高校专区
经验造就熟练：通过自进化技能记忆实现可泛化的医疗智能体推理
机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 提出SkeMex框架，通过技能记忆实现医疗智能体后部署自进化，无需更新模型权重，在临床任务中优于现有记忆型智能体。
新时代的视觉生成：从原子映射到智能世界建模的演进
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； University of Waterloo（滑铁卢大学） ； StepFun ； MiroMind ； Baidu（百度） ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； LMMs-Lab（LMMs实验室）
AI总结 提出五级分类法（原子生成、条件生成、上下文生成、智能生成、世界建模生成），分析流匹配、统一理解与生成模型等关键技术，并指出现有评估高估感知质量而忽视结构、时序和因果缺陷。
Comments Project Page: https://github.com/EvolvingLMMs-Lab/Evolving-Visual-Generation
3D高斯泼溅应用综述：分割、编辑与生成
机构 * Shanghai University of Finance and Economics（上海财经大学） ； University College London（伦敦大学学院） ； Xiamen University（厦门大学） ； Fudan University（复旦大学）
AI总结 综述3D高斯泼溅在分割、编辑和生成三大任务中的应用，总结代表性方法、监督策略和学习范式，并分析公共基准上的比较结果。
Comments IEEE TPAMI, GitHub Repo: https://github.com/heshuting555/Awesome-3DGS-Applications
Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026
DiverseDiT：扩散Transformer中的多样化表示学习
机构 * Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 通过分析扩散Transformer的表示动力学，发现块间表示多样性是关键，提出DiverseDiT框架，利用长残差连接和多样性损失促进多样特征学习，在ImageNet上提升性能并加速收敛。
Comments Accepted in CVPR 2026, GitHub Code: https://github.com/kobeshegu/DiverseDiT, Project Page: https://forevermamba.work/projects/DiverseDiT/
计算机视觉中的推理：分类、模型、任务与方法论
机构 * Department of Computer Science and Engineering, Birbhum Institute of Engineering and Technology（计算机科学与工程系，比罗尔理工学院） ； College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学） ； Faculty of Computer Science and Information Technology, Universiti Malaya（计算机科学与信息技术学院，马来亚大学）
AI总结 本文对计算机视觉中的推理进行系统分类，涵盖关系、符号、时间、因果和常识推理，并综述了从图模型到多模态大语言模型的实现方法及评估协议，指出开放挑战并设定未来研究方向。
RIDGECUT：基于环与楔形结构的图分割学习
机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Data Science（计算机科学与人工智能学院，上海数据科学重点实验室） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； PayPal Inc.（PayPal公司） ； Center for AI Safety（人工智能安全中心） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·卡西姆大学） ； Computing and Mathematical Sciences (CMS) Division（计算与数学科学（CMS）部门） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学（MBZUAI）） ； Fudan University（复旦大学）
AI总结 提出RidgeCut框架，通过将动作空间约束为环与楔形结构，利用强化学习解决归一化割问题，在交通网络上实现结构感知分割，降低归一化割值并展现强泛化能力。
Comments Extended version of the paper accepted at KDD 2026
DynNPC：通过动态NPC行为生成在仿真测试中发现更多由ADS引发的违规
机构 * College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学）
AI总结 提出DynNPC框架，让NPC车辆在仿真执行中根据交通信号和自车行为动态生成驾驶策略，以生成更多由自动驾驶系统（ADS）引发的违规场景，提升测试效率。
Comments Accepted by TOSEM 2026
通过标签精炼和阈值调整实现不平衡半监督学习
机构 * College of Biomedical Engineering, Fudan University, Shanghai, China（复旦大学生物医学工程学院，上海，中国） ； FMRIB Centre, Oxford Centre for Integrative Neuroimaging (OxCIN), University of Oxford, Oxford, UK（牛津大学FMRIB研究中心，牛津大学整合神经影像中心（OxCIN），牛津，英国） ； School of Computer Science, University of Sheffield, Sheffield, UK（谢菲尔德大学计算机科学学院，谢菲尔德，英国） ； Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学工程科学系，牛津，英国）
AI总结 针对半监督学习在类别不平衡数据上性能下降的问题，提出SEVAL框架，通过从类别平衡的子集学习标签精炼和阈值调整参数，联合优化生成更准确的伪标签，在多种不平衡场景下超越现有方法。
Comments Accepted by Transactions on Machine Learning Research
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