CVPR

Brewing Stronger Features: Dual-Teacher Distillation for Multispectral Earth Observation

酿造更强的特征：多光谱地球观测的双教师蒸馏

Filip Wolf, Blaž Rolih, Luka Čehovin Zajc

机构 * University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅纳大学计算机与信息科学学院） 纠错

AI总结 本文提出双教师对比蒸馏框架，用于多光谱地球观测，通过结合多光谱和光学教师，实现跨模态表示学习，提升多光谱和光学数据的性能。

Comments Accepted to CVPR 2026 as Highlight

Kontinuous Kontext: Continuous Strength Control for Instruction-based Image Editing

连续上下文：基于指令的图像编辑的连续强度控制

Rishubh Parihar, Or Patashnik, Daniil Ostashev, R. Venkatesh Babu, Daniel Cohen-Or, Kuan-Chieh Wang

机构 * Snap Research ； Tel Aviv University（特拉维夫大学） ； IISc Bangalore（班加罗尔IISc） 纠错

AI总结 研究基于指令的图像编辑中编辑强度控制问题，提出连续上下文模型，通过扩展先进模型并引入标量编辑强度，训练轻量级投影网络，合成多样数据集，实现对多种图像编辑操作的编辑强度统一细粒度控制。

Comments Project Page: https://snap-research.github.io/kontinuouskontext/, Accepted at CVPR 2026

Onboarding Without Forgetting: Hypernetwork Personalization with Data-Free Replay for Personalized Federated Learning

不忘旧知：用于个性化联邦学习的无数据重放超网络个性化

Thinh Nguyen, Le Huy Khiem, Van-Tuan Tran, Khoa D Doan, Nitesh V Chawla, Kok-Seng Wong

机构 * VinUni-Illinois Smart Health Center（VinUni-Illinois智能健康中心） ； College of Engineering & Computer Science（工程与计算机科学学院） ； University of Notre Dame（诺特丹大学） ； Technische Universität Berlin（柏林技术大学） 纠错

AI总结 研究联邦学习中新客户端分批加入场景，提出pFedDSH方法，结合中央超网络、二进制掩码和无数据重放，平衡新旧客户端利益，在不暴露数据情况下传播改进，实验证明该方法能保持现有客户端稳定性，维持新客户端通信及适应成本不变。

Comments CVPR 2026 Findings

PyPose: A Library for Robot Learning with Physics-based Optimization

PyPose：一个结合物理优化的机器人学习库

Chen Wang, Dasong Gao, Kuan Xu, Junyi Geng, Yaoyu Hu, Yuheng Qiu, Bowen Li, Fan Yang, Brady Moon, Abhinav Pandey, Aryan, Jiahe Xu, Tianhao Wu, Haonan He, Daning Huang, Zhongqiang Ren, Shibo Zhao, Taimeng Fu, Pranay Reddy, Xiao Lin, Wenshan Wang, Jingnan Shi, Rajat Talak, Kun Cao, Yi Du, Han Wang, Huai Yu, Shanzhao Wang, Siyu Chen, Ananth Kashyap, Rohan Bandaru, Karthik Dantu, Jiajun Wu, Lihua Xie, Luca Carlone, Marco Hutter, Sebastian Scherer

AI总结 PyPose结合深度感知模型与物理优化，提供高效的机器人学习库，实现计算速度提升超过10倍，适用于SLAM、规划、控制等任务。

Comments Project Website: https://pypose.org Documentation: https://pypose.org/docs/ Tutorial: https://pypose.org/tutorials/ Source code: https://github.com/pypose/pypose

Journal ref IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2023