Huazhong University of Science and Technology（华中科技大学）

Restoring Initial Noise Sensitivity in Text-to-Image Distillation via Geometric Alignment

通过几何对齐恢复文本到图像蒸馏中的初始噪声敏感性

Huayang Huang, Ruoyu Wang, Jinhui Zhao, Wei Deng, Daiguo Zhou, Jian Luan, Yu Wu, Ye Zhu

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 提出几何感知蒸馏（GAD）框架，通过匹配雅可比-向量积来对齐教师和学生模型的局部功能行为，从而恢复文本到图像蒸馏中丢失的初始噪声敏感性，提升下游噪声驱动控制任务的性能。

Comments ICML 2026

Hierarchical Semantic-Augmented Navigation: Optimal Transport and Graph-Driven Reasoning for Vision-Language Navigation

层级语义增强导航：面向视觉语言导航的最优传输与图驱动推理

Xiang Fang, Wanlong Fang, Changshuo Wang

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Interdisciplinary Graduate Programme, Nanyang Technological University, Singapore（新加坡南洋理工大学交叉学科研究生项目） ； University College London（伦敦大学学院） 纠错

AI总结 提出层级语义增强导航框架，通过动态层级语义场景图、基于最优传输的拓扑规划器与图感知强化学习策略，解决连续环境中的视觉语言导航难题，实现最优性能。

Comments Published in NeurIPS 2025, address some typos

S2M-Trek: From Single to Multi-Sphere Transport via Per-Frame Deep Sets on a Wheel-Legged Robot

S2M-Trek: 从单球到多球运输：基于轮腿机器人的逐帧深度集方法

Zong Chen, Xuebin Li, Jinpeng Xiao, Shaoyang Li, Ben Liu, Min Li, Zhouping Yin, Yiqun Li

机构 * School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院） ； School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院） 纠错

AI总结 针对轮腿四足机器人背部同时运输多个自由滚动球体的动态操作问题，提出逐帧深度集（PFDS）编码器，通过逐帧置换不变池化解决历史拼接编码器的置换对称性不匹配，实现五球100%无掉落运输。

MViewRouter: Internalizing Geometric Equivariance via Multi-view Alternating Attention for Combinatorial Routing

MViewRouter：通过多视图交替注意力内化组合路由的几何等变性

Shiyan Liu, Bohan Tan, Yaoxin Wu, Yan Jin

机构 * Huazhong University of Science and Technology（华中科技大学） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 提出MViewRouter框架，利用多视图交替注意力机制内化几何等变性作为结构归纳偏置，通过集体策略梯度聚合优化，解决组合路由问题中的对称性挑战，在TSP和CVRP上取得竞争性解质量和强零样本泛化。

Test-Time Training for Zero-Resource Dense Retrieval Reranking

零资源稠密检索重排的测试时训练

Shiyan Liu, Yichen Li

机构 * Huazhong University of Science and Technology（华中科技大学） ； ByteDance（字节跳动） 纠错

AI总结 提出 DART 方法，通过测试时自适应双线性评分矩阵，利用伪正负样本进行少量梯度更新，在零资源下提升稠密检索重排性能。

Comments Accepted at KnowFM @ ACL 2026

GiPL: Generative augmented iterative Pseudo-Labeling for Cross-Domain Few-Shot Object Detection

GiPL: 用于跨域小样本目标检测的生成增强迭代伪标签方法

Jiacong Liu, Shu Luo, Yikai Qin, Yaze Zhao, Yongwei Jiang, Yixiong Zou

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 提出GiPL双分支训练框架，通过迭代伪标签自训练和生成数据增强，解决跨域小样本目标检测中支持集利用不足和过拟合问题。

Comments CVPR 2026 Workshop

UniNote: A Unified Embedding Model for Multimodal Representation and Ranking

UniNote: 一种用于多模态表示和排序的统一嵌入模型

Jinghan Zhao, Wenwei Jin, Anqi Li, Jintao Tong, Luya Mo, Jiawei Li, Bin Li, Yao Hu

机构 * Xiaohongshu Beijing China（小红书北京中国） ； Shanghai Jiao Tong University（上海交通大学） ； Huazhong University of Science and Technology（华中科技大学） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 提出UniNote统一嵌入模型，通过两阶段训练（对比SFT和强化学习）解决工业级Item-to-Item检索中全局表示与局部检索的平衡、解耦流水线效率及精度-延迟权衡问题，在小红书部署后显著提升检索质量和成本效率。

Comments Accepted by KDD Ads Track 2026

SCOPE: Signal-Calibrated On-Policy Distillation Enhancement with Dual-Path Adaptive Weighting

SCOPE: 信号校准的在线策略蒸馏增强与双路径自适应加权

Binbin Zheng, Xing Ma, Yiheng Liang, Jingqing Ruan, Xiaoliang Fu, Kepeng Lin, Benchang Zhu, Ke Zeng, Xunliang Cai

机构 * University of Science and Technology of China（中国科学技术大学） ； Meituan LongCat Interaction Team（美团 LongCat 交互团队） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 针对在线策略强化学习中奖励稀疏导致的信用分配难题，提出SCOPE框架，通过双路径自适应加权机制分别处理正确与错误轨迹，实现信号校准的蒸馏增强，在六个推理基准上平均提升11.42%的Avg@32和7.30%的Pass@32。

Consistency Deep Equilibrium Models

一致性深度均衡模型

Junchao Lin, Zenan Ling, Jingwen Xu, Robert C. Qiu

机构 * School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息学院） ； School of Electronic Information（电子信息学院） ； Communications, Huazhong University of Science（华中科技大学通信学院） ； School of Science, Wuhan University of Technology（武汉理工大学理学院） 纠错

AI总结 提出一致性深度均衡模型（C-DEQ），通过一致性蒸馏将DEQ迭代推理过程视为沿ODE轨迹演化，训练模型将中间状态直接映射到不动点，实现少步推理并保持性能，同时支持多步评估以灵活权衡计算与性能，实验表明在相同少步推理预算下精度提升2-20倍。