AnyEdit: Mastering Unified High-Quality Image Editing for Any Idea（在新窗口打开）
发布 250 万对、20+ 编辑类型的 AnyEdit 数据集，并训练带任务路由的统一编辑扩散模型。
- 构建 250 万高质量多模态指令编辑对，覆盖 20+ 类型与五领域
- 提出任务感知路由与可学习任务嵌入的 AnyEdit Stable Diffusion
- 在三个基准上 consistently 提升扩散类编辑模型表现
前沿论文
17 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-20 18:44
返回聚合视图2024-11-26 周二共 8 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 2 · 音频 0 · 多语 1 · 基础模型 3
- 生成
- 文生图 0图编辑 1视频生成 13D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0代码 Agent 0工具调用 0
- 世界模型与具身
- 世界模型 0具身智能 0
- 理解
- VLM 1OCR 1
- 音频
- 音频 0
- 多语
- 多语言与翻译 1
- 基础模型
- LLM 2统一多模态 1
这一天为历史补采：作者单位只来自 OpenAlex，入选论文比每日更新少；要点由 AI 根据论文摘要生成，以原文为准。
共 8 篇
SVTRv2: CTC Beats Encoder-Decoder Models in Scene Text Recognition（在新窗口打开）
在 CTC 架构中加入多尺度缩放、特征重排与语义引导，精度超越多数 EDTR 且推理更快。
- 多尺度缩放策略减轻不规则文本形变
- 特征重排模块缓解 CTC 对齐难题
- 语义引导模块融合语言上下文，推理时可关闭不增时延
Ca2-VDM: Efficient Autoregressive Video Diffusion Model with Causal Generation and Cache Sharing（在新窗口打开）
通过单向特征计算与跨去噪步缓存共享，消除自回归重叠帧重复计算并显著加速。
- 因果单向特征计算，使条件帧缓存可预计算并复用
- 跨所有去噪步共享缓存以降低存储开销
- 在质量 SOTA 同时显著提升自回归视频生成速度
Self-Generated Critiques Boost Reward Modeling for Language Models（在新窗口打开）
Critic-RM 在无额外监督下自生成并筛选批评，联合训练评分与批评，奖励精度提升约 3.7–7.3%。
- 提出 Critic-RM：自生成批评两阶段训练奖励模型
- 联合优化标量奖励与自然语言批评预测
- 批评用于修正推理步骤，推理准确率额外提升约 2.5–3.2%
Interpreting Language Reward Models via Contrastive Explanations（在新窗口打开）
为奖励模型的二元响应比较生成对比解释，分析其对高层评估属性的敏感性与可解释性。
- 用对比解释刻画 RM 在局部比较上的行为
- 通过扰动响应显式修改指定评估属性以 grounded 分析
- 支持全局属性敏感度分析与不同 RM 行为对比
Leveraging the Power of MLLMs for Gloss-Free Sign Language Translation（在新窗口打开）
提出 MMSLT，用 MLLM 描述手语成分并与视频特征对齐到口语文本空间，在 PHOENIX14T 与 CSL-Daily 上达 SOTA。
- 提出无 Gloss 的多模态手语翻译框架 MMSLT
- 用 MLLM 生成手语成分描述，并经多模态-语言预训练与视频特征对齐
- 在 PHOENIX14T、CSL-Daily 上取得 state-of-the-art 结果
KinMo: Kinematic-aware Human Motion Understanding and Generation（在新窗口打开）
用层次化可描述动作表示与文本-动作对齐，统一提升动作理解、检索与由粗到细生成。
- 提出层次化可描述动作表示及自动标注管线，构建 KinMo 数据集
- 设计层次化文本-动作对齐以渐进融合细粒度语义
- 提出由粗到细的动作生成流程，增强检索与编辑能力
VisualLens: Personalization through Task-Agnostic Visual History（在新窗口打开）
用 MLLM 从用户日常视觉历史提炼画像，在 Google-Review-V/Yelp-V 上优于 item 基线与 GPT-4o。
- 提出利用任务无关视觉历史做个性化的 VisualLens 框架
- 构建含视觉历史的 Google-Review-V 与 Yelp-V 基准
- Hit@3 较 SOTA 多模态推荐提升约 5–10%，较 GPT-4o 约 2–5%
没有符合条件的论文。