作者: Dong-Hee Paek, Seung-Hyun Kong
研究方向: 自动驾驶（AD）领域中的多传感器融合
提出了一种名为可用性感知传感器融合（ASF）的新方法，用于在自动驾驶中融合来自相机、激光雷达和4D雷达的数据。ASF通过统一规范投影（UCP）和传感器间的跨注意力（CASAP-PN）来提高融合的鲁棒性，即使在传感器退化或故障的情况下也能保持高性能。
作者: Yi Liu, Hao Zhou, Wenxiang Shang, Ran Lin, Benlei Cui
研究方向: 计算机视觉，图像处理，图像修复
本文提出了一种名为EraDiff的新型去噪扩散模型，旨在通过校准扩散路径来增强对象去除能力。该模型针对图像修复中的去除任务进行了优化，旨在在去除对象的同时保持周围内容的视觉一致性。
作者: Sriram Vasudevan
研究方向: 搜索引擎优化、弱监督学习、深度学习
本文提出了一种基于弱监督学习的方法，旨在通过推断查询-文档对的质历来提高大规模搜索引擎的精确度。该方法结合了领域知识、有限的标注数据和自动化标签函数，以生成高质量的训练数据，从而在不牺牲大量标注工作的情况下，提升搜索系统的性能。
作者: Yuting Hu, Chenhui Xu, Ruiyang Qin, Dancheng Liu, Amir Nassereldine, Yiyu Shi, Jinjun Xiong
研究方向: 自动驾驶
该研究提出了一种名为LLM-RCO的框架，用于应对自动驾驶中感知缺陷的问题。该框架利用大型语言模型（LLM）的常识推理能力，通过四个关键模块（危险推理、短期运动规划、动作条件验证和安全性约束生成）与动态驾驶环境交互，从而实现主动和情境感知的控制动作，以克服感知缺陷带来的挑战。
作者: Jiaojiao Li, Shiyao Duan, Haitao XU, Rui Song
研究方向: 超光谱图像生成与处理
该研究提出了一种名为NukesFormers的新型无监督超光谱图像生成框架，旨在解决当前无监督超光谱图像生成（UnHIG）任务中的挑战，如跨域特征挖掘、退化特征提取等。
作者: Jiho Jin, Woosung Kang, Junho Myung, Alice Oh
研究方向: 语言模型的社会偏见评估与消除
本文提出了一种名为BBG（Bias Benchmark for Generation）的评估框架，用于评估大型语言模型（LLM）在故事生成任务中的社会偏见。通过将QA（Question Answering）任务中的BBQ（Bias Benchmark for QA）框架进行改造，BBG通过让LLM生成故事续写来评估其社会偏见，并与传统的QA评估方法进行了比较。
作者: Ziqing Xu, Hancheng Min, Lachlan Ewen MacDonald, Jinqi Luo, Salma Tarmoun, Enrique Mallada, Rene Vidal
研究方向: 机器学习，矩阵分解，低秩适应
本文研究了低秩适应（LoRA）在矩阵分解（MF）任务中的学习动态，特别是通过梯度流（GF）进行微调时的学习动态。作者分析了小初始化和光谱初始化对LoRA学习动态的影响，并提出了新的光谱初始化方法以改善学习性能。
作者: Xinyu Xi, Hua Yang, Shentai Zhang, Yijie Liu, Sijin Sun, Xiuju Fu
研究方向: 海洋多场景识别与智能海洋机器人
本文提出了一种用于海洋多场景识别的多模态人工智能框架，该框架整合了图像数据、文本描述和由多模态大型语言模型（MLLM）生成的分类向量，以提供更丰富的语义理解并提高识别精度。
作者: Xiang Liu, Zhaoxiang Liu, Huan Hu, Zezhou Chen, Kohou Wang, Kai Wang, Shiguo Lian
研究方向: 农业领域中的多模态图像-文本问答系统，特别是在作物病害诊断中的应用。
本文提出了一种名为CDDM的数据集，用于作物病害诊断的多模态学习。该数据集包含137,000张作物病害图像和1百万个问答对，旨在通过结合视觉和文本数据，提高作物病害诊断的准确性和实用性。
作者: Kyungho Kim, Sunwoo Kim, Geon Lee, Jinhong Jung, Kijung Shin
研究方向: 多行为推荐系统（Multi-behavior Recommender Systems）
本文对多行为推荐系统进行了全面综述，重点关注数据建模、编码和训练三个关键步骤，并分析了现有方法在各个步骤中的具体应用和优缺点。