BEST-RQ-Based Self-Supervised Learning for Whisper Domain Adaptation（在新窗口打开）
BEARD 用 BEST-RQ 与冻结教师蒸馏适配 Whisper 编码器，在 ATCO2 低资源域相对微调基线提升约 12%。
- BEST-RQ 目标与知识蒸馏联合适配编码器并保持与解码器兼容
- 大量无标注语音预训练、少量标注微调的两阶段流程
- 在空管通信 ATCO2 域显著优于先前基线与纯微调
前沿论文
14 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-16 13:30
2025-10-29 周三共 10 篇：生成 6 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 0 · 音频 2 · 基础模型 1
- 生成
- 文生图 4图编辑 0视频生成 23D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 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
- 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
Diffusion Adaptive Text Embedding for Text-to-Image Diffusion Models（在新窗口打开）
DATE 在采样各扩散步依中间扰动数据动态更新文本嵌入，免训练提升文图对齐与偏好。
- 每步扩散采样基于中间数据优化并更新文本嵌入
- 推导更新规则，使条件随反扩散图像自适应
- 多概念生成与文本引导图像编辑上优于固定嵌入
Model-Guided Dual-Role Alignment for High-Fidelity Open-Domain Video-to-Audio Generation（在新窗口打开）
MGAudio 用流式 Transformer 与双角色对齐、模型自引导目标，在 VGGSound 等上实现 SOTA 视频配音。
- 提出 model-guided dual-role alignment 作为视频条件音频生成设计原则
- 视听编码器同时作条件模块与特征对齐器
- 模型引导训练目标提升跨模态一致性与音频真实感
ReCAP: Recursive Context-Aware Reasoning and Planning for Large Language Model Agents（在新窗口打开）
提出共享上下文的层次化 ReCAP 框架，提升长程多步推理与动态重规划的成功率和子目标对齐。
- 计划先行分解：生成完整子任务列表、执行首项并迭代 refine 剩余部分
- 递归返回时结构化重注入父级计划，保持多级上下文连续
- 限制活跃 prompt 规模，使代价随任务深度线性增长
Generative View Stitching（在新窗口打开）
并行采样整段序列，使预定义相机轨迹下的生成场景一致、无碰撞并可闭环。
- GVS 将 diffusion stitching 扩展到视频生成，兼容现成 Diffusion Forcing 模型
- Omni Guidance 同时条件于过去与未来，提升拼接时序一致性与闭环能力
- 实现稳定、无碰撞、帧间一致的多相机路径引导长视频生成
DynaRend: Learning 3D Dynamics via Masked Future Rendering for Robotic Manipulation（在新窗口打开）
多视角 RGB-D 预训练 triplane 表示联合几何、语义与动力学，迁移至操作任务显著提升成功率与泛化。
- 掩码重建与未来预测结合可微体渲染学习 triplane 特征
- 统一编码空间几何、未来动力学与任务语义
- RLBench、Colosseum 与真机实验验证策略与扰动泛化
AutoPrompt: Automated Red-Teaming of Text-to-Image Models via LLM-Driven Adversarial Prompts（在新窗口打开）
APT 黑盒利用 LLM 为良性 prompt 生成可读对抗后缀，绕过过滤器并暴露商用 API 漏洞。
- 对抗后缀优化与 LLM 微调交替进行
- 困惑度约束与 banned-token 惩罚实现双重重过滤规避
- 人类可读对抗 prompt 具强零样本迁移与红队效果
Training-Free Safe Text Embedding Guidance for Text-to-Image Diffusion Models（在新窗口打开）
STG 在采样中依预期去噪结果的安全函数调整文本嵌入，免训练降低有害生成并尽量保留语义。
- 基于最终去噪图像期望上的安全函数引导文本嵌入
- 理论说明可将生成分布与安全约束对齐
- 裸体、暴力、艺术家风格移除等场景优于多种基线
Routing Matters in MoE: Scaling Diffusion Transformers with Explicit Routing Guidance（在新窗口打开）
提出 ProMoE，用条件路由与原型路由引导视觉 DiT 的 MoE 专家特化，ImageNet 上优于 SOTA。
- 双步路由器：条件路由划分条件/无条件 token，原型路由按语义分配专家
- 路由对比损失强化原型路由，提升专家内一致与专家间差异
- Rectified Flow 与 DDPM 目标下 ImageNet 实验超越现有方法
VC4VG: Optimizing Video Captions for Text-to-Video Generation（在新窗口打开）
从 T2V 需求分解 caption 要素并设计优化流程，建 VC4VG-Bench，验证 caption 质量与生成性能相关。
- 面向 T2V 的多维 caption 内容分析与设计方法论
- 发布 VC4VG-Bench 及细粒度、必要性分级评测
- T2V 微调实验表明优化 caption 可提升生成表现
没有符合条件的论文。