, Jaime Villa, Felix Hauser, Yinzhe Shen, Marlon Steiner, Dominik Strutz, Carlos Fernandez, Christian Kinzig, Guillermo S. Guitierrez-Cabello, Hendrik Königshof, Fabian Immel, Richard Schwarzkopf, Nils Alexander Rack, Kevin Rösch, Kaiwen Wang, Jan-Hendrik Pauls, Martin Lauer, Igor Gilitschenski, Holger Caesar, Christoph Stiller

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心） ； University Charles III of Madrid（马德里卡洛斯三世大学） ； Technical University of Madrid（马德里理工大学） ； University of Toronto（多伦多大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

AI总结 本文提出KITScenes长尾数据集，通过多视角视频、轨迹、指令和推理轨迹提升模型在长尾驾驶场景下的泛化能力，评估指令遵循与语义连贯性。

Comments 21 pages; v2: update MMS values (bugfix)

IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery

IV共科学家：多智能体LLM框架用于因果工具变量发现

Ivaxi Sheth, Zhijing Jin, Bryan Wilder, Dominik Janzing, Mario Fritz

机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Jinesis AI Lab（Jinesis AI实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； EuroSafeAI ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 本文探讨LLM在发现因果工具变量中的作用，提出IV共科学家多智能体系统，通过测试和评估LLM恢复已知工具及避免无效工具的能力，展示LLM在大规模观测数据中发现有效工具的潜力。

Comments Paper accepted at CleaR 2026

Improving Feasibility via Fast Autoencoder-Based Projections

通过快速自编码器投影提升可行性

Maria Chzhen, Priya L. Donti

机构 * University of Toronto（多伦多大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出一种基于自编码器的高效方法，通过学习凸的潜在表示快速修正不可行预测，适用于复杂约束优化和强化学习问题，降低计算成本。

RDFace: A Benchmark Dataset for Rare Disease Facial Image Analysis under Extreme Data Scarcity and Phenotype-Aware Synthetic Generation

RDFace：一种用于罕见疾病面部图像分析的基准数据集，在极端数据稀缺和表型意识合成生成下

Ganlin Feng, Yuxi Long, Hafsa Ali, Erin Lou, Fahad Butt, Qian Liu, Yang Wang, Pingzhao Hu

机构 * Western University（西安大略大学） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； University of Winnipeg（温尼伯大学） 纠错

AI总结 RDFace包含456张儿童面部图像，涵盖103种罕见遗传疾病，旨在开发和评估在低数据条件下高效的人工智能模型，通过合成生成和数据增强提升诊断准确率。

Comments Accepted to CVPR 2026. 8 pages main paper + appendix

Endogenous Aggregation of Multiple Data Envelopment Analysis Scores for Large Data Sets

多数据 envelopment 分析评分在大数据集中的内生聚合

Hashem Omrani, Raha Imanirad, Adam Diamant, Utkarsh Verma, Amol Verma, Fahad Razak

机构 * Schulich School of Business, York University（约克大学舒立克商学院） ； Department of Medicine, University of Toronto（多伦多大学医学系） 纠错

AI总结 本文提出一种基于数据包络分析的动态效率评估方法，通过生成维度特定和综合效率评分，整合有利和不利产出，适用于大规模问题。引入了两种正则化DEA模型：SBM和GP-SBM，分别估计综合评分和维度评分，并在多个数据集上验证了方法的计算效率和有效性。

Federated Item Response Models: A Gradient-driven Privacy-preserving Framework for Distributed Psychometric Estimation

联邦项目反应模型：一种基于梯度的隐私保护框架，用于分布式心理测量估计

Biying Zhou, Nanyu Luo, Feng Ji

机构 * University of Toronto（多伦多大学） 纠错

AI总结 本文提出FedIRT框架，实现分布式项目反应模型校准，同时保护隐私；FedIRT-DP进一步引入差分隐私，提供隐私-效用平衡，并通过实验证明其在实际数据集中的有效性。