高校专区
多域现实世界面部伪造检测的 sanity 检查
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Wuhan University（武汉大学） ； Stanford University（斯坦福大学）
AI总结 本文提出多域现实世界面部伪造检测范式，通过DevDet框架提升真实伪造区分能力，实现在无域指定条件下的准确判断。
Omni-AutoThink: 通过强化学习实现自适应多模态推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； Meituan（美团）
AI总结 Omni-AutoThink通过强化学习实现自适应多模态推理，提升模型在不同任务难度下的推理能力。
基于组等价偏好的多编程语言理解的在线优化
机构 * The Chinese University of Hong Kong（香港中文大学） ； ChatEDA Tech（ChatEDA科技）
AI总结 本文提出OORL框架和GEPO方法，通过代码翻译任务提升LLMs对多编程语言代码功能的理解和跨语言关系的认知。
通过图模式分析实现可解释的图表示学习
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（数据科学学院，香港中文大学（深圳）） ； Shenzhen Research Institute of Big Data（深圳大数据研究院）
AI总结 本文提出PXGL-GNN框架，通过图模式分析实现图表示的可解释性，解决了传统方法在节点特征忽略和高维问题上的局限。
Comments Full version with appendix of the paper published in the Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence (IJCAI-25), Main Track
Journal ref Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence (IJCAI-25), Main Track, pages 3426-3434, 2025
SpaceMind: 基于摄像头引导的模态融合用于视觉-语言模型中的空间推理
机构 * Huawei（华为） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The University of Hong Kong（香港大学）
AI总结 SpaceMind通过摄像头引导的模态融合方法，提升视觉-语言模型在空间推理任务中的性能。
MelTok：单代码本音频压缩的2D分token化
机构 * International Digital Economy Academy (IDEA)（国际数字经济学院） ； Chinese University of Hong Kong（香港中文大学） ； Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院）
AI总结 MelTok通过二维分token化和基于分token的vocoder，实现单代码本下的高效音频压缩与高质量重建。
Comments 11 pages, 6 figures
一种用于肽功能识别的通用语言模型
机构 * School of Mathematics and Statistics, Lanzhou University（兰州大学数学与统计学学院） ； Department of Computer Science, City University of Hong Kong（城市大学计算机科学系） ； Shanghai Innovation Institute（上海创新研究院） ； New Laboratory of Pattern Recognition (NLPR), State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), Institute of Automation, Chinese Academy of Sciences (CASIA)（模式识别新实验室、多模态人工智能系统国家重点实验室、自动化研究所、中国科学院） ； Department of Mathematics, The Chinese University of Hong Kong（香港中文大学数学系） ； Cuiying Honors College, Lanzhou University（崔莹荣誉学院，兰州大学） ； Department of Mathematics, Harbin Engineering University（哈尔滨工程大学数学系）
AI总结 PDeepPP是一种整合预训练蛋白质语言模型与混合Transformer-CNN架构的通用语言模型，用于高效识别多种肽类和PTM位点，实现高精度和可解释的肽表示。
Comments 15 pages, 5 figures, 3 tables, submitted to arXiv
SELF：一种用于LLM指纹识别的鲁棒奇异值和特征值方法
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 SELF通过奇异值和特征值分解LLM注意力权重，提出一种鲁棒的指纹识别方法，有效抵御虚假声明和权重操纵，提升知识产权保护能力。
一种基于学习的过渡VTOL无人机控制方法
机构 * The School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； The Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
AI总结 本文提出基于强化学习的VTOL无人机过渡控制方法，通过将巡航模式视为悬停模式的特殊情况，实现更高效的控制器开发和更精确的轨迹跟踪，减少过渡过程中的振动。
BookRAG: 一种面向复杂文档的基于层次结构的索引方法用于检索增强生成
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 BookRAG通过构建层次化索引结构，提升复杂文档在问答任务中的检索与生成性能。
LATTICE：大规模实现高保真3D生成
机构 * MMLab, CUHK（CUHK人工智能实验室） ； Tencent Hunyuan（腾讯文言）
AI总结 LATTICE通过VoxSet半结构化表示实现高效高保真3D生成，支持任意分辨率解码和灵活推理，达到最先进的性能。
Comments Technical Report
CoHear：通过多耳机协作提升对话
机构 * The Chinese University of Hong Kong（香港中文大学）
AI总结 CoHear通过多耳机协作提升对话质量，采用对话驱动网络协议和稳健的目标对话提取模型，实现高准确率和实时语音增强。
Comments Submitted to IMWUT
SATORI-R1: 通过显式视觉锚定激励多模态推理
机构 * Huazhong University of Science and Technology（华中科技大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 SATORI-R1通过显式视觉锚定提升多模态推理，采用三个可验证阶段和VQA-Verify数据集，在VQA任务中实现15.7%的准确率提升。
Comments 21 pages, 8 figures
Pan-LUT：通过可学习的查找表实现高效的全景锐化
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（教育部多媒体可信感知与高效计算重点实验室，厦门大学） ； ByteDance（字节跳动） ； The Chinese University of Hong Kong（香港中文大学） ； Duke University（杜克大学） ； University of Washington（华盛顿大学）
AI总结 Pan-LUT通过可学习的查找表实现高效全景锐化，适用于大遥感图像，兼具高性能与低计算开销。
MagicQuillV2: 基于分层视觉提示的精确交互式图像编辑
机构 * HKUST（香港科技大学） ； Ant Group（蚂蚁集团） ； NEU（南京大学） ； ZJU（浙江大学） ； CUHK（香港中文大学）
AI总结 MagicQuillV2通过分层视觉提示实现精确交互式图像编辑，解决传统生成模型与图形软件间的控制与语义平衡问题。
Comments Code and demo available at https://magicquill.art/v2/
MultiShotMaster: 一种可控的多镜头视频生成框架
机构 * Dalian University of Technology（大连理工大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 MultiShotMaster通过引入两种新型RoPE变体和自动化数据标注管道，实现多镜头视频的灵活生成与可控性。
Comments Project Page: https://qinghew.github.io/MultiShotMaster
ViSAudio：端到端视频驱动的双耳空间音频生成
机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Stanford University（斯坦福大学） ； Beihang University（北航） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 ViSAudio通过端到端双耳空间音频生成框架，从静音视频直接生成高质量空间音频，提升空间沉浸感和适应性。
RoboWheel: 从现实世界人类示范数据中提取的机器人学习跨形态数据引擎
机构 * Tsinghua University（清华大学） ； Synapath ； CUHK（香港中文大学） ； HKU（香港大学） ； PolyU
AI总结 RoboWheel通过高精度HOI重建和强化学习优化，将现实世界人类示范转化为跨形态机器人学习的有效数据，提供轻量级、通用的运动表示，提升机器人学习性能。
Comments 27 Pages, 21 figures
生成式多模态反馈用于歌唱语音合成评估
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Columbia University（哥伦比亚大学） ； Dalian University of Technology（大连理工大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出生成式多模态反馈框架，通过音频-语言模型生成多维语言和音频反馈，提升歌唱语音合成评估的准确性和可解释性。
Comments 16 pages, 5 figures
VibOmni: 向耳戴设备的可扩展骨传导语音增强迈进
机构 * department of information engineering, The Chinese University of Hong Kong（信息工程系，香港中文大学）
AI总结 VibOmni通过骨传导振动与音频融合，提升耳戴设备在嘈杂环境中的语音质量与噪声抑制能力。
Comments Submitted to TMC
UCAgents: 视觉证据锚定的多智能体医学决策收敛
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 UCAgents通过结构化证据审计和单向收敛机制，在医疗视觉问答中提升准确率并降低计算成本，平衡视觉证据揭示与文本干扰避免。
在野外检测任意3D对象
机构 * OpenDriveLab at Shanghai AI Laboratory（上海人工智能实验室开放驾驶实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； CUHK MMLab（香港大学多模态实验室） ； Tsinghua University（清华大学） ； GAC R&D Center（广汽研发中心）
AI总结 DetAny3D通过结合2D基础模型知识和3D解释器，实现了在任意相机配置下检测任意新物体的3D检测基础模型。
ManualVLA: 一种统一的VLA模型用于链式思维手动生成和机器人操作
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Simplexity Robotics Project（Simplexity机器人项目）
AI总结 ManualVLA通过融合多模态手册生成与动作执行，提升机器人长周期任务中的规划与操作能力。
扩散模型的无维误差估计与最优调度
机构 * Google DeepMind（谷歌DeepMind） ； Université Paris Saclay（巴黎萨克雷大学） ； Université Evry - Paris Saclay（埃夫里-巴黎萨克雷大学） ； Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出了一种无维误差界，用于评估扩散模型生成与真实数据分布的差异，并通过变分问题推导出最优时间调度策略以减少离散化误差。
CaliTex: 用于视图一致3D纹理生成的几何校准注意力
机构 * PKU（北京大学） ； HKUST（香港科技大学） ； CUHK(SZ)（香港中文大学（深圳）） ； HKU（香港大学） ； LIGHTSPEED
AI总结 CaliTex通过几何校准注意力机制，解决3D纹理生成中的跨视图不一致问题，提升纹理的视图一致性与生成质量。
BackportBench: 一种多语言的自动化补丁回退基准测试
机构 * The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳））
AI总结 BackportBench是一个多语言基准测试，用于评估自动化补丁回退技术，展示了代理方法在处理复杂补丁回退任务中的优越性。
Comments Under review
Tangram: 通过GPU内存重用和亲和力加速无服务器LLM加载
机构 * Shandong University（山东大学） ； The Chinese University of Hong Kong（香港中文大学） ； Indiana University Bloomington（印第安纳大学布卢明顿分校）
AI总结 Tangram通过GPU内存重用和亲和力调度技术，显著提升无服务器LLM的加载速度和冷启动性能
为人类oid像素到动作策略转移打开仿真到现实的大门
机构 * NVIDIA ； UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； CUHK（香港中文大学）
AI总结 本文提出了一种基于教师-学生-Bootstrap框架的人形机器人仿真到现实策略转移方法，通过分阶段重置探索策略和GRPO微调程序，实现了在多样化可动物体交互任务中的高效零样本性能。
Comments https://doorman-humanoid.github.io/
RealGen：通过检测器引导的奖励实现逼真文本到图像生成
机构 * Shanghai AI Lab（上海人工智能实验室） ； Sun Yat-Sen University（中山大学） ； Nanjing University（南京大学） ； CUHK MMLab（香港中文大学多模态实验室） ； Tsinghua University（清华大学） ； Peking University（北京大学）
AI总结 RealGen通过检测器引导的奖励机制提升文本到图像生成的真实感和细节，优于现有模型。
SpeechJudge: 向人类水平的语音自然度判断迈进
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 SpeechJudge通过构建大规模人类反馈数据集和生成奖励模型，提升语音自然度判断的准确性，显著优于现有方法。
Comments Dataset, Model, and Code: https://github.com/AmphionTeam/SpeechJudge
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈