每日论文 2026-07-23 · PolySight

2026-07-23 周四共 4 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 1 · 音频 2 · 基础模型 0

生成: 文生图 0图编辑 1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 0
理解: VLM 1OCR 0
音频: 音频 2
基础模型: LLM 0统一多模态 0

前一天后一天

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 4 篇

音频P1 顶会INTERSPEECH 2026

Beyond WER: Entity and Disfluency Recall in Accented Conversational ASR（在新窗口打开）

三阶段流水线提升印度、印尼、拉美口音会话 ASR 的实体与 filler 召回并保持较低 WER。

用启发式 SQL 筛选构建实体更稠密的训练数据（约 2.8 倍实体密度）
区域 LoRA 微调 Qwen2.5-Omni-3B，单次前向输出逐字与纠错 transcript
六类错误 taxonomy 与 LLM 评判验证，实体与 filler 召回显著高于基线

音频P1 顶会INTERSPEECH 2025

Layer-Wise Decision Fusion for Fake Audio Detection Using XLS-R（在新窗口打开）

在 XLS-R 各层先独立判别再融合决策，In-the-Wild 跨数据集 EER 达 6.90%。

提出逐层决策融合，避免单层或过早特征融合的信息浪费
在 In-the-Wild 上取得优于强基线的跨数据集检测表现
设计更易解释，便于分析各层对判决的贡献

VLMP1 顶会ECCV 2026

Look Less, Think Faster: Joint Token-Compute Adaptation for Multimodal LLMs（在新窗口打开）

SmartVL 联合控制视觉 token 数量与 LLM 计算量，在预算内自适应分配以降本增效。

提出统一自适应推理框架，协同视觉 token 选择与 LLM 计算调节
用共享预算编码与可微延迟估计器实现端到端联合调度训练
多 benchmark 上较既有自适应方法更优的精度-效率 Pareto 前沿

图编辑P1 顶会ECCV 2026

MTVDiff: Multimodal Conditional Latent Diffusion for Enhanced Thermal-to-Visible Face Translation（在新窗口打开）

用深度与文本引导的多模态潜扩散做热红外到可见光人脸翻译，兼顾画质与身份保持。

提出 DBCAF 模块做多尺度热红外-深度特征提取与融合
设计门控文本-视觉特征对齐以语义引导生成
用 SFT 自适应融合多模态先验并在 MCXFace、SpeakingFaces 上验证