Breaking the Lock-in: Diversifying Text-to-Image Generation via Representation Modulation（在新窗口打开）
发现早期DC分量趋同导致轨迹锁定，提出免训练DAVE attenuation以提升同提示多样性。
- 指出零频空间均值在早期跨种子快速收敛致多样性不足
- DAVE在生成早期选择性衰减DC分量
- 几乎不增加开销且保持图像质量
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
2026-06-08 周一共 16 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 4 · 音频 6 · 基础模型 3
- 生成
- 文生图 2图编辑 0视频生成 13D 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 0
- 理解
- VLM 4OCR 0
- 音频
- 音频 6
- 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 16 篇
WhiFlash: Accelerating Speculative Decoding with Token-Level Cross-Paradigm Routing（在新窗口打开）
token 级在自回归与扩散并行 draft 间路由，缓存优化降低切换开销并提升吞吐。
- 统一 AR 与扩散并行 drafting 的 token 级跨范式 SD
- 熵或学习策略平衡期望 token 增益与延迟
- Lazy Catch-up 与 KV-only Prefill 将切换开销压至约 7% 内
MedSIGHT: Towards Grounded Visual Comprehension in Medical Large Vision-Language Models（在新窗口打开）
用Region Perceiver与医学区域码本统一Med-LVLM的语义理解与像素级分割 grounding。
- Region Perceiver 产出区域中心 token 注入空间信息
- LLM 生成离散区域码并经解码重建分割掩码
- 渐进训练在约72K指令对上对齐多模块
DOG-DPO:Dynamic Optimization in Geometry for Safety Alignment（在新窗口打开）
将偏好对视为表示空间方向，几何分解后选子集做 DPO，仅用约 11% 数据保安全效用。
- 无训练偏好对几何表示与全局/数据集残差子空间分解
- 多样性覆盖选子集，保留非冗余对齐方向
- 六套安全基准两骨干上接近全量 DPO 安全收益
Multilingual Multi-Speaker Unit Vocoders: A Systematic Analysis of Discrete Speech Representations（在新窗口打开）
分析印度四语环境下单元声码器，阐明簇规模与说话人条件对可懂度与身份保持的作用。
- 系统分析离散单元中音素、说话人与语言信息纠缠问题
- 簇规模提升音素可分性，显式说话人条件防止身份塌缩
- 较小词表下跨语言近音素易共簇，大簇可逐步分离
MotionEnhancer: Leveraging Video Diffusion for Motion-Enhanced Vision-Language Models（在新窗口打开）
从视频扩散模型蒸馏运动先验，经注意力对齐无参增强VLM细粒度运动理解。
- MHS与MTTI无参提取并对齐VDM运动相关注意力
- 不改架构、不增训练参数即可扩展
- 在两个运动级视频理解基准上 consistently 提升
AdaRoPE: Not All Attention Heads Should Rotate and Scale Equally（在新窗口打开）
为各注意力头学习独立 RoPE 频率与缩放，改善长上下文扩展与短上下文性能。
- 证明显式统一 RoPE 频率/缩放对各功能头次优
- AdaRoPE 为每头学习旋转频率与注意力缩放因子
- 长上下文外推与 continued pretraining 上优于 YaRN 等
Anchored, Not Graded: Vision-Language Models Fail at Slant-from-Texture Perception（在新窗口打开）
系统评估多种VLM对表面纹理斜度的感知，发现输出多锚定在少数角度而非连续渐变。
- 揭示VLM零样本与上下文提示下斜度预测呈锚定模式
- 指出问题或在表示到语言接口而非几何编码缺失
- 监督微调仅部分缓解，残余锚定仍存在
Contrastive Training with LLM-generated Near-Misses for Robust Code-Switching Speech Recognition（在新窗口打开）
POI 感知对比学习结合 LLM 构造近错负样本，微调 Whisper 降低语码转换 ASR 错误率。
- 提出 POI 感知对比训练，聚焦语码转换关键片段
- 用 LLM 扩展 N-best 扰动得到声学 plausible 的 hard negative
- 在 CS-FLEURS 与 ViMedCSS 上较标准 LoRA 降错超 2%
Textual Supervision Enhances Geospatial Representations in Vision-Language Models（在新窗口打开）
对比 ViT、CLIP 与多模态基础模型，表明文本监督有助于地理空间表示与定位推理。
- 系统评估纯视觉、CLIP 与大规模 VLM 的地理空间表示
- 按可定位性聚类图像揭示空间精度系统性缺口
- 论证语言模态对编码空间上下文的关键作用
HybridCodec: Fast Dual-Stream, Semantically Enhanced Neural Audio Codec（在新窗口打开）
融合语义蒸馏与双流分支的统一编解码器，推理无需SSL且较现有双流模型约3倍加速。
- 语义支路与声学支路并行，并向语义流蒸馏SSL表示
- 域内语义层特化强，全层重建具有竞争力
- 域外与零样本跨语设置下鲁棒
Assessing True Generalisability of Audio-Visual Speech Recognisers（在新窗口打开）
构建与 LRS3 分布严格对齐的新测试集，揭示 SOTA AVSR 泛化普遍崩溃。
- 从 MultiVSR 构造声学视觉人口分布匹配的 unseen 评测集
- 五种 SOTA 架构在该集上性能显著下降
- 细粒度属性与词表偏差分析并公开 matched test set
STREAM: Stochastic Riemannian Flow Matching with Anisotropic Decoder for Digital Histopathology Image Generation（在新窗口打开）
在 VFM patch 球面潜空间上做黎曼流匹配与各向异性解码，提升病理合成多样性与指标。
- 揭示 VFM 条件生成中多样性被 conditioning 主导的问题
- 首次在病理域用黎曼流匹配于单位超球面 token 潜空间
- 各向异性解码噪声协方差对齐速度场 Jacobian 奇异方向
The Lipreading Gap: Do VSR Models Perceive Visual Speech Like Human Lipreaders?（在新窗口打开）
MaFI 上对比人与 VSR：模型准确率更高但依赖词频而非视觉信息性。
- 词/音素/viseme 多粒度对比三人基线与三款 VSR
- 显示错误模式与训练词频强相关、与人类不一致
- 论证模型未将视觉特征绑定为有意义词汇
EgoPressDiff: Multimodal Video Diffusion for Egocentric UV-Domain Hand-Pressure Estimation（在新窗口打开）
条件视频扩散生成UV压力图，多模态条件与分布校准层提升体积IoU与时空一致性。
- PoseNet与Vertex Encoder等多模态条件引导物理合理压力场
- Distribution-Calibrated Spatial Layer 融合异质特征统计
- EgoPressure 设定上相对基线显著提升 Volumetric IoU
SEAM: Shortcut-Aware Real-Time Detection of Scripted vs. Spontaneous Speech for Interview Guardrails（在新窗口打开）
捷径感知数据与评测设计配合DistilHuBERT，8秒窗在外部面试域达约0.971 ROC-AUC。
- 统一预处理、seam-aware采样与非语音增强抑制捷径
- 外部域评估显示去捷径组件会显著掉外部表现
- 后训练量化至约41.8MB且外部性能损失小
没有符合条件的论文。