高校专区
通过在最小感知平台上的涌现自适应莱维飞行实现分散式可扩展探索
机构 * National University of Singapore（新加坡国立大学）
AI总结 针对纳米无人机自主探索难题，提出轻量级传感器驱动的莱维飞行控制器，结合离散步长采样与传感器反应策略，各机器人独立采样指数并选航向，实现可扩展多无人机探索，仿真显示覆盖率提升且碰撞减少。
Comments Accepted for publication in the Proceedings of the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 6 pages, 8 figures
GAUGE：在没有标准答案的情况下对代理构建的金融模型进行评分
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Adelaide（阿德莱德大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学）
AI总结 研究针对金融模型无标准答案的问题，引入GAUGE基准，依据分析师实际做法评估代理构建的估值模型，通过多种方式验证，揭示高级、初级分析师及学生在模型评分上的差异，指出当前代理在模型构建与估值判断上的强弱情况，并发布相关资源。
Comments 35 pages, including appendices. Code, benchmark materials, and evaluation artifacts will be publicly released
DisasterTD：使用多模态大语言模型和跨视角地理定位的灾害地名消歧
机构 * College of Geodesy and Geomatics, Shandong University of Science and Technology（山东科技大学测绘与地理信息学院） ； School of Environmental Science and Spatial Informatics, China University of Mining and Technology（中国矿业大学环境与测绘学院） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University（武汉大学测绘遥感信息工程国家重点实验室） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Automation, Southeast University（东南大学自动化学院） ； Department of Geography, National University of Singapore（新加坡国立大学地理系）
AI总结 研究针对社交媒体图像地理参考模糊问题，提出DisasterTD框架，集成多模态大语言模型语义推理与跨视角地理定位，在飓风哈维数据集上评估，该方法优于基线，能有效进行细粒度灾害地理定位，提升不同距离下的定位准确率并减少误差。
利用记忆进行推理：一种用于免训练长视频理解的时间粒度自适应框架
机构 * National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（高性能计算研究所，科学、技术与研究机构（A*STAR）） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Jilin University（吉林大学）
AI总结 研究针对多模态大语言模型长视频理解受限问题，提出ReMem框架，通过双级记忆增强自适应，在查询和视频级别分别处理，能适应不同时间粒度，经实验验证在多个基准测试中实现高效零样本性能，提升模型长视频推理能力。
Comments Accepted by ECCV 2026
DailyBench：用于评估现代生成模型生成和处理的人工智能图像的统一基准
机构 * People’s Daily Online（人民网） ； Nanyang Technological University（南洋理工大学） ； Tongji University（同济大学） ； Nanjing University of Science and Technology（南京理工大学） ； 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 研究针对现有生成模型图像检测基准与现实差距问题，提出统一基准DailyBench，含FakeBench和ManipulationBench两个子集，通过实验揭示当前检测器鲁棒性差，凸显其可用于开发更强大的人工智能生成图像检测方法。
Comments Some errors must be corrected
ATSplat：具有自适应令牌扩展的紧凑型前馈3D高斯点渲染
机构 * Yonsei University（延世大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对现有前馈3DGS方法不足，提出ATSplat框架。通过自适应3D令牌恢复自适应分配能力，先提升深度等形成场景支架，再回归高斯并解耦放置，还用模块预测不确定性分数并扩展令牌。实验表明其实现高质量渲染且减少高斯数量，提升效率。
Comments Project page is at: https://join16.github.io/page-atsplat
T2LDM++：一种用于真实文本到激光雷达场景生成的自条件表示引导扩散模型
机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； Nanjing University of Science and Technology（南京理工大学） ； Faculty of Data Science（数据科学学院） ； City University of Macau（澳门城市大学） ； Beijing Institute of Technology（北京理工大学） ； Fondazione Bruno Kessler（布鲁诺·凯瑟尔基金会） ； School of Public Health（公共卫生学院） ； Shanghai Jiao Tong University（上海交通大学） ； School of Computing（计算机学院） ； National University of Singapore（新加坡国立大学）
AI总结 针对文本-激光雷达数据稀缺导致场景过平滑和可控性不足的问题，提出T2LDM++模型，通过自条件表示引导（SCRG）提供重建监督，并构建高质量基准数据集，实现几何细节丰富的激光雷达场景生成。
FlowInOne：将多模态生成统一为图像输入、图像输出的流匹配
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Central South University（中南大学） ； 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） ； Microsoft（微软）
AI总结 本文提出FlowInOne框架，将多模态生成统一为纯视觉流匹配，通过视觉提示消除跨模态对齐瓶颈，实现文本到图像生成、布局引导编辑和视觉指令遵循的统一。
Comments Accepted by ECCV 2026. 38 Pages, 21 Figures, 12 Tables
重新审视脉冲神经网络的能量效率
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 本文重新评估脉冲神经网络的能量效率，通过建立等效量化神经网络模型，分析其在不同参数和硬件条件下能量优势，并展示优化SNN可显著提升智能手表电池寿命。
Comments accepted by TCAD
Picasso: 基于物理约束采样的整体场景重建
机构 * Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学）
AI总结 提出Picasso，一种通过快速拒绝采样推理多物体交互并考虑几何、非穿透和物理约束的整体场景重建方法，在物理合理性和重建精度上显著优于现有技术。
Comments 15 pages, accepted to Robotics: Science and Systems (RSS) 2026
通过语义长期跟踪实现手术视频的分割：SAM2S
机构 * National University of Singapore（新加坡国立大学） ； University of Sheffield（谢菲尔德大学）
AI总结 SAM2S通过语义长期跟踪提升手术视频分割性能，实现更准确的零样本泛化和实时推理
Comments 19 pages, 7 figures, 11 tables
对比性弱到强泛化
机构 * ustc（中国科学技术大学） ； nus（新加坡国立大学） ； zgc（中关村学院） ； smu（新加坡管理学院）
AI总结 研究针对弱到强泛化中弱模型输出噪声和偏差问题，利用隐式奖励与对比解码的联系，提出ConG框架，通过对比解码生成高质量样本，实现可靠能力转移等，经实证验证其有效性和通用性，推动了弱到强泛化及通向通用人工智能。
机构 * National University of Singapore（新加坡国立大学） ； Betterdata AI
通过视觉状态转换扩展 GUI 智能体
机构 * NUS（新加坡国立大学） ； Sea AI Lab（Sea人工智能实验室） ； UTS（悉尼科技大学） ； University of Liverpool（利物浦大学）
AI总结 研究通过状态转换预训练扩展 GUI 智能体，联合优化逆动力学和正向动力学预训练统一多模态模型，在桌面和移动 GUI 场景基准测试中优于基线，联合动力学优化有稳定改进，下游性能随转换数据量提升。
PathScale-R1：用于病理图像分析的跨尺度推理
机构 * National University of Singapore（新加坡国立大学） ； PuzzleLogic Pte Ltd（拼图逻辑私人有限公司） ； Fujian Medical University Cancer Hospital & Fujian Cancer Hospital（福建医科大学附属肿瘤医院）
AI总结 研究针对病理诊断多尺度需求及现有模型局限，引入抗捷径跨尺度病理推理框架，设计相关策略构建PathScale-VQA基准，经优化得到PathScale-R1，实验证明其在跨尺度推理任务性能及对单尺度病理VQA的有效迁移。
打破总方差障碍：具有固定动作集的线性异方差博弈的精确样本复杂度
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； National University of Singapore（新加坡国立大学） ； Duke University（杜克大学）
AI总结 研究具有固定动作集的线性异方差博弈问题，提出方差自适应算法\texttt{VAEE}及方差感知变体，实现了具有近乎调和均值依赖率的简单遗憾，打破了$\sqrt{\Lambda}$障碍，并建立了近乎匹配的下界。
增强病理视觉语言模型的跨尺度推理能力
机构 * Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系） ； PuzzleLogic Pte Ltd（PuzzleLogic私人有限公司） ； Department of Pathology, Fujian Medical University Cancer Hospital & Fujian Cancer Hospital（福建医科大学附属肿瘤医院病理科暨福建省肿瘤医院）
AI总结 提出首个跨尺度训练与评估范式，通过多倍率视觉问答任务增强病理视觉语言模型的跨尺度推理能力，并构建高质量基准数据集Scale-VQA及模型ScaleReasoner-R1，实现最优性能。
Comments MICCAI 2026
WeCon: 一种高效的权重条件神经求解器用于多目标组合优化问题
机构 * Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室） ； College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； 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） ； College of Software, Jilin University（吉林大学软件学院） ； School of Software, Tsinghua University（清华大学软件学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理学院 computing and information systems 系）
AI总结 提出一种权重条件神经求解器WeCon，通过编码器中的门控残差融合和解码器中的残差融合模块增强权重-特征交互，并采用高效偏好优化构建高质量解对，在多个多目标组合优化问题上达到与最先进方法相当的HV值并减少40%推理时间。
一种用于在离散约束下无线资源分配的通用深度学习框架
机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； School of Computing and Information Technology, Great Bay University（大湾大学计算机与信息科技学院） ； Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）
AI总结 本文提出一种通用深度学习框架，通过引入支撑集来表示离散变量，解决深度学习在处理离散变量时的零梯度问题和约束执行难题，应用于混合离散无线资源分配问题。
Comments 15 pages, 20 figures, 2 tables
LEDOM：反向语言模型
机构 * Peking University（北京大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Arizona（亚利桑那大学） ； National University of Singapore（新加坡国立大学）
AI总结 LEDOM是一种反向自回归语言模型，通过反向训练获得独特能力，如演绎推理和解决反转诅咒，并在多个基准测试中提升了性能。
Comments Work in progress; Models can be found at: https://huggingface.co/Corning/Reverse-Model-7B-348B/tree/main
使用可控记忆函数对序列建模理论进行数值研究
机构 * Department of Mathematics（数学系） ； Institute for Functional Intelligent Materials（功能智能材料研究所） ； National University of Singapore（新加坡国立大学）
AI总结 研究序列建模架构优缺点，提出综合基准框架，通过生成含可控参数的合成目标评估模型，关注四种记忆函数，实验证实理论见解并揭示新发现，推进理论理解，强调用可控目标评估架构的重要性。
DB-VIO：具有增强视觉惯性表示的双分支视觉惯性里程计
机构 * National University of Singapore（新加坡国立大学）
AI总结 研究针对视觉惯性里程计问题，提出DB-VIO双分支框架，通过融入深度线索、姿态先验和解耦姿态估计进行运动特定时间建模，实验表明该方法在自动驾驶和空中机器人基准测试中性能优异，提升了旋转和平移估计精度。
基于角色的访问控制下的文本到SQL基准测试
机构 * National University of Singapore（新加坡国立大学） ； Hamad Bin Khalifa University（哈马德·本·卡西姆大学）
AI总结 研究基于角色的访问控制下文本到SQL的基准测试问题，提出含现实RBAC约束的综合基准测试框架，通过大语言模型辅助工作流程及人工审核等增强基准，应用该框架研究发现部分高分系统在有访问约束时性能因RBAC违规而大幅下降。
Comments Accepted at ACM SIGMOD 2027
ACME：一个多文化、多实体的社会导航数据集
机构 * School of Computing, National University of Singapore（新加坡国立大学计算学院）
AI总结 该研究针对现有社会导航数据集缺乏文化等多样性的问题，引入ACME数据集，通过多国多地多机器人实体大规模收集数据，提供多种数据便于学习与预测，经分析其能捕捉更具挑战场景及更广泛行人行为。
Comments 24 Pages, 19 Figures, Submitted to IJRR on June 29th 2026
智能体真实到模拟：使用视觉语言智能体进行基于物理的世界建模
机构 * University of British Columbia（英属哥伦比亚大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； National University of Singapore（新加坡国立大学） ； Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Style3D（无合适对应中文名）
AI总结 研究针对机器人与物体交互的真实到模拟转换难题，提出智能体真实到模拟框架，利用视觉语言智能体进行广义物理世界建模，能转换真实记录为可模拟孪生体，在多场景评估效果良好，成本低，可用于下游机器人任务。
Comments Authorship change
纠缠几何分离电路切割、经典硬度和可训练性
机构 * Quantum Software Lab（量子软件实验室） ； University of Edinburgh, UK（爱丁堡大学） ； IBM Research（IBM研究院） ； Centre for Quantum Technologies（量子技术中心） ； National University of Singapore（新加坡国立大学）
AI总结 研究表明纠缠几何约束电路切割等属性，具恒定接缝键维度的MPS和TTN电路可经典模拟，构建的双块电路家族可廉价切割，MPS硬度和可训练性深度范围不兼容，用魔法作硬度资源可避免冲突，浅Clifford+\(T\)电路有相应特性。
Comments 4 pages, 2 figures
熵梯度反转：迈向大型推理模型的内部机制
机构 * National University of Singapore（新加坡国立大学） ； Renmin University of China（中国人民大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文发现大型推理模型中令牌熵与logit梯度之间的稳健负相关（熵梯度反转），并提出相关性正则化组策略优化（CorR-PO）将其嵌入强化学习奖励正则化，从而提升推理性能。
Comments 15 pages, 5 figures, 8 tables
最大化关键区域的局部熵：基于前缀的局部化大语言模型去敏感化
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）
AI总结 本文提出PALU框架，通过局部熵最大化减少冗余优化，提升大语言模型的去敏感化效果与通用性能。
Comments Accepted to ACL 2026 main
面向多语言指令遵循语音大语言模型的语言感知蒸馏：仅使用ASR监督
机构 * College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学） ； AI Singapore（AI新加坡） ； National University of Singapore（新加坡国立大学） ； Institute for Infocomm Research (I$^2$R)（信息通信研究所） ； A$^{*}$STAR（A*星）
AI总结 本文提出一种语言感知蒸馏方法，通过查询库和门控网络提升多语言指令遵循语音大语言模型的性能，实现在Audio-MLQA基准上比现有基线提升32%。
Comments Accepted at Interspeech 2026
AXIS：用于可扩展机器人操作的可增长社区驱动数据引擎
机构 * Axis Robotics（轴机器人公司） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Texas A&M University（德州农工大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对机器人操作策略学习中数据管道难扩展的问题，提出AXIS这一可增长社区驱动数据引擎，它能收集、处理数据并组织成任务快照，通过实验表明其能提升模型性能且随数据量增加有一致扩展性。
Comments Project Website: https://axisaiorg.github.io/AXIS-V1/
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