WeSep: A Modular and Cue-Composable Framework for Target Speaker Extraction（在新窗口打开）
将 TSE 统一为异构线索条件学习，线索模块与分离骨干解耦，支持多模态线索灵活注入与组合。
- 提出 WeSep，以标准化接口解耦线索模块与分离骨干，实现可配置的线索注入
- 在统一优化框架下系统研究线索结构、模态内外交互及动态线索可用性
- 在注册、空间、视觉与文本等线索上实验，展示异构线索下的稳定优化与模态相关特性
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
2026-07-31 周五共 2 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 1 · 音频 1 · 基础模型 0
- 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 0
- 理解
- VLM 1OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 0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 2 篇
ReToken: Improving Long-Context VLMs with Visual Retrieval Token（在新窗口打开）
单个可学习嵌入从 VLM 内部表示检索相关视觉 token，无需独立检索器，提升长图与长视频问答。
- 提出 RETOKEN，在已填充 KV cache 内从 VLM 表示中提取检索信号并选取 query 相关视觉 token
- 无需单独检索器或重编码，在回答 VLM 内完成检索；训练数据规模小仍泛化到图像与视频基准
- 轻量设计使训练与长视频推理可在单卡 H100 完成，Visual Haystacks 与 LVBench 上显著提升基座 VLM
没有符合条件的论文。