🦾具身智能P1 顶会CoRL 2026
SCDP 以末端轨迹作空间条件，在单全局相机下达到接近多相机模仿学习的操作精度与抗干扰能力。
- 提出以末端执行器轨迹为视觉注意力锚点的扩散 visuomotor 策略
- 多尺度视觉编码与扩散循环内轨迹点特征的空间条件模块
- 仿真优于单视角基线、接近多相机；真机验证精度与视觉干扰鲁棒性
👁️VLMP1 顶会CVPR 2026
ALVTS 按层路由重要 token 并再融合，高压缩比下仍接近全量注意力精度且无需重训。
- 打破静态剪枝、允许跳层后于后续层再集成的逐层自适应选择框架
- 重要性一致约束低秩近似使选择模块逼近全注意力模式
- 在 LLaVA 与 Qwen2.5-VL 等上验证效率-精度权衡
🖥️GUI AgentP1 顶会ICML 2026
客户端可信代理 MINIM 在 UI 观测外传前按敏感度与任务必要性裁剪，减少泄露且保任务可用。
- 基于 Contextual Integrity 的双分数 UI 元素表示与三元披露策略
- 对高风险内容强化必要性误差惩罚的 CI 感知优化目标
- WebArena 派生真实 UI 观测上验证可大幅削减无关敏感泄露
🎧音频P1 顶会INTERSPEECH 2026
用显式不流利标记与持续学习，在有限数据上增强 ASR 保留填充词等信息并缓解遗忘。
- 在预训练 ASR 中引入不流利 token 并持续在多分布数据上训练
- 分析标记学习与 ASR 性能之间的权衡及训练动态
- 发现多种持续学习方法共享的 cross-attention 头机制
🦾具身智能P1 顶会CVPR 2026
统一 PointNav/ObjectNav/ImageNav 的平面图导航任务与大规模数据集，ThreeDiff 策略验证空间先验有效。
- 提出 FloVerse 任务并构建含专家轨迹与 RGBD 的 FloVerse-1.6K
- 两阶段模仿学习策略 ThreeDiff：规划、扩散多模态目标推理与深度轨迹细化
- 实验表明平面图先验提升各目标模态导航且策略隐式利用空间信息
🎬视频生成P1 顶会ECCV 2026
超网络一次前向合成特效 LoRA 权重，视频质量对齐常规微调且推理成本远低于逐特效训练。
- 以冻结基座权重为条件的 weight-driven 超网络预测 LoRA
- SVD 规范参数化缓解分解歧义并稳定大规模权重合成
- 可作后续微调初始化以加速优化并提升最终效果
🎨文生图P1 顶会ICML 2026
用概念擦除奖励 RL 与 Safe Adapter 调节交叉注意力，在抑制不安全生成同时减轻对良性语义的过度擦除。
- 优化 CER 的强化学习框架兼顾安全移除与安全语义解释能力
- Safe Adapter 投影部分文本嵌入以高效调节交叉注意力层
- 对 red-teaming 更鲁棒并可扩展至风格等一般概念及 I2I 场景
🎧音频P1 顶会INTERSPEECH 2026
提出 MoDiCoL 与真实场景启发的持续学习课程，系统研究 ASR 在分布漂移下的鲁棒性获取与遗忘。
- 发布模块化诊断持续学习数据集，联合语言、说话人与声学因素
- 设计增量更新课程以模拟真实鲁棒性演化
- 评估三种持续学习策略并给出鲁棒性迁移与遗忘洞察
🎧音频P1 顶会INTERSPEECH 2026
统一 VTA 框架兼顾参考音频条件、帧级对齐与细粒度语义，在多数据集上展现可控生成竞争力。
- 音频条件 VTA 与 Foley 扩展的条件注入机制
- 多模态动态掩码策略保持训练时序同步
- 结合信号处理与 LLM 的副词语义数据增强强化文本监督
🎧音频P1 顶会INTERSPEECH 2026
用 BMLD 心理声学基准检验九类冻结模型，发现通用双耳 SSL 多依赖时频纹理而非真实跨通道相位。
- 基于双耳掩蔽级差评估空间自监督模型的相位微结构编码
- 对比双耳/单耳 SSL 与神经编解码器及 EQ-Cancel 等基线
- 物理消融表明专用空间 SSL 才接近分析基线， speech 高检出或受宽带包络混淆
👁️VLMP1 顶会NeurIPS 2026
系统梳理 TTA4CLIP 范式并发布 TTABC 基准，揭示增益来源与 shift 类型对方法选择的依赖。
- 按测试时更新对象将现有方法统一为三类范式
- 开源 TTABC 标准化协议并集成 20+ 代表方法
- 受控分析参数法、证据利用及无单一最优范式的结论
🎧音频P1 顶会INTERSPEECH 2026
LEAF-X 利用熵引导注意力与多层 rollout，为 Transformer ASR 提供更忠实、稀疏的 token-frame 归因。
- 提出模型内在的 LEAF-X 框架，结合熵加权、attention rollout 与因果消融
- 面向 encoder-decoder 与 speech-augmented decoder-only ASR
- 摘要报告更高忠实度、局部性/稀疏性与更稳定归因
🎧音频P1 顶会INTERSPEECH 2026
将基波提取建模为语音增强，用 Wave-U-Net 估计基波再求瞬时频率，跨语音与乐器等域更稳健。
- 把基波波形滤波表述为可学习的语音增强问题
- Wave-U-Net 从含谐波与噪声信号中提取基波波形
- 在语音、歌唱、乐器及退化语音上优于传统确定性方法
🎧音频P1 顶会INTERSPEECH 2026
探针分析预训练音频嵌入编码了哪些类语音声学特征，并给出生物声学任务的模型选择建议。
- 用 eGeMAPS 等特征对六类群预训练嵌入做线性与非线性回归探针
- 揭示无单一模型覆盖全特征空间，拼接嵌入表现最佳
- 结合可恢复性与物种特征显著性给出数据驱动的模型选择指导