Nanjing University（南京大学）

MIND: Decoupling Model-Induced Label Noise via Latent Manifold Disentanglement

MIND: 通过潜在流形解耦模型诱导标签噪声

Dayong Ren

机构 * State Key Laboratory of Novel Software Technology, Nanjing University, Nanjing 210023, China（新型软件技术国家重点实验室，南京大学，南京210023，中国） 纠错

AI总结 MIND通过潜在流形解耦技术解决模型诱导标签噪声问题，通过动态投影样本到潜在结构聚类，提升噪声识别能力，验证了其在复杂基准测试中的优越性。

Comments Accepted, to appear in ICML2026

RaPD: Resolution-Agnostic Pixel Diffusion via Semantics-Enriched Implicit Representations

RaPD：通过语义增强的隐式表示实现分辨率无关的像素扩散

Yanhao Ge, Shanyan Guan, Weihao Wang, Ying Tai, Mingyu You

机构 * College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院） ； vivo Mobile Communication Co., Ltd.（vivo移动通信有限公司） ； Nanjing University（南京大学） 纠错

AI总结 RaPD通过语义表示引导和坐标查询注意力渲染器，在连续神经图像场的潜在空间中实现分辨率无关的像素扩散，解决了重建与生成之间的差距，提升了生成质量和分辨率扩展能力。

Do Less, Achieve More: Do We Need Every-Step Optimization for RL Fine-tuning of Diffusion Models?

少即是多：我们是否需要为扩散模型的强化学习微调进行每一步优化？

Renye Yan, Jikang Cheng, Shikun Sun, Yi Sun, You Wu, Wei Peng, Zongwei Wang, Ling Liang, Junliang Xing, Yimao Cai

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文研究了扩散模型强化学习微调中优化步骤的影响，提出AdaScope方法通过动态控制训练时机提升生成质量并降低计算成本。

Journal ref CVPR2026

Tuning-free Instruction-based Video Editing Via Structural Noise Initialization and Guidance

无需调优的指令式视频编辑：通过结构噪声初始化和引导

Song Wu, Xinyu Chen, Qian Wang, Liang Li, Zili Yi, Junlan Feng

机构 * JIUTIAN Research, China Mobile（中国移动极天研究院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； State Key Laboratory of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） 纠错

AI总结 本文提出无需调优的指令式视频编辑框架，通过结构噪声初始化策略和噪声引导机制，提升视频编辑的视觉质量和性能。

Comments Accepted by ICIP 2026

From Feedback Loops to Policy Updates: Reinforcement Fine-Tuning for LLM-Based Alpha Factor Discovery

从反馈循环到政策更新：基于强化微调的LLM驱动的alpha因子发现

Lingzhe Zhang, Tong Jia, Yunpeng Zhai, Zixuan Xie, Chiming Duan, Minghua He, Philip S. Yu, Ying Li

机构 * Peking University（北京大学） ； Alibaba Group（阿里巴巴集团） ； Nanjing University（南京大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） 纠错

AI总结 本文提出QuantEvolver框架，通过强化微调将可执行量化评估转化为策略更新，提升LLM在alpha因子发现中的表现，生成高质量且互补的因子池。

Solvita: Enhancing Large Language Models for Competitive Programming via Agentic Evolution

Solvita：通过代理进化增强大型语言模型以应对编程竞赛

Han Li, Jinyu Tian, Rili Feng, Yuqiao Du, Chong Zheng, Chenyu Wang, Chenchen Liu, Shihao Li, Xinping Lei, Yifan Yao, Weihao Xie, Letian Zhu, Jiaheng Liu

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Independent Researcher（独立研究者） 纠错

AI总结 Solvita通过闭环系统和可训练知识网络，使代理动态学习，提升编程竞赛任务的准确性和经验积累。

ICRL: Learning to Internalize Self-Critique with Reinforcement Learning

ICRL: 通过强化学习学习内化自我批评

Jianbo Lin, Xiaomin Yu, Yi Xin, Yifu Guo, Zhuosong Jiang, Zhongqi Yue, Weishi Wang, Heqing Zou, Chengwei Qin, Hui Xiong

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanjing University（南京大学） ； Sun Yat-sen University（中山大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； SAP ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出ICRL框架，通过联合训练求解器和批评者，使求解器在无外部批评时也能自我改进，提升代理和数学推理任务性能。

AnchorRoute: Human Motion Synthesis with Interval-Routed Sparse Contro

AnchorRoute: 通过区间路由稀疏控制的人体运动合成

Pengcheng Fang, Tengjiao Sun, Dongjie Fu, Xiaoyu Zhan, Yanwen Guo, Hansung Kim, Xiaohao Cai

机构 * University of Southampton（索姆塞特大学） ； Mogo AI Ltd.（Mogo AI有限公司） ； Nanjing University（南京大学） 纠错

AI总结 AnchorRoute通过稀疏锚点实现人体运动合成，结合生成与细化过程，提升稀疏控制效果。