🎨文生图P1 顶会NeurIPS 2025
发布 10 万张 3K+ 超分 T2I 数据集，并提出频域感知后训练以改善 UHR 细粒度细节。
- 构建 UltraHR-100K：10 万级高质 UHR 图文对，强调细节与美学筛选
- 提出 DOTS 与 SWFR，在扩散模型中强化细节关键步与高频保留
- 在 UltraHR-eval4K 上验证细粒度细节与整体保真度提升
💬LLMP1 顶会ICLR 2026
训练无关的 RPS 在偏好向量邻域采样多响应再选取，缓解偏好覆盖缺口并提升鲁棒性。
- 提出 Robust Preference Selection 与方向邻域共识采样策略
- 理论说明邻域生成相对强多候选基线的优势
- DPA/DPO/SFT 上 win rate 最高约 69%，无需重训
🎨文生图P1 顶会NeurIPS 2025
训练时用 ControlNet/LoRA 等旁路 confounding 因素，适配器只学目标属性，推理时去掉旁路。
- 揭示 T2I 适配器易把身份与姿态、光照等混杂因子缠在一起的问题
- Shortcut-Rerouted Adapter Training 用辅助模块承载捷径因子，促解耦
- 在人脸与全身身份注入任务上提升质量、多样性与 prompt 遵循
✏️图编辑P1 顶会NeurIPS 2025
基于 Infinity 二值量化模型，利用可精确获得的中间表示改进反演与编辑 fidelity。
- 将 Infinity 适配为文本驱动图像编辑并设计精确反演机制
- 结合文本提示校正与风格保持，缓解扩散反演近似误差
- holistic smoothing；PIE-Bench 上优于主流扩散编辑基线
👁️VLMP1 顶会ICLR 2026
免训练 Speculative Verdict 用小 VLM 起草多条推理路径、大 VLM 裁决，在信息密集 VQA 上提效纠错。
- 提出 SV：draft 专家提供多样定位候选，verdict 模型合成最终答案
- 共识专家选择机制仅转发高一致路径，降低 verdict 计算
- 在 InfographicVQA、ChartMuseum、HR-Bench 4K 等基准上稳定提升
💬LLMP1 顶会EMNLP 2025
构建 NegHalu 并实验表明 LLM 在否定语境下幻觉检测更差，且 token 级内部分析揭示难点。
- 提出否定文本下幻觉检测的三类研究问题并系统验证
- 由现有幻觉数据集重构得到 NegHalu
- 展示否定输入下判断不一致；token 级追踪内部状态
👁️VLMP1 顶会IJCAI 2026
半监督微调 VLM 的 plug-and-play 方法，联合模型间与模型内一致性降低伪标签偏差。
- Bi-CoG 同时利用 inter/intra-model consistency 分配伪标签
- 误差感知的动态伪标签分配，缓解阈值与偏差敏感
- 14 个数据集上稳定显著提升现有半监督 VLM 微调方法
👁️VLMP1 顶会NeurIPS 2025
用 MLLM 生成视觉 token 再经 VQ-VAE 解码为稠密 mask，统一理解与分割并加速推理。
- 提出以图像生成为核心的 MLLM 分割范式，替代边界点或专用分割头
- 视觉 token 经通用 VQ-VAE 图像化解码，分割依赖 MLLM 像素级理解
- 采用 next-scale-prediction 并行生成 token，多数据集 SOTA 且推理更快
🎨文生图P1 顶会SIGGRAPH Asia 2026
多参考画布交互放置 RGBA 抠图主体，透明 latent 剪枝与跨参考训练实现多人人脸一致合影。
- CanvasComposer 画布式多参考输入，重叠下仍保留各主体身份
- 透明区域 latent 剪枝与 cross-reference 训练减轻贴图感、增强融合
- 多人人脸个性化生成在一致性与身份保持上优于现有方法
🎬视频生成P1 顶会CVPR 2026
提出评测协议，检验 T2V/I2V 作为多人行人动力学隐式模拟器的合理性并分析局限。
- 针对 T2V/I2V 设计行人动力学评测协议与 T2V 提示套件
- 无已知相机参数下从像素空间重建鸟瞰 2D 轨迹
- 分析 leading 模型的多智能体行为先验及合并、消失等一致性问题
🎧音频P1 顶会INTERSPEECH 2026
UniSE 用 decoder-only LM 统一语音恢复、目标说话人提取与分离，多基准上具竞争力。
- 统一 LM 框架自回归生成目标离散 token 覆盖多种 SE 任务
- 提出多准则渐进强化学习以优化语音质量
- 在多个 benchmark 上媲美判别式与生成式基线
👁️VLMP1 顶会ICLR 2026
MixKV 在 LVLM 的 KV 压缩中同时考虑重要性与多样性，极端预算下多模态基准与 GUI grounding 明显提升。
- 分析 LVLM 各注意力头 KV 冗余与重要性分布不全的问题
- 提出 MixKV，按头自适应平衡多样性与重要性进行压缩
- 在五种多模态理解基准及 SnapKV/AdaKV 等基线上稳定增益，并可迁移至 LLM
🧩统一多模态P1 顶会NeurIPS 2025
LDDBM 在共享潜空间用扩散桥做任意模态翻译，含多视图到 3D、超分与多视图场景合成。
- 提出 LDDBM：潜变量去噪扩散桥，无需对齐维度即可连接任意模态对
- 对比对齐损失与预测损失配合域无关编解码，提升跨域翻译稳定性
- 在多视图到 3D、图像超分、多视图场景合成等任务上建立强基线
🎧音频P1 顶会ICASSP 2026
语义优先的 SimWhisper-Codec 简化冻结 Whisper 编码器，低码率下语义与声学优于 Mimi 等。
- 从语义能力强的 ASR 模型出发适配高保真声学重建
- 发现架构简化可释放 Whisper 声学建模潜力
- SimWhisper-Codec 无需外部语义监督，同码率下优于 Mimi Codec、SpeechTokenizer