AAAI

CATFormer: When Continual Learning Meets Spiking Transformers With Dynamic Thresholds

CATFormer：当持续学习与具有动态阈值的脉冲变换器相遇

Vaishnavi Nagabhushana, Kartikay Agrawal, Ayon Borthakur

机构 * SustainAI Lab, MFSDS&AI（可持续人工智能实验室，多模态智能系统与人工智能） 纠错

AI总结 CATFormer通过动态阈值漏积分-放电神经元模型和门控动态头部选择机制，解决了持续学习中的灾难性遗忘问题，实现了高效能的类增量学习。

Comments Accepted for publication in the proceedings of the Neuro for AI & AI for Neuro Workshop at AAAI 2026 (PMLR)

Cheating Stereo Matching in Full-scale: Physical Adversarial Attack against Binocular Depth Estimation in Autonomous Driving

全尺寸场景中的欺骗立体匹配：针对自动驾驶双目深度估计的物理对抗攻击

Kangqiao Zhao, Shuo Huai, Xurui Song, Jun Luo

AI总结 本文提出一种基于纹理的物理对抗攻击方法，用于攻击自动驾驶中的立体匹配模型，通过3D物理对抗示例和新的3D立体匹配渲染模块，提升攻击的隐蔽性和有效性。

Comments AAAI 2026

Learning 2D Invariant Affordance Knowledge for 3D Affordance Grounding

学习2D不变的可供性知识以实现3D可供性定位

Xianqiang Gao, Pingrui Zhang, Delin Qu, Dong Wang, Zhigang Wang, Yan Ding, Bin Zhao

AI总结 本文提出MIFAG框架，通过多视角交互图像提取不变可供性知识，提升3D对象可供性定位的泛化能力。

Comments Accepted by AAAI 2025 (Oral)

Towards Model Extraction Attacks in GAN-Based Image Translation via Domain Shift Mitigation

面向GAN图像翻译的模型提取攻击中的领域偏移缓解

Di Mi, Yanjun Zhang, Leo Yu Zhang, Shengshan Hu, Qi Zhong, Haizhuan Yuan, Shirui Pan

AI总结 本文研究了GAN图像翻译任务中模型提取攻击的威胁，通过缓解领域偏移来改进攻击效果，实验表明新方法在多个图像翻译任务中表现优异，验证了攻击对实际API的严重性。

Comments Accepted by AAAI 2024

FIND: A Simple yet Effective Baseline for Diffusion-Generated Image Detection

FIND: 一种简单而有效的扩散生成图像检测基线

Jie Li, Yingying Feng, Chi Xie, Jie Hu, Lei Tan, Jiayi Ji

AI总结 本文提出FIND方法，通过在真实图像上添加高斯噪声并标记为合成图像，利用分布差异提升检测性能，比现有方法快126倍，提升11.7%。

Comments AAAI'26

Walking Further: Semantic-aware Multimodal Gait Recognition Under Long-Range Conditions

行走更远：基于语义的多模态步态识别在远距离条件下的应用

Zhiyang Lu, Wen Jiang, Tianren Wu, Zhichao Wang, Changwang Zhang, Siqi Shen, Ming Cheng

AI总结 本文提出LRGait基准和EMGaitNet框架，通过语义引导融合和跨模态对齐提升远距离步态识别性能，验证了方法的有效性。

Comments Accepted by AAAI 2026

Balancing Multimodal Domain Generalization via Gradient Modulation and Projection

通过梯度调节与投影平衡多模态领域泛化

Hongzhao Li, Guohao Shen, Shupan Li, Mingliang Xu, Muhammad Haris Khan

AI总结 本文提出GMP方法，通过解耦分类与领域不变目标的梯度，调节模态梯度基于语义和领域置信度，并动态调整梯度投影以平衡多模态领域泛化中的优化不均衡问题。

Comments AAAI 2026 Oral Accepted

GT2-GS: Geometry-aware Texture Transfer for Gaussian Splatting

GT2-GS：基于几何的纹理迁移用于高斯点扩散

Wenjie Liu, Zhongliang Liu, Junwei Shu, Changbo Wang, Yang Li

AI总结 本文提出GT2-GS框架，通过几何感知损失和自适应细粒度控制模块，提升高斯点扩散中纹理迁移的质量与可控性，使结果更符合人类视觉感知。

Comments Accepted to AAAI 2026

Post Training Quantization for Efficient Dataset Condensation

训练后量化用于高效数据集压缩

Linh-Tam Tran, Sung-Ho Bae

AI总结 本文提出基于补丁的训练后量化方法，通过局部量化和聚类减少存储成本，提升压缩数据的表示质量，实验显示在极端压缩下测试准确率提升近一倍。

Comments AAAI-2026 (Oral)

Distilling Deep Reinforcement Learning into Interpretable Fuzzy Rules: An Explainable AI Framework

将深度强化学习转化为可解释的模糊规则：一个可解释人工智能框架

Sanup S. Araballi, Simon Khan, Chilukuri K. Mohan

机构 * Dept. of EECS, Syracuse University, NY 13244, USA（电子工程与计算机科学系， Syracuse大学，纽约州，13244，美国） ； Air Force Research Laboratory, Rome, NY 13441, USA（空军研究实验室，罗马，纽约州，13441，美国） 纠错

AI总结 本文提出一种分层Takagi-Sugeno-Kang模糊分类器系统，通过K-means聚类和岭回归将神经策略转化为可读的IF-THEN规则，并引入三个量化指标评估解释性。

Comments Accepted to AAAI 2026 Spring Symposium Series