Towards One-step Causal Video Generation via Adversarial Self-Distillation（在新窗口打开）
基于 DMD 的对抗自蒸馏与首帧增强，在 1–2 步去噪下实现高质量因果视频生成，VBench 上优于 SOTA。
- ASD：对齐 n 步与 n+1 步学生输出分布，稳定极少步训练
- FFE：首帧多步去噪、后续大跳步，缓解误差传播
- 单蒸馏模型支持多种推理步数，一步与两步生成达 SOTA
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
2025-11-04 周二共 14 篇：生成 4 · 代码生成 1 · 智能体 0 · 世界模型与具身 2 · 理解 3 · 音频 1 · 基础模型 3
- 生成
- 文生图 0图编辑 0视频生成 23D 生成 2
- 代码生成
- Visual2Code 03D2Code 1
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 0具身智能 2
- 理解
- VLM 3OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 3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 14 篇
Diff4Splat: Controllable 4D Scene Generation with Latent Dynamic Reconstruction Models（在新窗口打开）
单图前馈预测可变形 3D Gaussian 场，约 30 秒合成可控 4D 场景，无需测试时优化。
- 融合视频扩散生成先验与大规模 4D 数据的几何与运动约束
- 视频 latent Transformer 联合时空依赖并预测时变 Gaussian 基元
- 在视频生成、新视角合成与几何提取上对标或超越优化类方法
Wonder3D++: Cross-domain Diffusion for High-fidelity 3D Generation from a Single Image（在新窗口打开）
跨域扩散生成多视角法线与彩色图，多视角跨域注意力保证一致，级联网格提取约 3 分钟得到高质量纹理网格。
- 跨域扩散同时生成多视角法线图与彩色图
- 多视角跨域注意力实现视角与模态间信息交换
- 级联 3D 网格提取，粗到细高效重建表面
WhisperVC: Decoupled Cross-Domain Alignment and Speech Generation for Low-Resource Whisper-to-Normal Conversion（在新窗口打开）
三阶段 WhisperVC 解耦域对齐与生成，在 AISHELL6-Whisper 上取得 competitive 的可懂度与说话人相似度。
- 阶段一少量配对数据与 soft-DTW 学习域不变语义表示
- 阶段二仅用正常语音建模音色与韵律的两阶段 mel 生成
- 阶段三 HiFi-GAN 微调实现波形合成并支持隐私与非发声交流场景
ID-Crafter: VLM-Grounded Online RL for Compositional Multi-Subject Video Generation（在新窗口打开）
ID-Crafter 通过层次身份注意力、VLM 语义模块与在线 RL，提升多主体视频的身份保持与连贯性。
- 层次身份保持注意力，在主体内外与跨模态层聚合特征
- 预训练 VLM 提供细粒度语义引导以刻画主体间关系
- 在线 RL 精炼关键概念并配套新数据集与基准评测
URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model（在新窗口打开）
端到端 3D MLLM 从点云与文本预测分割与运动学参数，自动生成可执行的 URDF 数字孪生。
- 自回归框架联合优化几何分割与运动学参数预测
- [SEG] token 与点云特征交互实现部件级分割一致性
- 仿真与真实数据上分割、运动学误差与物理可执行性显著优于基线
KV Cache Transform Coding for Compact Storage in LLM Inference（在新窗口打开）
KVTC 用 PCA 去相关、自适应量化与熵编码压缩 KV cache，最高约 20× 压缩且保持推理与长上下文精度。
- 轻量 KVTC：校准后不改模型参数，支持 GPU 内外存储
- 在 Llama 3、Mistral NeMo、R1-Qwen 等多基准上验证
- 相对 token 驱逐、量化、SVD 等基线更高压缩比与精度
GauDP: Reinventing Multi-Agent Collaboration through Gaussian-Image Synergy in Diffusion Policies（在新窗口打开）
GauDP 从分散 RGB 构建全局 3D Gaussian 场并按视角重分配特征，提升多臂协作模仿学习表现与扩展性。
- Gaussian-image 协同表示兼顾局部控制与全局场景一致理解
- 各智能体从共享场景表示自适应查询任务关键特征
- RoboFactory 多臂任务上优于图像基线并接近点云方法
UME-R1: Exploring Reasoning-Driven Generative Multimodal Embeddings（在新窗口打开）
提出生成式多模态嵌入框架 UME-R1，在 MMEB-V2 上显著优于传统判别式嵌入。
- 两阶段训练：SFT 冷启动推理与生成/判别嵌入，RL 强化生成嵌入
- 揭示生成式与判别式嵌入互补及推理采样对 pass@k 的扩展
- 在含视频、图像、视觉文档的 78 项 MMEB-V2 任务上全面评测
Embodied Cognition Augmented End2End Autonomous Driving（在新窗口打开）
提出 E³AD：视觉特征网络与 EEG 大模型对比学习，注入驾驶认知以提升端到端规划，开环与闭环均有效。
- E³AD 范式：对比学习对齐视觉网络与人类驾驶认知
- 采集认知数据集并系统研究认知增强规划机制
- 在公开自动驾驶数据集上显著优于基线，含消融验证
Democratizing LLM Efficiency: From Hyperscale Optimizations to Universal Deployability（在新窗口打开）
主张在 modest 资源下以简单鲁棒的效率研究替代 hyperscale 专属技巧，提出免重训架构改造等议程与 OAE 评测观。
- 批判 MoE、投机解码、重型 RAG 在非超大规模场景的开销与公平问题
- 提出 retrofit、轻量微调、经济推理、轻量知识管理等研究方向
- 倡导 Overhead-Aware Efficiency（OAE）作为标准效率基准维度
ToxicTextCLIP: Text-Based Poisoning and Backdoor Attacks on CLIP Pre-training（在新窗口打开）
提出文本侧投毒框架 ToxicTextCLIP，在 CLIP 预训练阶段实现高成功率攻击并绕过多种防御。
- 背景感知文本选择器，缓解与目标类背景不一致的语义错位
- 背景驱动增强器生成语义连贯且多样的毒化文本样本
- 在分类与检索任务上验证投毒与后门效果及防御绕过能力
TSVer: A Benchmark for Fact Verification Against Time-Series Evidence（在新窗口打开）
提出含真实声明与时序证据的事实核查基准 TSVer，并给出基线；强推理模型在判决上约 63.57 分。
- 构建 304 条真实声明与 400 条时序的 TSVer 基准及标注流程
- LLM 辅助多步标注，判决一致性 kappa=0.77
- 时序证据核查基线，评测 Gemini-2.5-Pro 等模型
Sighted by Default: Addressing Implicit Vision Assumptions in Real-Time VLM Assistance for BLV Users（在新窗口打开）
揭示助盲 VLM 的 sighted-default 偏见，提出 VIA-Agent 连续低延迟交互并缩短任务时间与对话轮次。
- 形式研究指出实时助盲工具忽视串行听觉认知的结构性问题
- 提出连续性、简洁性与校准诚实三项设计原则
- VIA-Agent 结合认知核心与 RTC 架构实现双向流式 assistance
没有符合条件的论文。