高校专区
探索还是收敛？面向扩散模型的阶段引导式逐步优化方法
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学）
AI总结 针对扩散模型RL偏好对齐的奖励不匹配问题，提出SGPO方法，通过分阶段分配目标，使生成质量提升26.7%、收敛速度提高36.7%。
MemPrism：面向长程智能体的任务条件关系记忆视图
机构 * Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究针对长程智能体记忆系统的表示不匹配问题，提出MemPrism任务条件关系记忆框架，经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。
UAV3DCrop：面向重复多视角无人机作物调查的三维重建基准测试
机构 * University of Minnesota, Twin Cities（明尼苏达大学双城校区） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Pittsburgh（匹兹堡大学） ； Max Planck Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所） ； Boston University（波士顿大学） ； Peking University（北京大学）
AI总结 本文提出UAV3DCrop基准，评估NeRF、3DGS等场景优化方法及预训练前馈模型在作物三维重建任务的表现，发现无单一方法适配所有农艺需求，仅一种前馈模型可恢复可用度量尺度。
Comments 22 pages, 7 figures. Dataset and project page: https://link-dev.github.io/UAV3DCrop/
GEB-Bench：多视角呈现的抽象结构
机构 * Fudan University（复旦大学） ； Peking University（北京大学）
AI总结 本研究推出GEB-Bench基准，评估12种模型发现其在结构识别与跨视角映射间存在差距，仅前沿模型能缩小该差距，且表面复杂性会增加模型负担。
通过对齐约束缓解PINN中的梯度病理
机构 * Department of Information Science and Engineering, KTH Royal Institute of Technology, Stockholm, Sweden（信息科学与工程系，皇家理工学院，斯德哥尔摩，瑞典） ； School of Advanced Manufacturing and Robotics, Peking University, Beijing, China（先进制造与机器人学院，北京大学，北京，中国） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University, Suzhou, China（先进技术学院，西安交通大学利物浦大学，苏州，中国） ； Department of AI, School of Engineering, Westlake University, Hangzhou, China（人工智能系，工程学院，西湖大学，杭州，中国）
AI总结 针对物理信息神经网络训练中梯度冲突导致的局部最优问题，提出约束对齐损失与流形提升方法，通过重新表述零阶项为对齐约束并引入延迟因子，显著提升数值稳定性和效率。
Comments Accepted by ICML 2026
Journal ref Forty-Third International Conference on Machine Learning (ICML 2026)
教师特征漂移：基于预训练扩散表示的一步扩散蒸馏
机构 * JD Explore Academy（京东探索研究院） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 本文提出通过单步扩散蒸馏简化模型，利用预训练扩散教师自身的特征空间，无需额外网络即可实现语义特征几何的漂移，同时引入轻量模式覆盖损失以提升生成质量和多样性。
身份作为存在：迈向基于外观和声音的联合音频视频生成
机构 * Tencent Inc.（腾讯公司） ； Peking University（北京大学）
AI总结 本文提出一个统一的框架，实现身份感知的音频视频生成，通过数据整理管道和灵活的身份注入机制，提升生成内容的高保真度和一致性。
拼接与讲述：一种结构化多模态数据增强方法用于空间理解
机构 * School of Computer Science, Beijing Institute of Technology（北京理工大学计算机科学学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Xiaohongshu Inc（小红书公司）
AI总结 Stitch and Tell通过结构化空间监督提升视觉-语言模型的空间理解能力，有效缓解空间幻觉并提高相关任务性能。
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
MicroEvo：知识引导的大语言模型采样用于高效微架构设计空间探索
机构 * Southeast University（东南大学） ； National Center of Technology Innovation for EDA（国家EDA技术创新中心） ； NVIDIA Corporation（英伟达公司） ； Fudan University（复旦大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Peking University（北京大学）
AI总结 MicroEvo是结合LLM与MCTS的知识引导框架，用于多目标微架构优化，可提升帕累托前沿质量与搜索效率，具备工业级可扩展性。
Comments Accepted by ICCAD 2026
FOCUS：解耦大语言模型中的专家角色以提升领域专家能力
机构 * Peking University（北京大学） ； The University of Sydney（悉尼大学）
AI总结 FOCUS通过正交分解解耦LLMs的专家角色，结合专家门控模块与两阶段训练策略，在多领域基准上提升了角色控制的任务准确率，性能优于现有方法。
Ge$^\text{2}$mS-T：多维分组以实现脉冲变换器中超高能效
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； State Key Laboratory for Multimedia Information Processing, Peking University（北京大学多媒体信息处理国家重点实验室） ； Academy for Advanced Interdisciplinary Studies, Peking University（北京大学前沿交叉学科研究院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 本文提出Ge$^\text{2}$mS-T架构，通过多维分组计算提升Spiking Vision Transformers的能效，解决内存、精度与能耗的平衡问题。
Comments Accepted to ACM MM 2026 (Oral)
生成式神经物理实现组织力学的定量体积超声成像
机构 * College of Future Technology, Peking University（未来技术学院，北京大学） ； National Biomedical Imaging Center, Peking University（北京大学国家生物医学成像中心） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； School of Physical Sciences, University of Chinese Academy of Sciences（中国科学院大学物理科学学院） ； School of EECE, University of Chinese Academy of Sciences（中国科学院大学电子工程与计算机科学学院） ； Department of Orthopedics, Peking University Third Hospital（北京大学第三医院骨科部） ； Department of Ultrasound, Peking University Third Hospital（北京大学第三医院超声科） ； Department of Orthopaedic Surgery, The Third Hospital of Hebei Medical University（河北医科大学第三医院骨科部） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学姚期智数学科学中心） ； Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（北京燕琦湖数学科学与应用研究院）
AI总结 该研究提出生成式神经物理框架，结合生成网络与物理信息神经模拟，实现了快速高保真三维超声断层成像，可在十分钟内重建组织参数三维图谱，分辨率媲美MRI，推动定量超声断层成像用于肌肉骨骼成像的临床应用。
Afford-X：面向任务型操作的通用且轻量化的可供性推理模型
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） ； Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； Institute for Al Industry Research, Tsinghua University（清华大学人工智能产业研究院） ； Department of Computer Science, Tsinghua University（清华大学计算机科学系）
AI总结 研究人员推出LVIS-Aff数据集，开发了Afford-X可供性推理模型，其性能优于现有非LLM方法和此前会议论文结果，参数紧凑、推理速度快，可部署于本地设备助力机器人任务导向型操作。
OmniEdit-Bench：基于指令的视频编辑综合基准
机构 * The University of Hong Kong（香港大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University（浙江大学） ； Peking University（北京大学）
AI总结 针对现有基于指令的视频编辑基准的任务覆盖有限、指标不足的问题，OmniEdit-Bench将编辑任务分解为多维度并提出含惩罚机制的评估框架，实验显示当前IVE模型仍待提升。
UniWorld-View：基于视频扩散模型的大基线视图合成
机构 * Peking University（北京大学） ； Rabbitpre AI
AI总结 UniWorld-View 是结合显式 3D 指导与视频扩散建模的统一框架，可从单目输入实现可控大基线新视图合成，在基准测试中展现出优异的可控性、几何一致性与视觉保真度。
Comments Project Homepage: https://zhouhyocean.github.io/uniworld-view/ Code: https://github.com/PKU-YuanGroup/UniWorld-View
HyPASE：用于大音频语言模型的参数高效语音情感微调框架的双曲几何方法
机构 * Tongji University（同济大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Peking University（北京大学）
AI总结 本文提出HyPASE双曲PEFT框架，利用庞加莱球模型及HGA、EMCA组件，在MELD、IEMOCAP等数据集上优于欧氏PEFT基线，实现高效的大音频语言模型语音情感微调。
蒸馏前先前瞻：智能体策略内蒸馏中教师指导的未来轨迹验证
机构 * Meituan LongCat Interaction（美团龙猫交互） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； Nanjing University（南京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Jilin University（吉林大学） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 该研究针对策略内蒸馏的学生轨迹偏差问题，提出FutureBridge-OPD方法，在多任务基准上显著优于现有方法，代码公开可用。
Comments 15 pages, 5 figures
HalluScope：多模态大语言模型的细粒度幻觉诊断
机构 * Peking University（北京大学） ； Joy Future Academy（京东探索研究院）
AI总结 研究针对多模态大语言模型的幻觉问题，提出细粒度幻觉诊断任务，开发数据集并设计奖励函数，训练HalluScope-4B和HalluScope-8B模型，在多个基准测试中达最优，其诊断解释能有效指导目标模型纠正幻觉。
Comments Accepted to ACM Multimedia 2026 (ACM MM 2026)
当模态记住：多模态知识图谱的持续学习
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； School of Computer Science, Zhejiang University（浙江大学计算机科学学院） ； School of Cyber Science and Engineering, Wuhan University（武汉大学网络科学与工程学院） ； School of Information Science and Technology, Tibet University（西藏大学信息科学与技术学院）
AI总结 本文提出MRCKG模型，通过多模态-结构协同课程和跨模态知识保存机制，解决多模态知识图谱的持续学习问题，提升新知识学习能力。
Comments Accepted at the 34th ACM International Conference on Multimedia (ACM MM 2026)
从理解到擦除：迈向完全且稳定的视频对象移除
机构 * Peking University（北京大学） ； WeChat Vision, Tencent Inc.（腾讯微信视觉）
AI总结 本文提出通过外部和内部指导机制，结合视觉基础模型与视频扩散模型，提升视频对象移除的物理和语义理解能力，实现清晰且连贯的移除效果，并建立首个真实世界基准测试。
Comments Code: https://github.com/WeChatCV/UnderEraser
Place-it-R1: 解锁多模态大语言模型在视频物体插入中的环境感知推理潜力
机构 * HKUST（香港科技大学） ； Tencent Video（腾讯视频） ； Peking University（北京大学）
AI总结 Place-it-R1通过多模态大语言模型的环境感知推理能力，实现物理一致的视频物体插入，提供两种模式以平衡保真度与合理性。
TimeSearch: 基于聚光灯和反射的层次视频搜索用于类人长视频理解
机构 * ByteDance（字节跳动） ； School of Computer Science, Peking University（北京大学计算机科学学院）
AI总结 TimeSearch通过Spotlight和Reflection机制，提升长视频理解的准确性和效率
Comments ACMMM 2026
通过老虎机优化稳定多攻击对抗训练
机构 * Peking University（北京大学） ； University of Bristol（布里斯托大学）
AI总结 针对多攻击对抗训练的高开销或参数漂移问题，提出校准对抗采样（CAS）框架，将其转化为多臂老虎机优化，降低成本并提升鲁棒性。
Comments ACM MM 2026
超越形态的运动：从抽象运动表示引导跨类别运动迁移
机构 * Kuaishou Technology（快手科技） ； Peking University（北京大学）
AI总结 该研究针对现有运动迁移依赖固定结构对应关系的局限，提出两阶段框架，结合自研数据集与基准，实现跨类别运动迁移，在运动保真度和目标保留上达当前最优。
MiniWorld：从零开始普及视频世界模型的训练
机构 * Peking University（北京大学）
AI总结 MiniWorld是从零开始训练流式视频世界模型的可复现框架，采用特定模型与训练策略，可在单台8-GPU服务器数天内完成训练，旨在降低训练门槛以推动相关研究。
Comments 19 pages
MoECa: 在扩散变换器中对齐特征复用与专家分解
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； School of Software Engineering, University of Electronic Science and Technology of China（电子科技大学软件工程学院）
AI总结 针对DiT-MoE中跨时间步的冗余计算，提出基于专家分支级别的细粒度缓存框架MoECa，实现分支级特征复用，并引入专家感知自适应控制和同步缓存更新，在多个模型上取得高达2.83倍加速且质量损失极小。
Comments Will appear in ACM MM'2026
SVL：基于脉冲的视觉-语言预训练用于高效的3D开放世界理解
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Future Technology, University of Chinese Academy of Sciences（中国科学院大学未来技术学院） ； Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学）
AI总结 SVL提出基于脉冲的视觉-语言预训练框架，通过多尺度三元组对齐和可重参数化的视觉-语言整合，提升SNN在3D开放世界理解中的性能，实现高效零样本3D分类和多模态问答。
Comments ICML 2026 Spotlight
Talker-T2AV：基于自回归扩散模型的联合说话音频视频生成
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； Independent Researcher（独立研究者）
AI总结 本文提出Talker-T2AV，通过共享骨干和模态特定解码器实现音频视频联合生成，提升跨模态一致性与生成效率。
基于稀疏视角的神经表面重建与极几何
机构 * Yuanpei College, Peking University（北京大学元培学院） ； MIT Media Lab and EECS, MIT（麻省理工学院媒体实验室和电子工程与计算机科学系）
AI总结 本文提出EpiS框架，利用极几何改进稀疏视角下的表面重建，通过epipolar transformer和射线聚合生成SDF-aware特征，结合几何正则化策略提升重建精度。
CMuon：通过分块动量正交化加速并稳定扩散Transformer的训练
机构 * Peking University（北京大学） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学）
AI总结 针对扩散Transformer训练计算成本高、普通Muon优化器存在后期收敛问题的瓶颈，提出CMuon策略，通过分块权重实现训练加速与收敛优化，在ImageNet 256上200个epoch达FID1.18，训练速度超AdamW2倍
Comments ECCV 2026
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