GMO-E$^2$DIT: Grounded Multi-Operation Editing for E-Commerce Images（在新窗口打开）
VLM 规划区域编辑议程，掩码条件编辑器执行，反思环保证多步局部编辑准确与保真。
- 解耦认知推理与生成渲染的结构化多轮编辑框架
- 操作感知掩码与反思驱动中间结果检查与重试
- EComEditBench 与统一规划/执行/反思数据管线
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
2026-07-02 周四共 20 篇：生成 4 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 9 · 音频 4 · 基础模型 1
- 生成
- 文生图 1图编辑 1视频生成 03D 生成 2
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 1具身智能 1
- 理解
- VLM 9OCR 0
- 音频
- 音频 4
- 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 20 篇
Ink3D: Sculpting 3D Assets with Extremely Complex Textures via Video Generative Models（在新窗口打开）
几何与纹理解耦，用 OrbitPainter 视频模型生成环绕扫描再 TextureOptimizer 烘焙，纹理更忠实丰富。
- 提出 Ink3D，用大规模视频生成先验补 3D 纹理数据稀缺
- 设计 OrbitPainter 条件视频模型生成多视角环绕外观
- 引入 TextureOptimizer 神经烘焙融合多视图并缓解几何不一致
MEPA: Multi-Scale Representation Alignment for Visual Autoregressive Modeling with Mixture of Experts（在新窗口打开）
为 VAR 引入尺度感知 MoE 与早期尺度外部自监督对齐，ImageNet 256 上 FID 更优且训练 epoch 约减半。
- scale-aware token-routed MoE 实现各尺度解耦的表示学习
- 针对 VAR 的 residual 特征聚合增强早期尺度语义建模
- 在更少 epoch 与更小参数下显著优于 dense VAR 基线
StochasT: Learning with Stochastic Turn Depth for Visual Instruction Tuning（在新窗口打开）
用随机轮深聚合同图多语言任务，缓解多轮训练与单轮评测失配及注意力衰减。
- StochasT 随机分组同图任务轮深且保留顺序，不丢弃数据
- 基于 Balanced Latin Square 的上下文依赖鲁棒评测
- 单轮与多轮场景能力更均衡
AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation（在新窗口打开）
为视觉运动策略提供阶段自适应速度框架，无速度标注即可缩短任务时间并提高成功率。
- 提出与模型无关的 AutoSpeed，使策略预测阶段自适应运动速度
- 用 DCT 频域调制实现平滑非整数速度缩放与运动连续
- 以预测误差与预测 horizon 的复合代价选择最优速度候选
Enhancing Flow Matching with A Unified Guidance Framework for Efficient and Robust Speech Synthesis（在新窗口打开）
统一数据与模型引导改进语音 Flow Matching，推理约快三倍并减轻音色泄露。
- 异质增强的数据引导促进语言内容与声学残差解耦
- 轨迹 rectification 与内在引导蒸馏条件知识并消除 CFG 开销
- 在 SOTA 基线上加速推理并提升说话人相似度
AdaBoosting Text Prompts for Vision-Language Models（在新窗口打开）
TPB 以 AdaBoost 思路串联弱文本提示分类器，聚焦难例，十一数据集上提升并可跨模型迁移。
- 显式针对误分类样本构造序列集成文本提示
- 保留任务内在、模型无关的文本空间线索
- 迁移至更大 VLM 时仍保持 few-shot 增益
LongVQUBench: Benchmarking Long-Term Video Quality Understanding of Vision-Language Models（在新窗口打开）
发布含 1200+ 视频与分层问答的长期视频质量理解基准，显示 LVLM 随长度与推理深度性能显著下降。
- 构建覆盖多源内容的长视频质量理解基准 LongVQUBench
- 设计 LQU/CQR/GQU 三级评估及 NDQA 细粒度探测范式
- 对 14 个 LVLM 实验揭示长程时序整合与感知归因能力不足
Information-Regularized Attention for Visual-Centric Reasoning（在新窗口打开）
IRA 随机注意力显式调节中间层注入的视觉信息量，缓解幻觉、弱 grounding 与指令微调遗忘。
- 提出 IRA，将视觉表示不确定性转化为层内独立局部噪声以正则信息注入
- 嵌入分析显示更平滑曲率轨迹并抑制各层 attention-sink
- 表明随机注意力是生成式 VLM 表征学习的关键环节而非单纯正则
Vitality-Aware Compression for Efficient Image-to-Shape Diffusion Transformers（在新窗口打开）
针对 image-to-shape DiT 的几何感知压缩，模型体积最多减约 66% 且几何保真接近全尺寸模型。
- 首个面向 image-to-shape DiT 的压缩框架，兼顾几何 fidelity
- 生命力引导的结构化剪枝、自适应量化与 targeted 微调
- 可作为 plug-and-play 方案用于多种 SOTA image-to-3D 模型
Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments（在新窗口打开）
提出 MuSix：按经验距离做尺度感知路由与差异化遗忘，提升多尺度推理与动态适应。
- 两阶段路由将经验距离映射到连续尺度并选世界模型
- 尺度相关遗忘率与门控跨尺度迁移实现分层知识演化
- 在 EmbodiedBench 与 HAZARD 上优于 SOTA 基线
Can Agents Generalize to the Open World? Unveiling the Fragility of Static Training in Tool Use（在新窗口打开）
形式化开放世界工具智能体问题，沙盒实验显示 SFT/RL 在环境偏移下退化，并提出扰动增强微调。
- 定义 OpenAgent 开放世界工具使用设定及查询/动作/观测/域分布偏移
- 构建四层环境偏移沙盒并系统评估 SFT 与 RL 的泛化退化
- 提出 Perturbation-Augmented Fine-Tuning 以提升开放环境鲁棒性
HyFL-CLIP: Hyperbolic Fine-Tuning of CLIP for Robust Long-Context Understanding（在新窗口打开）
双曲空间跨流形相似度蒸馏增强 CLIP 长上下文与文本扰动下的图文对齐与检索。
- HyFL-CLIP 用双曲几何建模层次与蕴含，缓解欧氏对比的严格一对一匹配局限
- Einstein midpoint 聚合链接摘要、长描述、短成分与图像的 part-whole 关系
- 多基准上长上下文与扰动检索更稳健，并可接入 SDXL 等框架
AV-SyncBench: Decoupled Benchmarking of Temporal and Semantic Audio-Visual Synchronization（在新窗口打开）
首个将时序偏移与语义匹配分开评测的基准，3269 视频与五类代表模型对齐质量评估。
- 时序与语义维度完全解耦的评测协议
- 覆盖 Voice/Music/Sound 十场景五挑战任务
- 自动筛选与人工校验保证屏上声源
Identifying and Resolving Pitfalls of Knowledge-Based VQA Benchmarks: Auditing, Repairing, and Augmenting（在新窗口打开）
审计 KB-VQA 基准缺陷，提出修复与多实体增强协议，修正评测后模型排序与能力判断明显变化。
- 揭示现有 KB-VQA 基准在答案可推导性、问题约束与视觉消歧上的系统性问题
- 提出审计—修复协议及多实体增强以引入视觉歧义
- 在修正与增强设定下重评，呼吁以可验证推理为核心的评测设计
VLM-AR3L: Vision-Language Models for Absolute and Relative Rewards in Reinforcement Learning（在新窗口打开）
用 VLM 从偏好标注学习绝对与相对奖励，融合状态评估与逐步比较，优于既有 VLM 奖励方法。
- VLM 结合自然语言目标解释观测并生成偏好标签
- 绝对奖励与相对奖励模型互补集成
- 覆盖经典控制、操作与 Minecraft 等开放具身任务
Linguistic Relative Policy Optimization for Video Anomaly Reasoning（在新窗口打开）
LRPO 将多条推理轨迹的组相对语义优势蒸馏为语言先验，无参数更新注入上下文，调优-free 下 SOTA。
- 通用与场景两类异常经验表示
- 异常对齐奖励引导轨迹优化匹配人类风险偏好
- 在 XD-Violence、UCF-Crime、UBnormal 显著优于现有方法
Steal the Patch Size: Adversarially Manipulate Vision-Language Models（在新窗口打开）
黑盒侧信道攻击可恢复部署 VLM 的 patch 大小与预处理流程，并支持预处理感知的对抗操控。
- 利用 ViT 分块边界被抹除导致的周期性精度下降推断 patch 大小
- 通过 padding 与一致性检测区分动态/固定分辨率并恢复 resize 参数
- 在开源与闭源 VLM 上验证泄露并展示模型定向对抗攻击
Automatic Detection of Stress from Speech in the Trier Social Stress Test（在新窗口打开）
50 人 TSST 语音数据上，说话人分离与 ML 模型应激识别显著优于基线，部分预测生理与情感反应。
- 应激与非应激情境的自动语音区分
- 声学韵律特征部分预测生理与情感应激
- 特征重要性分析揭示关键预测因子
Speech Playground: An Interactive Tool for Speech Analysis and Comparison（在新窗口打开）
Python 后端与 Web 前端的交互式语音可视化对比工具，支持多种表示与 forced alignment。
- 统一探索连续、离散与变长语音表示的可视与听觉对比
- 集成 TextGrid、forced alignment 及可配置距离与对齐设置
- 面向语音研究、表示验证与 CAPT 相关实验
没有符合条件的论文。