Learning to Move Before Learning to Do: Task-Agnostic pretraining for VLAs（在新窗口打开）
将运动能力与语义对齐解耦，用逆动力学自监督预训练 motor prior，少量标注即可接近大规模行为克隆。
- 提出分解假设：物理能力与语义对齐仅需后者依赖语言监督
- 设计 TAP 两阶段框架，从无标注交互数据学习可迁移运动先验
- SIMPLER 上少数量专家数据匹配百万级轨迹训练；真机扰动下鲁棒性显著优于基线
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
2026-07-03 周五共 22 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 6 · 理解 6 · 音频 6 · 基础模型 1
- 生成
- 文生图 0图编辑 1视频生成 13D 生成 1
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 2具身智能 4
- 理解
- VLM 6OCR 0
- 音频
- 音频 6
- 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 22 篇
Teaching Vision-Language-Action Models What to See and Where to Look（在新窗口打开）
DriveTeach-VLA 用驾驶视觉蒸馏与 2D 轨迹引导 prompt，在 NAVSIM 与 nuScenes 上达到 SOTA。
- DVD 向视觉编码器注入驾驶感知先验，弥补文本 VQA 训练的空间缺失
- 2D-TGP 提供与可行轨迹对齐的空间条件，串联 SFT 与 GRPO
- 形成「看什么—看哪里—如何行动」的视觉引导 VLA 训练流水线
PixGS: Pixel-Space Diffusion for Direct 3D Gaussian Splat Generation（在新窗口打开）
单阶段像素空间扩散直接在 splat 属性去噪生成 3DGS，融合法线深度等监督，A100 上约 1s 推理。
- 绕过 latent 压缩，利用像素空间扩散与 2D 生成先验直接生成 3DGS
- 逐步去噪 Gaussian 属性，实现 appearance 与 geometry 的 splat 级正则
- 综合法线、深度与高频结构监督策略
Disentangling Pictorial Cue Understanding from Language Bias in VLMs via Depth Ordering Task（在新窗口打开）
用 Odd-One-Out 深度任务与 O3-D 数据集评测 12 个 VLM，深度排序准确率接近随机且语言偏置显著。
- 控制单幅深度线索与指代表达，分离视觉与语言对深度判断的影响
- 提出量化视觉-语言敏感度的指标，发布 O3-D（37K 图、147K 问答对）
- CoT 与 ICL 几乎不提升深度理解，提示静态图像数据可能不足
Wavelet-Guided Semantic Signal Compensation for Inversion-Free Image Editing（在新窗口打开）
针对无反演编辑早期全局属性难改的问题，用小波频域语义补偿增强全局编辑并保持背景。
- 分析 FlowEdit 类方法在高噪声阶段文本条件信号被流形寻求主导削弱的现象
- 提出无反演、频域感知的语义信号补偿策略
- 在提升全局编辑能力的同时保持背景结构一致性
RT-Tango: Real-Time Distributed Binaural Speech Enhancement for Low-Power Hearing Aid Devices（在新窗口打开）
RT-Tango 为助听器设计分布式双耳增强，低 MAC、延迟可至 8ms，增强效果与现有方案相当。
- 两阶段分布式架构：ERB 特征压缩、轻量分组 RNN 掩码、时间稀疏化
- 非对称 STFT 与因果 RNN 解耦谱分辨率与算法延迟
- 面向资源受限平台的流式实时双耳增强
ReQuest: Rethinking-based Question-Aware Frame Selection for Long-Form Video QA（在新窗口打开）
plug-and-play 的不确定性驱动关键帧选择，在不改 MLLM 下提升 Video-MME 等长视频 QA 准确率。
- 轻量问题感知选择器，蒸馏自 MLLM 监督
- Re-thinking Routing 在不确定时按长度自适应追加推理
- 不确定性引导自适应 NMS，按题目难度调节帧间距与时序多样性
CoFL-S: Spatially Queryable Sector Flow Fields for Local Language-Conditioned Navigation（在新窗口打开）
CoFL-S 预测局部可见扇区的语言条件流场并 rollout 连续轨迹，连续时间 Habitat 基准与零样本真实闭环优于基线。
- 低层 VLA：语言条件扇区流场与连续轨迹 rollout
- 将 VLN-CE episode 转为帧级局部监督与子指令对齐
- 连续时间 Habitat 基准隔离低层接口，支持不同 planner 频率闭环比较
Towards Robustness against Typographic Attack with Training-free Concept Localization（在新窗口打开）
免训练机制可解释方法定位 ViT 中编码词面信息的回路，干预后显著缓解 CLIP/LVLM 的 TA 脆弱性。
- 对 CLIP 视觉编码器 typographic attack 失败模式做采样解释与注意力头语义/词面归因
- 通过概率分析与 circuit mining 隔离过度编码词面信息的 ViT 组件
- 免训练干预优于多种防御，并提升多 LVLM 在 RIO-Bench TA 下 VQA 表现
Anti-Prompt: Image Protection against Text-Guided Image-to-Video Generation（在新窗口打开）
向图像加不可见扰动，削弱 I2V 对文本条件的依赖，使生成出现明显结构与一致性失败。
- 利用 I2V 强依赖文本引导，去噪中削弱文本通路、强化纯视觉通路
- 提出 Video-LLM 辅助评测协议，对 artifact 做可解释逐帧分析
- 在两种 I2V 架构上展示强保护效果与跨模型可迁移性
Path-level Hindsight Instructions for Semantic Exploration in Vision-Language Navigation（在新窗口打开）
提出 Phi-Nav，用路径级 hindsight 指令对齐 on-policy 探索轨迹与语言监督，在 R2R-CE/RxR-CE 上少样本表现有竞争力。
- 三阶段双监督：oracle 引导探索、hindsight speaker 合成路径指令、二次模仿学习
- 缓解 on-policy 探索中视觉流与原始指令的语义错配
- 在 R2R-CE 与 RxR-CE 上仅用少量专家演示达到有竞争力性能
Cross Domain Few-Shot Class-Incremental Audio Classification Via Adversarial Contrastive Learning（在新窗口打开）
针对基类与增量类存在域偏移的跨域 FCAC，用对抗对比训练提升未见域上的分类精度。
- 形式化跨域小样本类增量音频分类（Cross Domain FCAC）问题
- 提出对抗对比训练策略，编码器基类阶段训练、增量阶段冻结
- 在六组跨域数据集对上平均精度优于现有方法
LMPAN: A Lightweight Multi-Path Alignment Network for Joint Full-Duplex Acoustic Echo Cancellation and Noise Suppression（在新窗口打开）
LMPAN 约 480K 参数、126 MACs，设备端联合 AEC 与 NS，性能可比 DeepVQE-S 且可实时推理。
- 多路径对齐校正参考、LAEC 与麦克风信号的时序与能量失配
- 注意力机制动态融合增强 LAEC 与麦克风特征
- 两阶段训练结合自监督表示提升感知质量
Quantifying the Uncertainty of Blindly Estimated Room Embeddings Using a Dispersion-Calibrated Score（在新窗口打开）
从无监督混响语音学习抗内容变化的房间嵌入，并用离散度校准的不确定性分数支持选择性预测。
- 嵌入锚定结构化 RIR 潜空间，KL 对齐与多正样本对比提升鲁棒性
- 轻量 uncertainty head 用 corruption 嵌入离散度校准，秩损失优化
- 推理单条 utterance 即可，在波形与谱图 corruption 下与离散度一致
SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video（在新窗口打开）
扩展 SpaceEra 为 SpaceEra++，用 ScenePick 采样与 SpaceAlign 空间约束提升 VLM 从扫描视频做 3D 空间推理。
- ScenePick 帧采样策略，平衡空间覆盖与物体语义
- SpaceAlign 联合绝对坐标与相对关系强化 pairwise 空间约束
- 覆盖数据构建、训练与推理的完整 spatial reasoning 系统
Reasoning LLM Improves Speaker Recognition in Long-form TV Dramas（在新窗口打开）
发布 DramaSR-532K 基准，用推理大模型多模态工具聚合证据，显著优于基线尤其短句场景。
- 构建含 532K 台词、900+ 角色的 DramaSR-532K 多模态说话人识别基准
- 提出 DramaSR-LRM，基于推理模型自主调用工具融合视听语言证据
- 在短 utterance 等声学生物特征不可靠场景相对基线提升明显
Towards a Phonology-Informed Evaluation of Multilingual TTS（在新窗口打开）
提出基于分类器的音系忠实度审计框架，在阿萨姆语 ATR 和谐上揭示 MMS TTS 与人类发音差异。
- 用人类语音训练分类器审计 TTS 是否符合语言特定音系模式
- 在 Assamese ATR 上展示 intended 与 produced phonology 的 gap
- 可推广至其他有可测声学 cues 的音系对比
MapDreamer: Aerial Imagery Conditioned Latent Diffusion for Lane-Level Map Generation（在新窗口打开）
从单张航拍图用潜扩散生成带拓扑的车道矢量 HD 地图，并支持滑窗拼接城尺度图。
- VAE 编码车道中心线与拓扑，Transformer 潜扩散预测图结构
- 交叉注意力注入航拍特征，车道数可变模块与 ghost lane 防 slot 坍缩
- 滑窗全局图聚合，在 UrbanLaneGraph 上几何与拓扑优于非生成基线
Audio-Based Understanding of Audiobook Narration Appeal（在新窗口打开）
从 LibriVox 提取声学特征，分析其与收听消费及体裁、书名等因素的关系。
- 系统研究 narration 音质与有声书吸引力及体裁、书名的关联
- 用预训练音频模型提取 vocal/acoustic 特征并与 view-rate 等消费数据关联分析
- 在专有 engagement 指标上验证声学信息与吸引力的稳健关联
InterCMDM: Block-Causal Diffusion for Autoregressive Human Interaction Generation（在新窗口打开）
块因果潜扩散与双流因果 Transformer，文本条件生成双人交互动作，在 InterHuman/Inter-X 上 SOTA。
- 每人独立因果流，统一双流注意力与多任务 mask 建模人际协调
- 训练覆盖多种 mask 配置，推理时选 mask 可控生成协调模式
- 块级扩散目标支持长序列 latent rollout，减轻时序漂移
ICDepth: Taming Video Diffusion Models for Video Depth Estimation via In-Context Conditioning（在新窗口打开）
将预训练 T2V 扩散 Transformer 经 ICC 适配为视频深度估计，0.8M 帧训练即 SOTA 且零样本泛化强。
- SAND-Attention 共享 RoPE 对齐时空并单向注意力防噪声污染
- SRFM 注入 DINOv2 语义与分辨率先验提升几何精度
- 相较同类生成式方法数据量约 6–13 倍更少仍达多基准 SOTA
Probing Chemical Language Models: Effects of Pre-training and Fine-tuning（在新窗口打开）
系统 probe 八个预训练与六个随机初始化 CLM 的 78 种分子子结构编码及微调对表示的影响。
- 在多种 CLM 上 probe 分子子结构感知随层与预训练的变化
- 发现随机初始化模型首层已较好编码环结构
- 微调对任务相关子结构改变大于其他子结构，符合化学理论
没有符合条件的论文。