高校专区
全模态扩散：基于掩码离散扩散的统一多模态理解与生成
机构 * Nanjing University（南京大学） ； Tencent Youtu Lab（腾讯云科技实验室） ； CASIA（中国科学院自动化研究所）
AI总结 受离散扩散模型在多领域成功应用启发，提出全模态扩散模型，基于掩码离散扩散模型构建，统一文本、语音和图像的理解与生成，用统一模型直接捕捉离散多模态令牌联合分布，性能优于现有多模态系统。
Comments Accepted to ICML 2026. This version updates the ICML submission with an optimized model checkpoint. Project page: https://omni-diffusion.github.io
图谱是理想上下文：用于可泛化基础医学图像分割的一次性定制
机构 * Nanjing University（南京大学） ； The Ohio State University（俄亥俄州立大学） ； Stanford University（斯坦福大学）
AI总结 研究医学图像中解剖结构分割问题，提出图谱引导框架AtlasSegFM，通过图谱查询配准生成提示，用冻结基础模型细化分割，经自适应融合模块结合图谱先验与模型输入及预测，实现一次性定制。
Comments ECCV 2026
VKnowU：评估多模态语言模型中的视觉知识理解
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； City University of Hong Kong（香港城市大学）
AI总结 研究多模态大语言模型视觉知识理解能力，提出VKnowU基准测试。评估28个模型，发现与人类表现有差距。引入新数据集和VideoKnow+基线模型，采用结构化范式和强化学习，提升模型表现。
Comments Accepted by ECCV 2026. https://github.com/OpenGVLab/VKnowU
扩散模型是开放世界的功能学习器：利用生成先验进行3D功能学习
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； ShanghaiTech University（上海科技大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 研究3D功能基础问题，利用文本到图像扩散模型提取先验知识，提出基于扩散的DAG框架用于3D功能预测，通过实验证明其优于现有方法且泛化能力强。
DrugAgent：用于药物-靶点相互作用评估的冲突生物医学证据的可靠多智能体整合
机构 * Department of Computer Science and Engineering, University of Minnesota（计算机科学与工程系，明尼苏达大学） ； Computational Biology Branch, National Library of Medicine（国家医学图书馆计算生物学分支） ； Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院） ； State Key Laboratory for Novel Software Technology at Nanjing University, School of Computer Science, Nanjing University（南京大学新型软件技术国家重点实验室，南京大学计算机科学学院） ； Developmental Therapeutics Branch, National Cancer Institute（国家癌症研究所发育治疗分支）
AI总结 研究药物-靶点相互作用评估中整合异构数据问题，核心方法是基于大语言模型的多智能体系统DrugAgent，贡献是能进行异构证据支持的DTI评估，补充独立DTI预测，还提供相关策略。
增强视听视频字幕的时间与跨模态对齐
机构 * Nanjing University, State Key Laboratory for Novel Software Technology（南京大学，计算机软件新技术国家重点实验室） ； Meituan（美团）
AI总结 提出TCA-Captioner框架，通过观察-检查-纠正迭代策略和密集交互数据集，解决视听字幕中的模态分离与时间不一致问题，实现精准的视听绑定与因果动态建模。
Comments ECCV 2026
在思考之前，先学会决策：面向高效视觉推理的主动路由
机构 * Xi’an Jiaotong University（西安交通大学） ； ARC Lab, Tencent IEG（腾讯IEG ARC实验室） ； City University of Hong Kong（香港城市大学） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Harvard University（哈佛大学） ； Nanjing University（南京大学）
AI总结 提出主动路由范式PRP，通过联合评估草稿模型和目标模型的能力，实现早期决策，加速多模态推理而不牺牲性能。
Comments 36 pages, 20 figures
通过强化学习优化RAG重排序器与LLM反馈
机构 * Nanjing University of Science and Technology（南京理工大学） ； Nanjing University（南京大学）
AI总结 本文提出RRPO框架，通过强化学习将重排序与LLM生成质量对齐，消除了对昂贵人工标注的依赖，实验显示其在知识密集型基准上优于基线模型。
Comments 17 pages
Drive-JEPA：视频JEPA结合多模态轨迹蒸馏实现端到端驾驶
机构 * Virginia Tech（弗吉尼亚理工学院） ； Purdue University（普渡大学） ； XPENG Motors（小鹏汽车） ； Nanjing University（南京大学）
AI总结 提出Drive-JEPA框架，结合视频联合嵌入预测架构（V-JEPA）与多模态轨迹蒸馏，通过自监督视频预训练和动量感知选择机制提升端到端驾驶的规划性能，在NAVSIM上达到新最优。
重新思考视频超分辨率：基于扩散的方法无需运动对齐
机构 * TopXGun Robotics（TopXGun机器人研究所） ； Nanjing University（南京大学）
AI总结 本文提出基于扩散后验采样框架的视频超分辨率方法，无需显式估计光流或运动参数，通过学习现实物理规律来处理多种运动模式，实验证明其有效性。
Comments ICSPS 2025
Journal ref 17th International Conference on Signal Processing Systems (ICSPS), 2025
大型语言模型重塑科学语言
机构 * School of Information Management, Nanjing University（南京大学信息管理学院） ； School of Economics and Management, Shanxi University（山西大学经济管理学院）
AI总结 通过分析2020-2024年间2136万篇摘要，发现LLM导致科学写作词汇复杂度上升、句法复杂度下降，且对非英语母语学者影响更大，可能扩大科学话语与公众语言的差距。
Comments 72 pages, 24 figures
一种多传感器融合方法用于大规模无人机测绘中的快速正射影像生成
机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与技术学院） ； TopXGun Robotics（TopXGun机器人）
AI总结 本文提出一种多传感器融合方法，通过优化姿态前馈特征匹配提升速度与精度，有效解决传统正射影像生成在时间性能、系统鲁棒性和地理参考精度方面的不足，适用于低纹理场景如农田的快速正射影像生成。
Journal ref IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025
GaussianEmoTalker：基于音频驱动和混合形状的3D高斯泼溅实时情感说话头合成
机构 * PCA Lab, Key Lab of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education, School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院，教育部高维信息智能感知与系统重点实验室，PCA实验室） ； Tsientang Institute for Advanced Study（浙江大学前沿交叉研究院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）
AI总结 提出GaussianEmoTalker框架，利用3D高斯泼溅和混合形状，通过中性到情感残差变形实现实时、可控强度的情感说话头合成，兼顾唇同步与渲染质量。
UniTacVLA：视觉语言动作模型中的统一触觉理解与预测
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Great Bay University（大湾区大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics
AI总结 提出统一触觉学习框架，通过触觉链式推理和由粗到细的未来触觉预测构建状态与动力学感知先验，并设计触觉-动作混合控制器，在接触丰富操作任务中提升成功率、精度和鲁棒性。
具身CAD：基于求解器的LLM代理用于参数化B-Rep装配建模
机构 * Nanjing University（南京大学）
AI总结 提出Embodied CAD框架，通过分层技能库和求解器反馈，让LLM代理迭代生成并修复参数化B-Rep装配模型，实现高可执行率和任务完成率。
Comments This paper contains 12 pages, 7 figures. This is an original unpublished manuscript submitted to the arXiv preprint server, with no prior publication or conference presentation
OTCache: 扩散模型中的几何感知缓存的最优传输
机构 * Data Science & Artificial Intelligence Research Institute, China Unicom（中国联通数据科学与人工智能研究院） ； Unicom Data Intelligence, China Unicom（中国联通联通数据智能） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
AI总结 提出OTCache，一种无需训练的扩散采样加速框架，通过最优传输预测缓存调度，在低NFE区域优于图方法，实现4.5倍以上加速并保持生成质量。
Comments ECCV 2026
通过具有代理执行的自适应任务重构使图像编辑更易于实现
机构 * Nanjing University（南京大学） ； Beijing Institute of Technology（北京理工大学） ； College of Artificial Intelligence, China University of Petroleum (Beijing)（中国石油大学（北京）人工智能学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Fudan University（复旦大学）
AI总结 本文提出通过自适应任务重构框架提升图像编辑性能，通过代理分析和反馈优化任务描述，改进编辑效果，尤其在复杂案例中表现显著。
Comments 9pages
CoDec：用于大语言模型的前缀共享解码内核
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出CoDec，通过优化内存层次结构和利用块内块间并行性，提高解码阶段注意力计算的效率，实现1.9倍速度提升和120.9倍内存访问减少。
InfiniteWeb: 面向GUI智能体训练的可扩展Web环境合成
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 提出InfiniteWeb系统，通过统一规范、任务驱动测试和多样化种子设计自动生成功能完备的Web环境，解决GUI智能体训练数据稀缺问题，在OSWorld和Online-Mind2Web上取得显著性能提升。
Comments Accepted to ACL 2026 Main
一种用于边缘GPU-NDP系统高效MoE推断的调度框架
机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； China Mobile Research Institute（中国移动研究院）
AI总结 本文提出一种高效推断框架，通过张量并行、负载均衡调度和数据集无关预取策略，解决边缘GPU-NDP系统中MoE模型推断的负载不平衡、GPU利用率低和预取数据量大问题，实现端到端延迟平均提升2.41倍。
Comments To appear in 2026 Design, Automation and Test in Europe Conference (DATE 2026)
基于自适应核平滑的鲁棒3DGS SLAM
机构 * Xinjiang University（新疆大学） ； Nanjing University（南京大学） ； Southwest University of Political Science and Law（西南政治科学法学院） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Yantai University（烟台大学）
AI总结 针对3DGS-SLAM中渲染质量主导跟踪精度的传统观念，提出通过平滑核策略增强光栅化过程对参数误差的鲁棒性，从而稳定相机位姿跟踪，并设计了CB-KNN方法自适应调整局部高斯参数，实验证明在保持建图质量的同时显著提升跟踪鲁棒性和精度。
FeRA: 面向高效扩散自适应微调的频率能量约束路由
机构 * National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； vivo ； Tencent（腾讯） ； Nanjing University（南京大学）
AI总结 提出FeRA框架，通过揭示扩散模型去噪过程中的频率能量机制，利用频率能量指示器、软频率路由和频率能量一致性正则化，实现参数更新与内在频率能量进程对齐，从而高效稳定地微调扩散模型。
REAR: 通过奖励分解实现测试时偏好重对齐
机构 * Nanyang Technological University（新加坡国立大学） ； Nanjing University（南京大学）
AI总结 提出REAR框架，通过将奖励函数分解为问题相关和偏好相关两部分，推导出可线性组合的对齐奖励，实现无需训练的测试时偏好重对齐，适用于多种任务。
Comments Accepted by ICML 2026
Dynamo: 视觉-语言代理的动态技能-工具演化
机构 * Qwen Large Model Application Team, Alibaba（阿里云大模型应用团队） ； Alibaba Zhejiang University（阿里巴巴浙江大学） ； University of Waterloo（多伦多大学） ； Vector Institute（向量研究所） ； Nanjing University（南京大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江学院）
AI总结 提出Dynamo，一种无需训练、无需权重更新的框架，通过让冻结的VLM在少量标注数据上自我检查并演化可复用的推理技能和可执行的视觉工具，提升视觉推理性能。
IREU：面向定制肖像生成的基于身份的仅编码器遗忘
机构 * PCA Lab, School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学PCA实验室） ； PCA Lab, School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学PCA实验室）
AI总结 针对定制肖像生成中的隐私风险，提出IREU方法，通过离线定位身份相关特征并仅扰动这些特征来实现身份遗忘，同时保持其他身份的高保真度。
Comments Accepted to ECCV 2026
A3M：重复拍卖中战略投标的自适应、对抗和多目标学习
机构 * Department of Computer Science（计算机科学系） ； Nanjing University（南京大学）
AI总结 提出A3M框架，集成自适应深度强化学习、对抗推理和多目标奖励设计，在重复拍卖中动态平衡探索与利用，对抗非平稳对手，并联合优化效用、收入与公平性，在歧视性和统一价格拍卖中降低最终遗憾30-40%。
Comments 23 pages
通过反事实视觉基础不确定性检测LVLM中的临床幻觉
机构 * School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Institute of Healthcare Data Science at Nanjing University（南京大学医疗数据科学国家研究院） ； School of Biomedical Engineering, Nanjing University（南京大学生物医学工程学院）
AI总结 提出一种基于反事实视觉基础不确定性的框架，通过提取实体并对比正反事实定位结果计算不确定性分数，无需修改模型即可检测LVLM在临床图像中的幻觉。
Comments 10 pages, 4 figures
SpeakerCard-1M：面向野外说话人确认的基于证据的说话人卡片语料库
机构 * Brno University of Technology, Czechia（布拉格技术大学，捷克） ； Peking University, China（北京大学，中国） ； Xiaomi, China（小米，中国） ； Athens University of Economics and Business, Greece（雅典经济与商业大学，希腊） ； The Hong Kong Polytechnic University, Hong Kong（香港理工大学，香港） ； Nanjing University, China（南京大学，中国）
AI总结 提出SpeakerCard-1M双语说话人资源，通过声学探针和受限LLM生成结构化说话人卡片，并定义跨模态协议以支持基于证据的说话人确认。
Comments Corpus and protocols at https://junyipeng00.github.io/SpeakerCard-1M-page
HSD：基于分层推测解码的文档解析视觉语言模型训练免费加速
机构 * South China University of Technology（华南理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shenzhen Institute of Advanced Technology, CAS（中国科学院深圳先进技术研究院） ； Nanjing University（南京大学）
AI总结 本文提出HSD分层推测解码框架，通过轻量级管道起草器预测区域划分并生成粗稿，分阶段验证以保持全文连贯性，实验证明在文档解析任务中实现显著加速。
Comments ECCV 2026
RefAlign：参考到视频生成的表示对齐
机构 * PCA Lab, VCIP, College of Computer Science, Nankai University（南开大学计算机学院VCIP实验室PCA Lab） ； Baidu Inc.（百度公司） ； PCA Lab, School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院PCA Lab） ； College of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
AI总结 RefAlign通过显式对齐DiT参考分支特征与视觉基础模型的语义空间，提升参考生成的准确性与可控性，实验表明其在R2V任务中优于现有方法。
Comments Accepted to ECCV 2026;Code: https://github.com/gudaochangsheng/RefAlign Project: https://gudaochangsheng.github.io/RefAlign-Page/
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