SceneDiffuser++: City-Scale Traffic Simulation via a Generative World Model（在新窗口打开）
端到端生成式世界模型 SceneDiffuser++ 在单损失下实现城市尺度 A 到 B 行程交通仿真，长时仿真 realism 更优。
- 提出 CitySim 愿景下的首个端到端生成式世界模型
- 统一场景生成、智能体行为、动态生成与环境控制
- 在扩展 WOMD 地图区域上验证城市级行程仿真质量
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2025-06-30 周一共 10 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 5 · 音频 1 · 多语 0 · 基础模型 1
- 生成
- 文生图 1图编辑 0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 1具身智能 0
- 理解
- VLM 5OCR 0
- 音频
- 音频 1
- 多语
- 多语言与翻译 0
- 基础模型
- LLM 1统一多模态 0
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 10 篇
Preserve Anything: Controllable Image Synthesis with Object Preservation（在新窗口打开）
N 通道 ControlNet 做多物体保持、语义一致背景与用户可控布局光照的 T2I 合成。
- N-channel ControlNet 集成物体保持、背景引导与高频叠加抑制伪影
- 发布含 240K 自然图与 18K 3D 合成图及元数据的 benchmark
- 在特征保真、CLIP 语义对齐与用户研究中优于现有方法
Visual Structures Helps Visual Reasoning: Addressing the Binding Problem in VLMs（在新窗口打开）
VISER 为视觉输入加入低级空间结构并配合序列化解析提示，单次推理显著提升 GPT-4o 视觉搜索、计数与空间关系等任务。
- 针对绑定问题提出 VISER 视觉输入结构化方法
- 实证纯文本 CoT 不足以替代视觉结构修改
- 在视觉搜索、计数、空间关系与场景描述等多任务上显著增益
FOCUS: Internal MLLM Representations for Efficient Fine-Grained Visual Question Answering（在新窗口打开）
无训练视觉裁剪方法，用 MLLM 内部 KV 表示定位相关区域，细粒度 VQA 更准且算力约为 ZoomEye 的 1/3–1/6.5。
- 提出训练无关的 FOCUS 视觉裁剪四步流程
- 用 KV cache 构建目标相关性图并排序候选区域
- 在四个细粒度 VQA 数据集与三类 MLLM 上优于常见裁剪基线
Shape-for-Motion: Precise and Consistent Video Editing with 3D Proxy（在新窗口打开）
用时间一致 3D 网格作编辑代理，单帧编辑经 Dual-Propagation 传播全序列，再经解耦视频扩散生成结果。
- 将输入视频中目标物体转为时间一致 mesh 作为 3D 代理再回投视频
- Dual-Propagation：单帧 3D 网格编辑自动传播到其余帧
- 支持姿态、旋转、缩放、平移、纹理与物体组合等操控
VRR-QA: Visual Relational Reasoning in Videos Beyond Explicit Cues（在新窗口打开）
发布需跨帧隐式推理的电影类 VideoQA 基准 VRR-QA，14 个领先模型明显掉点，最佳约 64% 仍远低于人类。
- 构建 VRR-QA 基准，约 1K 专家标注 QA、15 类创意视频
- 系统评估 14 个 VideoQA 模型在隐式关系推理上的不足
- 公开数据集与采集框架以推动 VideoQA 研究
Q-Frame: Query-aware Frame Selection and Multi-Resolution Adaptation for Video-LLMs（在新窗口打开）
无训练即插即用 Q-Frame，用 CLIP 类匹配与 Gumbel-Max 按查询选帧并多分辨率缩放，在 MLVU 等视频理解基准上优于现有方法。
- 提出与查询和视频内容自适应的帧选择与多分辨率策略
- 训练无关、可插拔，借助文本-图像匹配网络选帧
- 在 MLVU、LongVideoBench、Video-MME 等上验证有效性
AutoMixer: Checkpoint Artifacts as Automatic Data Mixers（在新窗口打开）
利用训练轨迹上 checkpoint 的能力差异，以其对源数据的一阶影响近似作数据混合，预训练在八项推理基准上最高约提升 1.93%。
- 发现 checkpoint 模型在训练过程中呈现不同能力
- 用聚合一阶影响近似将 artifact 模型当作数据混合器
- 预训练设定下多推理基准取得显著性能提升
Cross-lingual Data Selection Using Clip-level Acoustic Similarity for Enhancing Low-resource Automatic Speech Recognition（在新窗口打开）
提出 CATDS 片段级声学 token 分布相似度选 donor 语料，低资源 ASR 优于传统选择并可利用原先有害的 donor 语言。
- 提出与 SSL 表示对齐的 clip-wise CATDS donor 选择
- 克服仅语言级相似度忽略片段差异的问题
- 实验显示优于传统方法并改善低资源 ASR
Exploiting Vision Language Model for Training-Free 3D Point Cloud OOD Detection via Graph Score Propagation（在新窗口打开）
无训练框架用 VLM 与类原型图上的 Graph Score Propagation 做三维点云 OOD 检测，合成与真实数据集上优于 SOTA。
- 提出基于 VLM 的三维点云无训练 OOD 检测框架
- 设计含 prompt 聚类与自训练负提示的 GSP 方法
- 支持 few-shot，在多种点云 OOD 数据集上 consistently 更优
没有符合条件的论文。