SE(3)-Equivariant Diffusion Policy in Spherical Fourier Space（在新窗口打开）
提出 Spherical Diffusion Policy，在球面 Fourier 空间实现 SE(3) 等变，提升 3D 场景变换下的操作泛化。
- 将球面 Fourier 嵌入状态、动作与去噪过程以实现 SE(3) 等变
- 球面 FiLM 与球面去噪 temporal U-net 实现时空等变且高效
- 20 个仿真与 5 个真实机器人任务上显著优于强基线
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2025-07-03 周四共 7 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 1 · 音频 3 · 多语 0 · 基础模型 1
- 生成
- 文生图 0图编辑 1视频生成 03D 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 1
- 理解
- VLM 1OCR 0
- 音频
- 音频 3
- 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 7 篇
ReFlex: Text-Guided Editing of Real Images in Rectified Flow via Mid-Step Feature Extraction and Attention Adaptation（在新窗口打开）
针对 ReFlow 提出免训练真实图像文本编辑，利用 mid-step latent 与注意力注入，无需 mask 与源 prompt。
- 分析多模态 transformer 中间表示并提取三类关键特征用于真实图编辑
- mid-step 反演 latent 与注入时注意力适配以提升可编辑性与文本对齐
- 两基准九基线下表现更优，人工评测用户偏好明显
Gradient-Adaptive Policy Optimization: Towards Multi-Objective Alignment of Large Language Models（在新窗口打开）
将人类价值对齐建模为多目标优化，提出 GAPO/P-GAPO 用多梯度下降平衡冲突偏好。
- 用多梯度下降与自适应梯度缩放得到 Pareto 最优更新方向
- P-GAPO 引入用户对各目标的偏好以获得更贴合需求的 Pareto 解
- Mistral-7B 上在 helpfulness 与 harmlessness 上优于 SOTA 对齐方法
SafePTR: Token-Level Jailbreak Defense in Multimodal LLMs via Prune-then-Restore Mechanism（在新窗口打开）
分析 MLLM 越狱根因，提出免训练 SafePTR：在脆弱层剪枝有害 token 并在后续层恢复良性特征。
- 系统分析有害多模态 token 在何处、如何绕过 MLLM 安全机制
- 发现早期-中层不足 1% token 即可诱发不安全行为
- SafePTR 免训练、无额外算力开销，三 MLLM 五基准上 SOTA 安全表现
Voice Conversion for Likability Control via Automated Rating of Speech Synthesis Corpora（在新窗口打开）
提出可控语音喜好度的 voice conversion，并用预测器自动标注大规模合成语料以扩展训练数据。
- 在保留说话人身份与语言内容前提下控制语音可喜好度
- 训练 likability 预测器并自动标注大规模 TTS 语料
- 主客观评测表明预测器与人工评分相关，且转换方法有效
First Steps Towards Voice Anonymization for Code-Switching Speech（在新窗口打开）
首次研究语码转换场景下的 voice anonymization，构建语料并适配多语匿名模型。
- 首次系统考察 code-switching 语音的匿名化问题
- 准备两套语料并适配多语匿名模型
- 仅多语系统在隐私与效用保留上表现良好，并讨论 spontaneous 数据评测难点
A Dataset for Automatic Assessment of TTS Quality in Spanish（在新窗口打开）
发布西班牙语 TTS 自然度主观标注数据集，并训练自动 MOS 预测模型。
- 4326 条音频、52 个 TTS/人声系统，据称为首个西语 TTS 质量评估库
- 按 ITU-T P.807 设计主观实验，92 名参与者标注
- 微调与 frozen SSL 下游网络在五点 MOS 上 MAE 约 0.8
没有符合条件的论文。