VideoSSM: Autoregressive Long Video Generation with Hybrid State-Space Memory
VideoSSM：基于混合状态-空间记忆的自回归长视频生成
机构 * HKU（香港大学） ； PICO, ByteDance（字节跳动PICO） ； SUSTech（南方科技大学）
AI总结 VideoSSM通过结合自回归扩散与混合状态空间记忆，实现了具有全局一致性和运动稳定性的长视频生成，支持提示自适应交互并提升内容多样性。
高校专区
The University of Hong Kong（香港大学）
Machine Phenomenology: A Simple Equation Classifying Fast Radio Bursts
机器现象学：一个简单方程分类快速射电暴
机构 * School of Computer Science, University of South China（南华大学计算机科学学院） ； Department of Physics E. Pancini, University Federico II（费米研究所物理系） ； Key Laboratory of Particle Astrophysics, Institute of High Energy Physics, Chinese Academy of Sciences（中国科学院高能物理研究所粒子天体物理重点实验室） ； School of Mathematics and Physics, University of South China（南华大学数学物理学院） ； The Hong kong Institute for Astronomy and Astrophysics, University of Hong Kong（香港大学天文与天体物理研究所） ； Department of Physics, University of Hong Kong（香港大学物理系） ； Nevada Center for Astrophysics, University of Nevada（内华达大学天文中心） ； School of Physical Science and Technology, Southwest Jiaotong University（西南交通大学物理科学与技术学院）
AI总结 本文提出一个简单方程通过符号回归分类快速射电暴，结合人类物理推理与机器学习发现经验定律。
Comments 19 pages, 9 figures, 3 tables. Submitted to SCIENCE CHINA Physics, Mechanics & Astronomy
SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language Models
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。
Test-time Correction: An Online 3D Detection System via Visual Prompting
测试时校正：通过视觉提示的在线3D检测系统
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； GAC R&D Center（GAC研发中心） ； The University of Hong Kong（香港大学） ； Google（谷歌） ； Koç University（科克大学）
AI总结 本文提出一种通过视觉提示实现在线3D检测的测试时校正系统，旨在提升自动驾驶系统在部署后的实时纠错能力。
PipeFusion: Patch-level Pipeline Parallelism for Diffusion Transformers Inference
PipeFusion: 基于扩散变换器推理的片级流水线并行
机构 * ByteDance（字节跳动） ； HUST（华中科技大学） ； Tencent（腾讯） ； The University of Hong Kong（香港大学）
AI总结 PipeFusion通过片级流水线并行方法，提高扩散变换器推理的效率和性能，适用于大模型如Flux.1。
DGGT: Feedforward 4D Reconstruction of Dynamic Driving Scenes using Unposed Images
DGGT：利用未定位图像实现动态驾驶场景的前馈4D重建
机构 * AIR, Tsinghua University（清华人工智能研究院） ； Xiaomi EV（小米电动车） ； The University of Hong Kong（香港大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 DGGT通过前馈方法实现无姿态动态驾驶场景的4D重建，结合3D高斯地图和轻量级动态头，提升重建速度与性能。
TEXTRIX: Latent Attribute Grid for Native Texture Generation and Beyond
TEXTRIX：用于原生纹理生成及更广泛领域的潜在属性网格
机构 * Nanjing University（南京大学） ； DreamTech ； HKU（香港大学） ； OriginArk
AI总结 TEXTRIX通过构建潜在3D属性网格和稀疏注意力扩散变换器，实现高保真纹理合成及精确3D分割。
Comments Project Page: https://www.neural4d.com/research-page/textrix
DiverseAR: Boosting Diversity in Bitwise Autoregressive Image Generation
DiverseAR: 提升位级自回归图像生成中的多样性
机构 * PRLab, Nanjing University（南京大学PRLab） ； The University of Hong Kong（香港大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Lovart AI ； WeChat, Tencent Inc.（腾讯公司）
AI总结 DiverseAR通过自适应logits分布缩放和能量基生成路径搜索算法，提升位级自回归图像生成的样本多样性，同时保持视觉质量。
Comments 23 pages
RoboWheel: A Data Engine from Real-World Human Demonstrations for Cross-Embodiment Robotic Learning
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
Beyond Confidence: Adaptive and Coherent Decoding for Diffusion Language Models
超越置信度：用于扩散语言模型的自适应与一致解码
机构 * City University of Hong Kong（香港城市大学） ； Huawei Research（华为研究） ； The University of Hong Kong（香港大学）
AI总结 本文提出Coherent Contextual Decoding方法，通过自适应解码策略提升扩散语言模型的生成质量和采样效率。
Chain-of-Ground: Improving GUI Grounding via Iterative Reasoning and Reference Feedback
Chain-of-Ground: 通过迭代推理和参考反馈提升GUI定位
机构 * University College London（伦敦大学学院） ； Chico Future AI Lab（芝加哥未来人工智能实验室） ； The University of Hong Kong（香港大学） ； Princeton University（普林斯顿大学）
AI总结 Chain-of-Ground通过迭代推理和参考反馈提升GUI定位，实现68.4的准确率，并在现实世界界面中表现优异。
CaliTex: Geometry-Calibrated Attention for View-Coherent 3D Texture Generation
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。
The Station: An Open-World Environment for AI-Driven Discovery
The Station：一个面向AI驱动发现的开放世界环境
机构 * DualverseAI ； University of Cambridge（剑桥大学） ； University of Hong Kong（香港大学）
AI总结 STATION是一个开放世界多智能体环境，通过自主科学发现的涌现行为实现AI驱动的科学突破。
Comments 55 pages
Human Decision-making is Susceptible to AI-driven Manipulation
人类决策易受AI驱动的操控
机构 * The CoAI Group, DCST, Institute for Artificial Intelligence, Tsinghua University, Beijing, China（CoAI小组、DCST、人工智能研究所、清华大学、北京中国） ； State Key Laboratory of Brain and Cognitive Sciences, The University of Hong Kong, Hong Kong SAR, China（脑与认知科学国家重点实验室、香港大学、香港特别行政区中国） ； The LIT Group, Department of Computer Science and Engineering, University of Michigan, Ann Arbor（LIT小组、计算机科学与工程系、密歇根大学、安阿伯） ； Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA（保罗·G·阿伦计算机科学与工程学院、华盛顿大学、西雅图华盛顿州美国） ； ANT Group（ANT集团）
AI总结 研究发现人类在金融和情感决策中易受AI操控，操控代理显著提高了用户对隐藏激励的评分，表明需加强伦理监管以保护自主权。
Comments Work in progress
Does Understanding Inform Generation in Unified Multimodal Models? From Analysis to Path Forward
在统一多模态模型中，理解是否会影响生成？从分析到未来路径
机构 * Peking University（北京大学） ； Chongqing University（重庆大学） ； HKU MMLab（香港大学多模态实验室） ； PengCheng Laboratory（鹏城实验室）
AI总结 研究通过UniSandbox分析统一多模态模型中理解与生成之间的差距，发现显式链式思维和自训练方法能有效弥合这一差距，并揭示查询架构的潜在CoT特性。
Confident RAG: Enhancing the Performance of LLMs for Mathematics Question Answering through Multi-Embedding and Confidence Scoring
Confident RAG: 通过多嵌入和置信度评分提升LLM在数学问题回答中的性能
机构 * Faculty of Education, The University of Hong Kong（香港大学教育学院） ； Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学土木与环境工程系）
AI总结 Confident RAG通过多嵌入和置信度评分提升LLM在数学问题回答中的性能，实验表明其在准确率上比普通LLMs和RAG分别提升10%和5%。
PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction
PointNSP: 通过下一尺度细节预测实现自回归3D点云生成
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 PointNSP通过下一尺度细节预测实现自回归3D点云生成，首次在自回归范式中达到最先进的生成质量，并在参数、训练和推理效率上超越扩散基线。
Comments 24 pages; Previously this version appeared as arXiv:2510.05613 which was submitted as a new work by accident
Speech Audio Generation from dynamic MRI via a Knowledge Enhanced Conditional Variational Autoencoder
通过动态MRI生成语音音频的增强知识条件变分自编码器
机构 * Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） ； School of Software Engineering, Xi'an Jiaotong University（西安交通大学软件工程学院） ； Wake Forest University School of Medicine（威克森林大学医学学院） ； Department of Radiology, Harvard Medical School（哈佛医学院放射科）
AI总结 本文提出KE-CVAE方法，通过动态MRI生成语音音频，解决MRI数据损坏和噪声问题，提升语音合成质量。
Hyper-GoalNet: Goal-Conditioned Manipulation Policy Learning with HyperNetworks
Hyper-GoalNet: 基于超网络的目标条件化操纵策略学习
机构 * InfoBodied AI Lab, The University of Hong Kong（信息身体AI实验室，香港大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 Hyper-GoalNet通过超网络生成任务特定策略参数，提升机器人操纵在多样化目标和环境下的鲁棒性与性能。
OccluGaussian: Occlusion-Aware Gaussian Splatting for Large Scene Reconstruction and Rendering
OccluGaussian：面向大场景重建与渲染的遮挡感知高斯点云技术
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） ； The University of Hong Kong（香港大学） ； Huawei Embodied Intelligence Lab（华为具身智能实验室）
AI总结 OccluGaussian通过遮挡感知的场景划分和区域渲染技术，提升大规模场景重建与渲染的质量和效率。
Comments Accepted to ICCV 2025. Project website: https://occlugaussian.github.io
Proxy-Tuning: Tailoring Multimodal Autoregressive Models for Subject-Driven Image Generation
代理调优：为以主题驱动的图像生成定制多模态自回归模型
机构 * University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Nanjing University of Information Science and Technology（南京信息工程大学）
AI总结 本文提出代理调优方法，通过扩散模型增强AR模型在主题驱动图像生成中的能力，揭示了弱到强泛化现象，提升了多主题组合和上下文理解的表现。
Teaching Language Models to Critique via Reinforcement Learning
通过强化学习教学语言模型进行批评
机构 * The University of Hong Kong（香港大学）
AI总结 本文提出CTRL框架，通过强化学习训练批评模型以提升代码生成的准确性和性能，实现迭代改进和误差缓解。
Towards Understanding Transformers in Learning Random Walks
向理解变换器在学习随机游走中的能力
机构 * School of Computing & Data Science, The University of Hong Kong（计算与数据科学学院，香港大学）
AI总结 本文研究了变换器在学习随机游走中的能力和可解释性，证明单层变换器在预测随机游走时能达到最优准确性，并揭示了其可解释性机制。
Comments 45 pages, 13 figures
From Illusion to Intention: Visual Rationale Learning for Vision-Language Reasoning
从幻觉到意图：用于视觉-语言推理的视觉理由学习
机构 * Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； Meituan（美团）
AI总结 本文提出视觉理由学习（ViRL），通过将视觉动作作为核心推理元素，提升视觉-语言推理模型的透明度和可信度。
Comments 19 pages, 15 figures
MICCAI STS 2024 Challenge: Semi-Supervised Instance-Level Tooth Segmentation in Panoramic X-ray and CBCT Images
MICCAI STS 2024挑战：在全景X光和CBCT图像中实现半监督实例级牙齿分割
机构 * Innovation Center for Electronic Design Automation Technology（电子设计自动化技术创新中心） ； School of Cyberspace（网络空间学院） ； Hangzhou Dianzi University（杭州电子科技大学） ； Hangzhou Geriatric Stomatology Hospital（杭州老年牙科医院） ； Shenzhen University（深圳大学） ； Queen Mary University of London（伦敦大学Queen Mary分校） ； Shandong University（山东大学） ； Xidian University（西安电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； The University of Hong Kong（香港大学） ； Chinese Academy of Sciences（中国科学院） ； Yunnan Provincial Stomatology Hospital（云南省牙科医院） ； Shanghai MediWorks Precision Instruments Co., Ltd（上海 MediWorks 精密仪器有限公司） ； University of Leicester（莱斯特大学）
AI总结 MICCAI STS 2024挑战通过半监督学习方法在全景X光和CBCT图像中实现实例级牙齿分割，展示了SSL在数据稀缺情况下的显著性能提升。
VaMP: Variational Multi-Modal Prompt Learning for Vision-Language Models
VaMP：用于视觉-语言模型的变分多模态提示学习
机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室）
AI总结 VaMP提出了一种变分多模态提示学习框架，通过实例条件提示和不确定性建模提升视觉-语言模型在少样本和领域泛化任务中的性能。
Comments Accepted to NeurIPS 2025
MG-Nav: Dual-Scale Visual Navigation via Sparse Spatial Memory
MG-Nav：基于稀疏空间记忆的双尺度视觉导航
机构 * The University of Hong Kong（香港大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 MG-Nav通过稀疏空间记忆图和VGGT-adapter模块实现双尺度视觉导航，结合全局规划与局部控制，实现零样本导航的高鲁棒性与高性能。
Comments 10pages, 5 figures
Fin3R: Fine-tuning Feed-forward 3D Reconstruction Models via Monocular Knowledge Distillation
Fin3R：通过单目知识蒸馏细调馈送式3D重建模型
机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室） ； Department of Computer Vision Technology (VIS), Baidu Inc.（百度公司计算机视觉技术部）
AI总结 Fin3R通过单目知识蒸馏细调馈送式3D重建模型，提升几何精度和鲁棒性，仅增加微小权重。
Comments NeurIPS 2025
OralGPT-Omni: A Versatile Dental Multimodal Large Language Model
OralGPT-Omni: 一种多功能的牙科多模态大语言模型
机构 * Faculty of Dentistry, The University of Hong Kong（香港大学牙科学院） ； College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； The Hong Kong University of Science and Technology (GZ)（香港科学与技术大学） ； School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； University of Auckland（奥克兰大学） ； University of Science and Technology of China（中国科学技术大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； College of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院）
AI总结 OralGPT-Omni是一种专门用于牙科的多模态大语言模型，通过TRACE-CoT数据集和四阶段训练范式，实现了对牙科图像的高效分析和高准确率评估。
Comments 47 pages, 42 figures, 13 tables
Interpretable Multimodal Cancer Prototyping with Whole Slide Images and Incompletely Paired Genomics
可解释的多模态癌症原型生成：结合整张滑片图像与不完全配对的基因组学
机构 * Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系） ； Department of Electrical & Electronic Engineering, The University of Manchester, UK（曼彻斯特大学电气与电子工程系） ； Department of Pathology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, China（南方医科大学肿瘤学国家重点实验室、广东省癌症临床研究中心、中山大学肿瘤中心病理学部） ； Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong SAR, China（香港大学统计与精算科学系） ； Department of Clinical Neurosciences and Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学临床神经科学系和应用数学与理论物理系；邓迪大学科学与工程学院和医学学院） ； School of Science and Engineering and School of Medicine, University of Dundee, UK
AI总结 本文提出了一种可解释的多模态原型生成框架，通过整合整张滑片图像和不完整的基因组学数据，提升精准肿瘤学中的多模态整合效果。
