高校专区
对比正则化用于口音鲁棒的ASR
机构 * Air Traffic Management Research Institute, Nanyang Technological University, Singapore（新加坡南洋理工大学航空交通管理研究所） ； Center of AI Research, VinUniversity, Vietnam（越南Vin大学人工智能研究中心）
AI总结 提出使用监督对比学习作为轻量级口音不变辅助目标，在CTC微调中正则化编码器表示，无需架构修改或显式口音监督，在L2-ARCTIC基准上实现高达25-29%的未见口音词错误率降低。
Comments Accepted by Interspeech 2026
KGEdit: 面向无训练精确视频生成与编辑的歧义感知知识图谱
机构 * Waseda University, Japan（日本早稻田大学） ； College of Computer Engineering, Jimei University（集美大学计算机工程学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 提出KGEdit框架，通过构建歧义感知知识图谱和结构化语义注入模块，解决文本到视频扩散模型中的语义歧义、概念绑定错误和跨帧不一致问题，实现无需额外训练的精确视频生成与编辑。
新时代的视觉生成：从原子映射到智能世界建模的演进
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； University of Waterloo（滑铁卢大学） ； StepFun ； MiroMind ； Baidu（百度） ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； LMMs-Lab（LMMs实验室）
AI总结 提出五级分类法（原子生成、条件生成、上下文生成、智能生成、世界建模生成），分析流匹配、统一理解与生成模型等关键技术，并指出现有评估高估感知质量而忽视结构、时序和因果缺陷。
Comments Project Page: https://github.com/EvolvingLMMs-Lab/Evolving-Visual-Generation
UniT：统一多模态思维链测试时扩展
机构 * Stanford University（斯坦福大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； Nanyang Technological University（南洋理工大学）
AI总结 提出UniT框架，通过多轮推理、验证和细化实现统一多模态模型的测试时扩展，实验表明短推理轨迹可泛化到长链，顺序思维链比并行采样更高效。
Comments CVPR 2026
TextResNet：通过深度残差调优解耦和路由复合AI系统中的优化信号
机构 * Nanyang Technological University, Singapore（南洋理工大学） ； Jinan-NTU Green Technology Research Institute, China（济南-NTU绿色技术研究所） ； The University of British Columbia, Canada（不列颠哥伦比亚大学） ； Vector Institute, Canada（向量研究所）
AI总结 针对文本梯度优化器在深度链中因语义纠缠导致归因模糊的问题，提出TextResNet框架，通过前向加性语义增量、后向语义梯度分解、因果路由和密度感知调度实现信号解耦与精准路由，在复合AI系统中性能优于TextGrad且更稳定。
Comments Accepted by ICML2026
基于3D骨架的行人重识别综述：分类、进展、挑战与跨学科前景
机构 * College of Computing and Data Science, Nanyang Technological University (NTU), Singapore（南洋理工大学计算与数据科学学院，新加坡） ； Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY), NTU, Singapore（老龄化积极生活卓越研究中心（LILY），南洋理工大学，新加坡） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL), NTU, Singapore（阿里巴巴-南洋理工大学全球可持续发展企业实验室（ANGEL），南洋理工大学，新加坡）
AI总结 本文系统综述了基于3D骨架的行人重识别方法，提出了手工、序列和图建模三类分类法，并评估了监督、自监督和无监督学习范式下的最新技术，最后讨论了关键挑战与跨学科应用前景。
Comments Accepted by IJCAI 2026. A curated collection of valuable resources is available at https://github.com/Kali-Hac/3D-SRID-Survey
动力电池检测
机构 * Yale University, USA（耶鲁大学，美国） ； Dalian University of Technology, China（大连理工大学，中国） ； Volkswagen Automotive Co., Ltd（大众汽车有限公司） ； X3000 Inspection Co., Ltd（X3000检测有限公司） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 针对动力电池X射线图像中极板端点定位任务，提出首个大规模基准PBD5K和点级分割模型MDCNeXt，通过多维度结构线索与状态空间模块提升检测精度。
Comments Accepted by International Journal of Computer Vision (IJCV). Code: https://github.com/NTU-AI4X/X-ray-PBD
随机擦除 vs. 模型反演：有希望的防御还是虚假的希望？
机构 * Temasek Laboratories, Singapore University of Technology and Design（Temasek实验室，新加坡技术与设计大学） ； The Queen’s University Belfast（女王大学贝尔法斯特分校） ； Aarhus University（阿arhus大学） ； Nanyang Technological University (NTU)（南洋理工大学（NTU）；河内 Vin 大学） ； VinUniversity, Hanoi, Vietnam
AI总结 本文探索随机擦除（RE）作为防御模型反演攻击的方法，通过特征空间分析揭示其有效性，并在37种设置下实现隐私-效用权衡的最优性能。
Comments Accepted in Transactions on Machine Learning Research (TMLR). First two authors contributed equally
AC-LIO：通过选择性帧内平滑实现激光雷达-惯性里程计中畸变的渐近补偿
机构 * State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University, China（信息工程测绘遥感国家重点实验室（LIESMARS），武汉大学，中国） ； Department of Mechanical Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校机械工程系） ； Electronic Information School, Wuhan University, China（武汉大学电子信息学院，中国） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子电气工程学院，新加坡）
AI总结 提出AC-LIO框架，通过渐近反向传播更新项并在收敛准则指导下补偿残余运动畸变，以最小计算开销提升离散状态LIO系统精度，在长期大尺度定位中平均RMSE降低30.4%。
Comments 11 pages, 9 figures
基于具体子空间学习的多任务模型融合干扰消除
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； Alibaba Group（阿里巴巴集团） ； School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院） ； Nanyang Technological University（南洋理工大学）
AI总结 提出连续松弛离散子空间学习方法，通过元学习框架识别低维共享子空间，解决多任务模型融合中的参数冲突问题，在视觉和语言任务上验证有效性。
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