每日论文 2025-07-21 · PolySight

2025-07-21 周一共 5 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 1 · 音频 3 · 多语 0 · 基础模型 0

生成: 文生图 1图编辑 0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 0
理解: VLM 1OCR 0
音频: 音频 3
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 5 篇

音频P1 顶会ICASSP 20252025-07-21引用 —

Open Automatic Speech Recognition Models for Classical and Modern Standard Arabic（在新窗口打开）

提出阿拉伯语语音文本通用流程，训练 MSA 专用与 MSA+古典阿拉伯语统一 FastConformer ASR 并开源。

提出面向阿拉伯语复杂性的通用语音与文本处理 methodology
MSA 模型在相关数据集上达到 SOTA
首个公开的 MSA 与 Classical Arabic 统一模型，CA 带变音符号 SOTA 且 MSA 仍强

音频P1 顶会INTERSPEECH 20252025-07-21引用 —

Optimizing ASR for Catalan-Spanish Code-Switching: A Comparative Analysis of Methodologies（在新窗口打开）

比较合成 CS 数据、单语拼接与语言 token 等策略，微调 Whisper 改善加西语码转换 ASR。

系统比较合成 CS 数据、单语拼接与真实 CS+语言 token 三类策略
从加泰罗尼亚语料抽取 CS 数据并发布 Hugging Face 微调 Whisper
少量合成 CS 数据配合主导语言 token 取得最佳转写效果

音频P1 顶会INTERSPEECH 20252025-07-21引用 —

Unifying Listener Scoring Scales: Comparison Learning Framework for Speech Quality Assessment and Continuous Speech Emotion Recognition（在新窗口打开）

用对比分数建模统一听众评分尺度，提升 SQA 与 CSER 预测表现与鲁棒性。

提出统一听众评分尺度，以对比分数刻画语句间评分关系
缓解均值听众尺度对序数数据平均带来的失真
在 SQA 与 CSER 上验证有效性与鲁棒性

文生图P1 顶会ICCV 20252025-07-21引用 —

CSD-VAR: Content-Style Decomposition in Visual Autoregressive Models（在新窗口打开）

在 VAR 上实现内容-风格解耦，尺度交替优化与 SVD rectification，并发布 CSD-100 基准。

尺度感知交替优化，使内容与风格表示对齐不同生成尺度
SVD rectification 减轻风格表示中的内容泄漏
Augmented K-V memory 增强内容身份保持，引入 CSD-100 数据集

VLMP1 顶会EMNLP 20252025-07-21引用 —

VLA-Mark: A cross modal watermark for large vision-language alignment model（在新窗口打开）

跨模态协调注入可检测水印，免重训，在检测与抗攻击下保持语义与图文一致。

多尺度图文对齐指标引导水印注入，平衡强度与语义
熵敏感机制在低不确定性阶段优先视觉 grounding
相较常规方法更低 PPL、更高 BLEU，高检测 AUC 与 paraphrase 等攻击鲁棒性