每日论文 2025-05-08 · PolySight

2025-05-08 周四共 4 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 0 · 音频 2 · 多语 0 · 基础模型 0

生成: 文生图 0图编辑 0视频生成 03D 生成 1
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 1
理解: VLM 0OCR 0
音频: 音频 2
多语: 多语言与翻译 0
基础模型: LLM 0统一多模态 0

前一天后一天

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 4 篇

3D 生成P1 顶会CVPR 20252025-05-08引用 5

MeshGen: Generating PBR Textured Mesh with Render-Enhanced Auto-Encoder and Generative Data Augmentation（在新窗口打开）

图像到 3D 管线输出高质量几何与 PBR 纹理网格，缓解原生 3D 扩散的数据与纹理一致性问题。

渲染增强 point-to-shape 自编码器压缩并保真几何细节
几何增广与生成式渲染增广提升可控性与泛化
多视角 ControlNet、PBR 分解与 UV 修复实现一致纹理

音频P1 顶会ACL 20252025-05-08引用 27

Advancing Zero-shot Text-to-Speech Intelligibility across Diverse Domains via Preference Alignment（在新窗口打开）

用 INTP 偏好数据与扩展 DPO 对齐多种 TTS，改善难例可懂度并提升自然度与音质。

提出可懂度偏好语音数据集 INTP
扩展 DPO 以适配多种 TTS 架构
对齐后在多领域提升可懂度、自然度与相似度，并验证弱到强泛化

具身智能P1 顶会CoRL 20252025-05-08引用 3

Merging and Disentangling Views in Visual Reinforcement Learning for Robotic Manipulation（在新窗口打开）

MAD 融合多相机视角提高 RL 样本效率，并用单视角特征解耦以提升鲁棒与部署轻量。

提出 MAD 在融合多视角同时解耦视角表示
用单视角特征增广缓解故障相机导致的策略脆弱
在 Meta-World 与 ManiSkill3 验证效率与鲁棒性

音频P1 顶会ICASSP 20252025-05-08引用 1

Robust Speech Recognition with Schrödinger Bridge-Based Speech Enhancement（在新窗口打开）

用 Schrödinger 桥生成式增强噪声混响语音，显著降低多种 ASR 的词错误率。

将 Schrödinger 桥语音增强用于提升 ASR 鲁棒性
分析模型规模与采样策略对识别性能的影响
相对未处理语音与预测式基线显著降低 WER