WristMimic: Full-Body Humanoid Control with Wrist-Guided Manipulation（在新窗口打开）
腕部 kinematic 引导全身，手指由物体跟踪与接触结果学习抓取，无需全手 pose 监督。
- 分离无接触身体运动与接触丰富手部操作的腕部引导控制框架
- 腕部复位约束与奖励优先保证交互中可靠腕部位姿
- 匹配或超越全指 pose 监督，并支持跨手型的 finger-agnostic retargeting
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
2026-07-08 周三共 8 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 2 · 音频 3 · 基础模型 1
- 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 2OCR 0
- 音频
- 音频 3
- 基础模型
- LLM 0统一多模态 1
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 8 篇
ELSA3D: Elastic Semantic Anchoring for Unified 3D Understanding and Generation（在新窗口打开）
ELSA3D 用尺度感知 octree 与 Anchor Tokens 稀疏对齐文本与几何，统一生成与 caption。
- 弹性语义锚定：Anchor Tokens 按尺度路由跨模态语义与几何证据
- 尺度感知 octree 分词与 per-block router 使推理与计算弹性化
- 图生 3D、文生 3D 与 3D caption 达 SOTA 并显著降 FLOPs 与延迟
RoboTALES: Learning Reasoning-Guided Robot Policies via Task-Aligned Simulated Futures（在新窗口打开）
用 LLM 规划子目标、VLM 评判想象未来，对齐视频生成并训练机器人操作策略。
- 单阶段框架学习 task-aligned 仿真未来并抽取机器人策略
- 层次 LLM 规划子目标引导想象，VLM critic 奖励反馈约束表示
- RoboCasa 与 LIBERO10 上优于现有方法，长时程任务更明显
SpaR3D-MoE: Adaptive 3D Spatial Reasoning from Sparse Views Meets Geometry-Inductive Mixture-of-Experts（在新窗口打开）
稀疏 RGB 输入下，时空流形采样与几何 MoE 路由增强 MLLM 的 3D 空间推理能力。
- 自适应时空流形采样构建几何图并提取关键帧
- 指令-位姿感知 router 驱动的异构几何归纳 MoE 缓解模态争用
- VSI-Bench、ScanQA、SQA3D 上达 SOTA，VSI-Bench 平均 63.5
InsideSSL: Understanding Self-Supervised Speech Representations using a Model-Centric Perspective（在新窗口打开）
InsideSSL 从压缩、几何与扰动鲁棒性分析 SSL 语音模型层间动态与跨层迁移。
- 任务无关的逐层压缩、曲率与扰动鲁棒性分析框架
- 跨层 Generative Compatibility Matrix 刻画音系核心与语义剪枝
- 线性探测连接层拓扑与音素、基频、说话人编码
TriA Pipeline: A Large-Scale Automatic Audio Annotation Pipeline For Audio Classification In Specific Scenarios（在新窗口打开）
TriA 流水线将多场景音频自动转为事件标注训练数据，构建超 2130 小时 TriA 数据集。
- 提出 TriA 自动音频标注流水线生成高质量事件标注
- 构建覆盖 431 类、2130+ 小时的 TriA 数据集
- TriA_GK 子集在家居分类任务上相对提升准确率与 Macro-F1
Umm... With Transformers? Insights from Filled Pause Use across Four Slavic Parliaments（在新窗口打开）
用 Transformer 检测四国议会约四千小时语音中的填充停顿，并建模社会语言学因素。
- 跨四种斯拉夫语的大规模议会自发语音填充停顿分析
- Transformer 自动检测填充停顿并配合 GEE 分离说话人内外效应
- 揭示情感与填充停顿率稳定正相关及性别效应的语言特异性
Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective（在新窗口打开）
提出 LanEvil++ 基准评估环境幻象下车道感知，并提出 MIDA 提升 LD 与 ADVLM 鲁棒性。
- 首个面向环境幻象的车道感知鲁棒性基准 LanEvil++
- CARLA 可控场景与 VQA 等大规模评测数据
- 多模态幻象防御 MIDA 显著提升 challenging 条件下表现
没有符合条件的论文。