FOCA: Future-Oriented Conditioning for Data-Efficient Vision-Language-Action Adaptation（在新窗口打开）
提出未来导向条件框架 FOCA，在少样本模仿学习下高效适配 VLA，LIBERO 上 20 条演示成功率 95.7%。
- 系统揭示 SOTA VLA 在演示减少时性能急剧下降
- 显式预测任务相关未来交互嵌入并隐式对齐未来目标观测
- 可与视频世界模型合成视频进行无动作共训
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
2026-06-22 周一共 14 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 1 · 音频 11 · 基础模型 0
- 生成
- 文生图 0图编辑 0视频生成 03D 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 2
- 理解
- VLM 1OCR 0
- 音频
- 音频 11
- 基础模型
- LLM 0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
PoLAR: Factorizing Extent and Mode in Latent Actions for Robot Policy Learning（在新窗口打开）
PoLAR 在潜动作上施加径向结构，半径编码变化幅度、方向保留模式，提升仿真与真机策略学习效果。
- 引入 Polar Latent Actions，显式分解 extent 与 mode
- 双曲空间实例化结构以容纳更大幅度下的多样模式
- 下游策略优于潜动作基线与强预训练 VLA
Synthetic Audio Generation Framework for Air Traffic Control Speech Recognition（在新窗口打开）
针对 ATC 域合成带信道噪声与非母语口音的语音数据，微调 Whisper 显著降低词错率。
- 结合 TTS、声纹转换与 L2/L1 口音转换的合成流水线
- 可控 L1-to-L2 口音模拟框架
- ATCO2 上纯合成或真实+合成微调均优于对应基线
Bagpiper-Edit: Zero-Shot Open-Ended Audio Editing via Rich-Caption（在新窗口打开）
将开放音频编辑表述为 rich caption 重写，以原音频为声学锚点零样本生成编辑结果。
- 自由形式自然语言指令驱动的开放音频编辑范式
- 无需配对音频编辑训练数据即可零样本编辑
- 跨语音、音乐与音效等场景保持与原音频一致性
CARPRT: Class-Aware Zero-Shot Prompt Reweighting for Black-Box Vision-Language Models（在新窗口打开）
零样本分类中为每个类单独估计提示权重，训练无关建模提示-类依赖，优于类共享重加权。
- 类特定提示相关性：在该提示预测为某类的图像上平均图文相关分数
- 归一化得到类专属集成权重，无需训练
- 标准图像分类基准上优于类无关提示重加权方法
Imitation Learning for Elder-Facing Speech Synthesis（在新窗口打开）
用模仿学习从专家演示训练面向老年人的 TTS，改进 GRPO 与两阶段 OPRL 缓解有限监督下的 reward hacking。
- 提出从专家演示学习 TTS 的模仿学习框架
- 两阶段 on-policy 奖励学习增强 GRPO
- 客观与主观指标优于 GRPO 及监督基线
An Evaluation Framework for Text-to-Speech Voice Reconstruction（在新窗口打开）
为言语障碍者的 TTS 声音重建提出主观 BWS 与客观双参考分布指标，评估 17 套 zero-shot TTS。
- 主观用 BWS 与情境 framing 评可懂度与说话人身份
- 客观提出双参考分布度量，应对高不可懂说话人
- 对 193 名说话人、17 系统验证框架可靠性与任务对齐
Speaker Identity in Non-Verbal Vocalizations: Conditional Distillation and Mixture of Experts Approach（在新窗口打开）
MoE 域路由与 speech 条件蒸馏结合，在保持语音 SV 的同时显著降低 speech-NVV 验证错误率。
- 对 10 类非言语发声进行首个系统说话人身份研究
- 冻结 Data2Vec 与 ECAPA-TDNN 及 MoE 域感知路由框架
- 对比损失桥接 speech 与 NVV 域并减轻微调遗忘
LISE : Listenable Interpretable Speaker Embeddings（在新窗口打开）
无标签分解预训练说话人嵌入为少量组分，保持 ASV 性能并经听者实验验证可解释性。
- 提出 LISE，无标注将嵌入分解为可分析的结构化组分
- x-vector 与 ECAPA-TDNN 上 EER 几乎无下降
- 听者实验区分说话人准确率达 83.9%
Online Predictive Coding for Dual-Mode Self-Supervised Speech Model（在新窗口打开）
为流式与非流式双模自监督预训练引入 OPC 与双模 LayerNorm，缩小在线与离线 ASR 性能差距。
- Online Predictive Coding 通过多步未来预测正则 online registers
- Dual-mode Layer Normalization 稳定双模优化
- LibriSpeech 与 WSJ 微调显示低延迟下 WER 一致改善
AOR-Bench: Do Large Audio Language Models Over-Refuse Pseudo-Harmful Queries?（在新窗口打开）
发布首个 LALM 过度拒绝基准 AOR-Bench，评测 12 个代表模型并初步探索轻量缓解策略。
- 构建含 3000 伪有害音频、六类场景的 AOR-Bench
- 揭示 LALM 过度拒绝普遍性及声学上下文相关判断模式
- 探索 Chain-of-Thought 与 activation steering 等缓解手段
Post-Training Speech Enhancement Language Models with Perceptual Rewards（在新窗口打开）
对自回归语音增强 LM 用 GSPO 与多指标感知奖励后训练，在 DNS2020 上取得 SOTA。
- GSPO 直接以 DNSMOS、WER、UTMOS 等非可微指标为奖励
- 应用于 UniSE、GenSE 两基座达 SOTA
- 人评显示复合多指标奖励优于单指标，减轻 reward hacking
Time-Frequency Weighted Losses for Phoneme Reconstruction in DNN-Based Speech Enhancement（在新窗口打开）
按语音存在、SIR 与谱通量调制 SDR 损失，强调竞争时频区与辅音瞬态，提升音素识别。
- 可微 TF 加权框架整合 SIR 与 spectral flux
- 改善频加权增强指标与音素识别，辅音更明显
- 谱分析显示中频结构在较低 SIR 下重建更好
Exploiting Neural Audio Codec Latents for Adversarial Audio Attacks（在新窗口打开）
在神经音频 codec 潜空间中单次前向生成类特定扰动，目标攻击成功率近 99%，推理延迟低于 7 ms。
- 条件生成器在 codec 连续潜空间合成扰动并解码为对抗波形
- 相较生成式基线显著降低推理延迟
- 面向实时威胁评估的高效 targeted attack 框架
没有符合条件的论文。