University of Texas at Austin（得克萨斯大学奥斯汀分校）

Reconstructing Humans and Objects in Interaction using Large Reconstruction Models

基于大型重建模型重构交互中的人体与物体

Agniv Chatterjee, Georgios Pavlakos

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出MILO框架，利用大型重建模型（LRMs）从单张图像重构三维人体-物体交互，在多个基准场景中精度优于现有方法。

Comments Accepted at ECCV 2026. Project Page: this https URL (https://ac5113.github.io/MILO)

Sophistication in GenAI Use: Field Evidence from a Large Firm

生成式AI（genAI）使用中的成熟度：来自一家大型企业的实地证据

Nicholas J. Hallman, Zachary T. Kowaleski, Anu Puvvada, Jaime J. Schmidt

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； KPMG LLP（毕马威有限责任公司） 纠错

AI总结 本研究以某大型企业后台员工为对象，通过8个月的71万余条数据，发现资深员工genAI使用更成熟，战略等领域成熟度最高，且成熟度难随时间或培训提升，为管理者和研究者提供相关衡量指标与见解。

Comments 59 pages, 4 figures, 8 tables. Includes Appendix A (variable definitions), Appendix B (supplementary tables), and Online Appendix C (meta prompts)

NeuDonatello: Uncertainty-Aware Framework for Accurate Neural SDF Learning

NeuDonatello：用于精确神经SDF学习的不确定性感知框架

Alvin Jinsung Choi, Wanhee Kim, Taeyun Kim, Dasol Hong, Wooju Lee, Hyun Myung

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； NAVERLABS ； ETRI（韩国电子通信研究院） 纠错

AI总结 NeuDonatello是建模并利用SDF不确定性的新框架，通过蒙特卡洛采样、自适应正则化和不确定性感知尺度参数实现精确表面重建，在多样场景中仅用已校准RGB图像达到最优精度。

Comments Accepted to BMVC 2026