Nanyang Technological University（南洋理工大学）

Let ViT Speak: Generative Language-Image Pre-training

让ViT说话：生成式语言-图像预训练

Yan Fang, Mengcheng Lan, Zilong Huang, Weixian Lei, Yunqing Zhao, Yujie Zhong, Yingchen Yu, Qi She, Yao Zhao, Yunchao Wei

机构 * Beijing Jiaotong University（北京交通大学） ； ByteDance（字节跳动） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 提出GenLIP框架，通过语言建模目标直接训练ViT从视觉token预测语言token，无需对比学习或额外文本解码器，实现简单、可扩展且性能优异的视觉编码器。

Comments 27 pages, 11 figures. Code and models are available at https://github.com/YanFangCS/GenLIP

Passive Acoustic-based Composite Indices for Reef Health Monitoring in Noisy Tropical waters

基于被动声学的复合指数用于嘈杂热带水域的珊瑚礁健康监测

Hari Vishnu, Yuen Min Too, Mandar Chitre, Danwei Huang, Teong Beng Koay, Sudhanshi S. Jain

机构 * University of Technology, Sydney（悉尼科技大学） ； Nanyang Technological University（南洋理工大学） ； National Institute of Oceanography and Environmental Physics（国家海洋与环境物理研究所） ； Institute of Marine and Coastal Sciences, University of Connecticut（康乃狄克大学海洋与海岸科学研究所） ； Indian Institute of Technology, Bombay（印度班加罗尔理工学院） 纠错

AI总结 提出使用卷积神经网络去噪器处理低频噪声，结合声压级、声学复杂度指数和虾鸣率等声学指标，实现与潜水评估一致的珊瑚礁健康监测。

A Survey of Robotic Navigation and Manipulation with Physics Simulators in the Era of Embodied AI

具身智能时代基于物理模拟器的机器人导航与操作综述

Lik Hang Kenny Wong, Xueyang Kang, Kaixin Bai, Jianwei Zhang

机构 * Department of Computer Science, City University of Hong Kong（城市大学计算机科学系） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； Department of Informatics, Universität Hamburg（汉堡大学信息学院） 纠错

AI总结 本文综述了物理模拟器在缩小具身智能中导航与操作的模拟到现实差距方面的关键特性、任务支持及硬件需求，并提供了基准数据集、指标、平台和方法资源。

Comments Under Review