高校专区
HumanNOVA: 从单张图像实现逼真、通用且快速的3D人体化身建模
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National University of Singapore（新加坡国立大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 提出HumanNOVA模型，通过可扩展数据生成流水线和前馈令牌条件化架构，从单张RGB图像快速生成逼真3D人体化身，无需测试时优化。
Comments CVPR 2026 Highlight
并非所有点都同等重要：不确定性感知的4D LiDAR场景合成
机构 * NUAA（南京航空航天大学） ； NUS（新加坡国立大学） ； FDU（福建工程学院） ； Duke（杜克大学） ； NTU（国立新加坡大学） ； NJUPT（南京理工大学泰州学院） ； SKL-TI（特种信息处理实验室）
AI总结 提出U4D框架，利用空间不确定性引导LiDAR场景生成，通过熵图识别高不确定性区域并优先合成，再补全其余区域，实现高保真4D场景。
Comments CVPR 2026 E2E3D Workshop; GitHub at https://github.com/worldbench/U4D
上下文算子网络的频谱审计
机构 * Division of Applied Mathematics, Brown University（布朗大学应用数学系） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
AI总结 提出基于雅可比矩阵的频谱审计方法，通过分析上下文算子学习中的局部频谱特性（频率增益、相位结构、交叉模式耦合）来评估模型是否真正学习了PDE算子的局部动力学机制，而不仅仅是输出预测。
未修剪长视频中被操纵片段的可解释取证
机构 * MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics（脑机智能技术关键实验室、人工智能学院、南京航空航天大学） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对长视频中AI生成片段的定位与解释任务，提出TASLE基准数据集和MSLoc粗到细取证方法，实现时序定位、真实性检测与可解释分析。
Comments Accepted to ICML 2026
TROPHIES：从多视角视频中重建场所、人和相机的时间序列
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出TROPHIES框架，通过联合估计动态人体、静态场景和相机姿态，实现多视角视频中全局一致的四维重建。
ResMerge：基于残差的谱合并大型语言模型
机构 * Southeast University（东南大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； National University of Singapore（新加坡国立大学） ； Wuhan University of Technology（武汉理工大学） ； Peking University（北京大学） ； Wuhan AI Research（武汉人工智能研究院）
AI总结 提出ResMerge框架，通过将RL任务向量分解为谱头部和残差组件，利用残差组件构建稳定骨干并选择性引入头部信息，实现无需训练的专家模型合并。
Comments 14 pages including appendix
经验更优：用于证据基础健康社区笔记的自进化LLM智能体
机构 * National University of Singapore（国立新加坡大学） ； Yunnan University（云南大学） ； The Ohio State University（俄亥俄州立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出EvoNote框架，通过自进化经验记忆和细粒度信用分配，在健康社区笔记生成中实现证据获取、分析与撰写，显著提升笔记质量并缩短生成时间。
低概率标记对AI生成文本检测的显著性：多尺度不确定性视角
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 针对AI生成文本检测中模板标记主导和点估计脆弱的问题，提出基于低概率标记的多尺度不确定性估计器Uncertainty及其改进版Uncertainty++，在多个数据集和LLM上验证了有效性、泛化性和鲁棒性。
Comments Accepted by ICML 2026 main conference
面向神经非对称路由的边缘感知解码
机构 * Sun Yat-Sen University（中山大学） ； Department of Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系）
AI总结 针对神经非对称路由中表示与决策不匹配的问题，提出边缘感知解码器，通过显式暴露转移级成本信息提升零样本泛化性能。
到底有多难？难度感知的多目标遗忘学习
机构 * National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对现有遗忘学习无法保证同时提升遗忘质量和保持保留效用的缺陷，提出一种基于约束优化的难度感知多目标遗忘算法（HAMU），通过量化遗忘数据与保留数据的相似度来指导模型更新，在保证遗忘质量提升的同时最小化保留效用损失。
Comments ICML 2026
SCAPO: 从单次3D观测中自监督学习类别级关节物体姿态估计
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
AI总结 提出SCAPO框架，通过自监督方式从单张RGB-D图像中估计关节物体的规范几何、刚性部件分割和关节参数，无需真实标签或类别特定模型。
抑制伪造特定捷径以实现可泛化的深度伪造检测
机构 * Hefei University of Technology（合肥工业大学） ； National University of Singapore（国立新加坡大学）
AI总结 提出Shortcut Subspace Suppression (S^3)框架，通过子空间建模显式表征并抑制方法特定捷径，以提升深度伪造检测的跨方法泛化能力。
基于电影MRI的个性化三维心肌梗死几何重建用于心脏数字孪生
机构 * Department of Biomedical Engineering, National University of Singapore（新加坡国立大学生物医学工程系） ； Department of Medicine, National University of Singapore（新加坡国立大学医学系） ； Department of Cardiology, National University Heart Centre Singapore（新加坡国立心脏中心心内科部）
AI总结 提出一种显式几何-运动嵌入模型，从多视角电影MRI中全自动重建个性化、可仿真的三维心肌梗死几何结构，采用双分支自适应融合和AHA-17引导的多尺度监督，实现无对比剂梗死表征。
Comments 14 pages
图灵模式用于多媒体：反应-扩散多模态融合用于语言引导的视频时刻检索
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出基于反应-扩散过程的多模态融合框架RDMF，通过模拟生物模式形成机制实现视频与文本的动态对齐，用于视频时刻检索与高亮检测。
Comments Published in ACM MM 2025. Address some typos
用于空间机器人感知的层次化物体表示：点云、网格和超二次曲面
机构 * National University of Singapore (NUS)（新加坡国立大学） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出一种层次化物体表示方法，从原始传感器数据逐步抽象为稠密网格和超二次曲面，用于高保真重建、鲁棒重定位和高效碰撞检测，并在室内外场景中验证其有效性。
Comments 18 pages, 5 figures, 4 tables
PathAR: 结构优先的多模态病理图像自回归合成
机构 * Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（新一代人工智能技术及其交叉应用重点实验室（东南大学），教育部） ； Centre for Innovation and Precision Eye Health, Yong Loo Lin School of Medicine, National University of Singapore（创新与精准眼健康中心，新加坡国立大学 Yong Loo Lin 医学院） ； Department of Ophthalmology, Yong Loo Lin School of Medicine, National University of Singapore（眼科学系，新加坡国立大学 Yong Loo Lin 医学院） ； Department of Biostatistics, Center for Global Health, School of Public Health, Nanjing Medical University（生物统计学系，全球健康中心，南京医科大学） ； Institute of High-Performance Computing, Agency for Science, Technology and Research（高性能计算研究所，科技研究局）
AI总结 提出PathAR，一种结构优先的自回归合成框架，通过显式分解结构与外观并使用交错自回归Transformer，实现模态标签条件下的病理图像生成，改善结构一致性和模态保真度。
Comments 12 pages, 7 figures
人工推理之谜：探究大型推理模型中的生成-评估差距
机构 * NUS Department of Computer Science（国立新加坡大学计算机科学系） ； MIT EECS（麻省理工学院电子工程与计算机科学系） ； A*STAR（新加坡科技研究局） ； Singapore-MIT Alliance for Research and Technology (SMART)（新加坡-麻省理工联合研究技术机构（SMART））
AI总结 本文通过VAIR数据集发现大型推理模型在评估推理时存在显著缺陷，表现为答案确认偏差，即模型倾向于验证答案正确性而非仔细检查推理步骤。
Comments 10 pages, 8 figures, 2 tables (Appendix: 19 pages, 13 figures, 3 tables)
PAI-Studio: 具有相机感知运动的电影级视频背景替换
机构 * Utopai Studios（Utopai工作室） ； Nanyang Technological University（南洋理工大学） ； University of California, Irvine（加州大学尔湾分校） ； Show Lab, National University of Singapore（新加坡国立大学Show实验室）
AI总结 提出PAI-Studio，一种基于扩散变换器的视频合成任务，通过双向注意力机制统一处理前景动态与背景参考，实现运动一致的背景生成、高保真前景重光照和身份保持。
不要阅读一切：用于线性注意力的曲率条件查询
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； VinUniversity（文理大学）
AI总结 针对线性注意力在上下文检索和长上下文任务中的不足，提出曲率条件查询（CCQ）机制，通过二阶泰勒展开构建局部二次模型，利用运行键协方差收缩查询向量，仅修改读取步骤，兼容现有线性注意力骨干，在困惑度、零样本下游准确率、检索和长上下文任务上取得提升。
Comments 19 pages
基于结构化视觉证据的时间证据路由用于TimeLogicQA
机构 * Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究员） ； Opus AI Research（Opus AI研究院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出视觉证据路由流水线，分离感知与符号时间推理，通过结构化视觉证据和确定性时间规则在TimeLogicQA上达到81.8 AvgAcc。
自适应密集证据精炼用于视频关系推理：VRR-QA挑战
机构 * Southeast University（东南大学） ； National University of Singapore（国立新加坡大学） ； Independent Researcher（独立研究员） ； Opus AI Research（Opus AI研究） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种自适应测试时计算系统，通过轻量视图识别不稳定问题并路由到高预算密集证据模块，在VRR-QA测试集上达到90.07%平均准确率。
双路Top-K检索与1v1 VLM重排序用于CoVR-R
机构 * Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究者） ； Opus AI Research（Opus AI研究） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出双路Top-K检索与1v1 VLM重排序方法，通过解耦召回与选择，在CoVR-R挑战中达到95.28% R@1。
交互受限的动态医疗安全连续时间强化学习
机构 * Tokyo University of Agriculture and Technology（东京大学农业技术大学） ； LY Corporation（LY公司） ； National University of Singapore（新加坡国立大学） ； Institute of Science Tokyo（东京科学研究所） ； Altos Labs, Inc.（Altos实验室） ； National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院） ； Norwegian University of Science and Technology（挪威科学技术大学） ； Emory University（埃默里大学） ； Hiroshima University（广岛大学）
AI总结 提出交互受限的安全连续时间强化学习框架，通过选项式半马尔可夫决策过程联合优化治疗策略与临床交互时机，并引入安全收紧机制保证轨迹级安全。
MedGym：面向动态医疗治疗强化学习的统一连续时间基准
机构 * Tokyo University of Agriculture and Technology（东京农业大学） ； Institute of Science Tokyo（东京科学研究院） ； National University of Singapore（国立新加坡大学） ； LY Corporation（LY公司） ； Altos Labs, Inc.（Altos实验室） ； National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院） ； Emory University（埃默里大学） ； Norwegian University of Science and Technology（挪威科学技术大学）
AI总结 提出MedGym基准，通过连续时间框架和物理信息神经网络构建可配置的医疗RL环境，支持离散与连续时间方法在非规则治疗间隔下的比较，并评估个性化、轨迹安全等临床指标。
基于Transformer世界模型的行为不变任务表示学习用于离线元强化学习
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种结合信息论任务表示学习与Transformer随机世界模型的框架，通过提取行为不变的任务变量和保守值惩罚，解决离线元强化学习中的分布偏移和稀疏奖励问题，实现鲁棒泛化。
Comments ICML2026
MOSAIC：结构化智能体智能与组合的模块化编排
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； Data & Analytics, Digital X（Digital X 数据与分析部） ； Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出MOSAIC框架，通过结构化智能体编排、记忆驱动的模型选择和蓝图构建，将自动化数据科学转化为可验证、可复用的模型选择问题，在金融时间序列任务中优于AutoML和智能体基线。
FineVerify: 通过细粒度自验证扩展智能搜索的测试时计算
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出FineVerify细粒度自验证框架，将问题分解为可检查的子问题，对候选答案逐项验证并聚合得分，在四个智能搜索基准上显著优于标准扩展基线。
Comments 8+18 pages, 6 tables, 11 figures
TRACE: 面向长程智能体安全的轨迹风险感知压缩
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； South China Normal University（华南师范大学）
AI总结 提出轨迹风险感知压缩方法TRACE，通过压缩器-阅读器架构将长轨迹压缩为潜在证据状态，以聚合稀疏风险信号并提升长程安全检测准确率。
CARE-RL：用于缓解跨领域冲突的能力感知强化学习
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出CARE-RL框架，结合协议感知奖励生成与能力感知优化，通过PA-GRM和DACSP方法缓解多领域强化学习中的奖励不可靠与能力干扰问题。
面向移动操作的动态弹性时空语义记忆与混合定位
机构 * School of Mechanical Engineering and Automation, Beihang University（北京航空航天大学机械工程及自动化学院） ； Department of Systems Engineering, City University of Hong Kong（香港城市大学系统工程系） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 提出DREAM框架，通过在线构建时空语义体素记忆、冗余感知记忆剪枝和混合定位，实现无预建地图的动态室内移动操作，将长时任务成功率提升至55%-70%。
Comments Code, CAD model, and real-robot demonstrations are available at https://bjhyzj.github.io/dream-web
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