Layering Virtual Try-On（在新窗口打开）
提出 LVTON 基准与方法，在保留现有穿搭下支持逐层叠穿/脱层，并在传统 VTON 上表现领先。
- 定义分层虚拟试衣任务与 LVTON 基准，区分通用 VTON 先验与叠层逻辑
- 用时尚视频分割与修复流水线合成数据学习形变与身份保持
- 小规模 LVTON 微调学习遮挡与叠层顺序，SOTA 且具零样本泛化
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
2026-07-28 周二共 11 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 4 · 音频 3 · 基础模型 1
- 生成
- 文生图 1图编辑 1视频生成 13D 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 4OCR 0
- 音频
- 音频 3
- 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 11 篇
EgoPlay: Event-Triggered Video Editing for Egocentric Streams（在新窗口打开）
端到端事件触发 V2V 编辑器，在 Ego4D 数据上微调，按「当 X 发生则做 Y」编辑事件后片段并保事件前帧。
- 单模型联合学习事件识别、时序约束与像素级编辑，支持否定与多事件提示
- 构建约 10.6 万条事件触发 clip-prompt 对及事件感知评测协议
- 相对 EgoEdit 与 VLM 检测—编辑级联基线在编辑/视觉/背景一致性上显著提升且省显存
Similarity Is Not Logic: Factored Inference for Dual-Encoder Vision-Language Models（在新窗口打开）
提出无训练 LCSE，在冻结双塔编码器外执行逻辑约束，组合查询检索准确率大幅提升。
- 指出双塔 VLM 相似度接口的 Bag-of-Concepts 效应导致组合约束失败
- 因子化推理分离证据提取与约束执行，引入 LCSE
- 发布 FACTOR-Bench，LCSE 显著优于微调基线且保持检索性能
Auditing Alignment Controllability in LLMs via Political Axes（在新窗口打开）
对 7 个主流 LLM 做提示可控性压力测试，情境 framing 解释大部分政治轴方差，强调需报告 steerability。
- 从单点政治坐标转向 dispersion-first 的系统提示可控性审计框架
- 12 意识形态 persona、多模型大规模实验，量化位移、对称性与饱和
- 澄清基线非居中时 prior 审计结论冲突的几何原因，发布数据与代码
Structured Redundancy Modeling for Efficient Visual Token Pruning in High-Resolution MLLMs（在新窗口打开）
SFPruner 单次前向完成冗余感知 token 选择，显著降低剪枝开销并保留压缩后性能。
- 将视觉 token 剪枝重构为非迭代的 Single-Forward 框架
- 语义引导 ridge leverage 抑制协方差主导方向，方向掩码并行消解重叠
- 在 Qwen2.5-VL 等上把选择耗时从约 112ms 降至约 2.5ms，推理加速明显
To Erase, or Not to Erase: Robust Training-Free Concept Erasure with Preservation aware Adaptive Ranked Subspace Expansion（在新窗口打开）
PARSE 无训练擦除扩散模型中的目标概念，动态发现 erase/retain 概念并扩展子空间，平衡鲁棒性与效用。
- 用 CFG 查询动态发现 target-inducing 与 retain 概念，保效用投影编辑 cross-attention
- 文本反演迭代搜索触发词，自适应扩展擦除子空间避免伤及 retain 语义
- 提出 BEUS 评测鲁棒性与 FID 效用，多概念擦除实验优于多种 CET 基线
Beyond Short Segments : Expanding Speaker Embeddings with Vector Archives（在新窗口打开）
VAM-ECAPA 用可学习向量档案映射短语音特征，在 VoxCeleb1 一秒片段上显著降低 EER。
- 提出 TVAMSP 模块，将短段稀疏特征映射到典型说话人特质向量档案
- 嵌入 WavLM+ECAPA-TDNN 基线，学习更判别性的短 utterance 说话人表示
- VoxCeleb1 上一秒测试 EER 8.334%，相对常规训练基线错误率降约 54.8%
Hybrid Advantage Estimation with Unified Critic for VLM Agentic Reinforcement Learning（在新窗口打开）
HyGAE 用混合 advantage 与统一 critic 联合优化 token 与 turn 级目标，五环境平均成功率约 91%。
- 形式化 token 级与 turn 级优化并推导可同时服务两者的 hybrid advantage
- 证明统一 critic 在合适折扣下可估计两级 value，提出 HyGAE actor-critic
- 五类多轮决策环境评估，平均成功率 91%，较其他方法约提升 10%
UltraViT: Latency-Optimized On-device Vision Encoder for Large Vision-Language Models（在新窗口打开）
按端侧延迟设计金字塔视觉编码器，两阶段生成式预训练，端侧编码速度约快 1.7 倍。
- 宏观块级异构 spatial mixer 的金字塔结构，面向真实端侧延迟优化
- 密集蒸馏 + 冻结 LLM 生成监督的两阶段预训练策略
- 高效 LVLM 编码新 SOTA，显著快于现有以编码器为中心的基线
Looking for Affect in Spontaneous Finnish Speech through Linguistic Interpretability（在新窗口打开）
在新芬兰语情感自发语料上，文本与音频特征联合建模效价与唤醒度的人类感知。
- 系统考察文本与音频特征在效价、唤醒度感知建模中的组合作用
- 联合特征较单模态提升效价回归，唤醒度上互补效应不显著
- 为芬兰语自发语音情感研究提供新数据并与跨语言结论对照
Disentangling Acoustic Cues in Alzheimer's Pathology and Perception: The Roles of Language and Gender（在新窗口打开）
跨普通话与希腊语、男女说话人，对比病理预测与人类感知所用声学特征，揭示群体间对齐差异。
- 同时建模临床 AD 状态与人类感知分数，跨语言与性别子群比较特征重要性
- 发现病理—感知对齐因语境而异，希腊语与男性子群病理模型未超随机
- 强调群体特异性可解释性审计，避免全局 XAI 掩盖人口统计学差异
没有符合条件的论文。