高校专区
V-ABS：基于动作-观察者的动态视觉推理束搜索
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University（上海交通大学图像处理与模式识别研究所） ； SenseTime Research（商汤科技研究院） ； Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医学机器人研究所）
AI总结 本文提出V-ABS框架，通过思考-行动-观察循环和熵适应加权算法，缓解IAO偏差，提升多模态模型在复杂视觉推理中的性能。
CLEAR: 基于上下文的端到端无掩码推理的自适应视频字幕移除
机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Technical University of Munich（慕尼黑技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学）
AI总结 CLEAR通过上下文感知的自适应学习实现端到端无掩码推理，有效区分字幕与背景内容，提升多语言字幕移除性能。
Comments Accepted by ICML 2026 (Spotlight)
通过变分正则化进行机器人操作的信息过滤
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出变分正则化方法，通过在U-Net和DiT中随机掩码骨干特征或跳过中间层，减少中间特征中的无关噪声，提升机器人操作性能。
EchoPrune: 将冗余视为时间回声以实现高效的视频大语言模型
机构 * KU Leuven（鲁文大学） ； Shanghai Jiaotong University（上海交通大学） ； Weill Cornell Medicine（韦尔医学院）
AI总结 本文提出EchoPrune方法，通过将冗余视频token视为时间回声，提升视频大语言模型在固定token预算下的时间分辨率，实验表明其在六个视频理解基准上使模型处理20倍帧数，性能提升8.6%且推理速度提升5.6倍。
Comments 9 pages
ExtraVAR: 用于视觉自回归模型中分辨率外推的阶段感知RoPE重映射
机构 * Beijing Institute of Technology（北京理工大学） ； Xidian University（西安电子科技大学） ； Northeastern University at Qinhuangdao（秦皇岛东北大学） ； Shanghai Jiao Tong University（上海交通大学） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 本文提出ExtraVAR，通过阶段感知RoPE重映射解决视觉自回归模型中分辨率外推的全局重复、局部重复和细节退化问题，引入熵驱动自适应注意力校准提升结构和细节质量。
Comments 10 pages, 7 figures
位置：学术会议可能面临由完全自动化科学代理引发的分母游戏威胁
机构 * Shanghai Jiao Tong University（上海交通大学） ； Central South University（中南大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文探讨了由完全自动化科学代理引发的分母游戏威胁，分析了其对学术会议评审系统的影响，并提出系统性政策改革作为缓解措施。
Comments Accepted by ICML'26 Position Track
PDEAgent-Bench: 一个多指标、多库的PDE求解器生成基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Arizona State University（亚利桑那州立大学） ； Rice University（里士满大学） ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； Alibaba Group（阿里巴巴集团）
AI总结 PDEAgent-Bench是首个针对PDE求解器生成的多指标、多库基准，包含645个实例，涵盖6类数学问题和11种PDE家族，评估生成求解器的可执行性、数值精度和计算效率。
反射锚点用于长链多模态推理中的传播感知视觉保留
机构 * Shanghai Jiao Tong University（上海交通大学） ； Lanzhou University（兰州大学）
AI总结 本文提出RAPO方法，通过信息论分析优化视觉传播潜力和局部分支空间，提升长链多模态推理的视觉信息保留效果。
Comments Under Review
生物信号指纹：一种跨模态PPG-ECG基础模型
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research（牛津苏浙先进研究中心） ； School of Public Health, Shanghai Jiao Tong University（上海交通大学公共卫生学院）
AI总结 本文提出生物信号指纹，通过跨模态基础模型M2AE生成紧凑且可迁移的心血管状态表示，实现无需重新训练的多任务应用，在多个任务中表现出色。
Comments 21 pages, 8 figures, 7 tables
SWIFT: 用于高效交互长视频生成的提示自适应内存
机构 * University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 SWIFT提出一种无需训练的多提示长视频生成框架，通过轻量级语义注入缓存和自适应动态窗口实现高效语义切换，保持时间一致性，达到22.6 FPS的高效生成速度。
Comments Code is available at https://github.com/ShanwenTan/SWIFT
超越孤立：一个通用导航的统一基准
机构 * AutoLab, SAI, Shanghai Jiao Tong University（自动化实验室、上海交通大学） ； Research Lab, Anyverse Dynamics（Anyverse Dynamics 研究实验室）
AI总结 本文提出OmniNavBench基准，通过复合复杂性、形态通用性和演示质量三大变革，解决通用导航中跨技能协调与跨形态泛化的问题，揭示现有方法在复杂导航任务中的不足。
Comments Accepted at RSS 2026
EduStory: 一个统一框架，用于教学一致的多镜头STEM教学视频生成
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出EduStory框架，通过整合教学状态建模、脚本引导的结构控制和学习导向评估指标，解决多镜头STEM教学视频中知识一致性与教学叙事连贯性的问题，并引入EduVideoBench基准测试以评估生成视频的质量。
维特根斯坦表示假说：语言是否是多模态收敛的吸引子？
机构 * Central South University（中南大学） ； Huazhong University of Science and Technology（华中科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团）
AI总结 研究探讨了为何不同模态的神经网络收敛于共享表示，发现语言模态对其他模态有显著方向性吸引，提出维特根斯坦表示假说。
Comments 22 pages, 11 figures, 6 tables
ReasonSTL：通过工具增强的过程奖励学习桥接自然语言与信号时间逻辑
机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出ReasonSTL框架，通过工具增强和过程奖励学习，解决自然语言到信号时间逻辑（STL）的转换难题，提供透明、低成本且隐私保护的正式规范起草方案。
SDFlow：基于相似度的流匹配用于时间序列生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai University（上海大学） ； Nanyang Technological University（南洋理工大学） ； Chinese Academy of Sciences（中国科学院） ； Institute for Infocomm Research, A*STAR（信息通信研究院，A*STAR）
AI总结 SDFlow通过非自回归框架在冻结的VQ潜在空间中实现并行序列生成，解决曝光偏差问题，降低高维性，引入离散监督，提升生成质量与效率。
从扩散策略中恢复隐藏奖励
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出EnergyFlow框架，通过参数化标量能量函数的梯度作为去噪场，统一生成动作建模与逆强化学习，证明在最大熵最优性下，去噪分数匹配学习的分数函数能恢复专家的软Q函数梯度，无需对抗训练即可提取奖励。
Comments Accepted by ICML 2026
HiVLA：一种以视觉为基础的分层具身操作系统
机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 HiVLA提出一种分层框架，将高层语义规划与底层动作控制解耦，通过视觉 grounding 和 Diffusion Transformer 专家提升机器人操作能力，实验证明其在长时序技能组合和精细操作中表现优异。
Comments Project Page: https://tianshuoy.github.io/HiVLA-page/
Pair2Scene：学习局部物体关系以生成程序化场景
机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出Pair2Scene框架，通过学习局部规则与场景层次和物理算法，生成高保真的3D室内场景，优于现有方法。
Comments ICML 2026
MultiAnimate：基于姿态的图像动画使其可扩展
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出一种可扩展的多人物图像动画框架，通过引入标识符分配器和标识符适配器，解决多人物场景中的身份混淆和不合理的遮挡问题，实现高质量多人物动画生成。
Comments CVPR2026 Accepted. Project page at https://hyc001.github.io/MultiAnimate/
引入无等级耦合和外部场的非相干调制空间光子Ising机器
机构 * State Key Laboratory of Photonics and Communications（光子与通信国家重点实验室） ； Institute for Quantum Sensing and Information Processing（量子传感与信息处理研究所） ； Shanghai Jiao Tong University（上海交通大学） ； Hefei National Laboratory（合肥国家实验室） ； Shanghai Research Center for Quantum Sciences（上海量子科学研究中心）
AI总结 该研究提出一种无需等级的光子Ising机器，通过Hadamard积编码任意Ising哈密顿量，实现高精度、高旋量的Ising模型模拟，并在Mobius ladder图上解决Max-Cut问题，展示了光子Ising机器的可扩展性。
Comments 15 pages, 6 figures
Uni-Hand：面向亲身体验视角的通用手部运动预测
机构 * IRMV Lab, Shanghai Jiao Tong University（上海交通大学IMV实验室） ； Meta Reality Labs（Meta现实实验室） ； Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系） ； China University of Mining and Technology（中国矿业大学） ； College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学与技术学院）
AI总结 本文提出Uni-Hand框架，通过多模态输入、多维多目标预测和多任务赋能，实现手部在2D和3D空间的精准预测，并引入目标指标预测手腕和指尖关节点，同时预测手-物体交互状态，提升下游任务性能。
Comments Accepted by T-PAMI 2026. Code and data: https://github.com/IRMVLab/UniHand
基于不确定性的深度集运算学习
机构 * Department of Mathematics, Shanghai Normal University（上海师范大学数学系） ； School of Mathematical Sciences, Institute of Natural Sciences（自然科学院数学系） ； MOE-LSC, Shanghai Jiao Tong University（教育部重点实验室，上海交通大学） ； Institute of Computational Mathematics（计算数学研究所） ； Scientific/Engineering Computing, AMSS, Chinese Academy of Sciences（科学与工程计算，中国科学院数学研究所）
AI总结 本文提出UQ-SONet框架，通过集变换器和变分自编码器实现稀疏传感器下的运算学习，并利用ELBO最小化进行不确定性估计，验证了在确定性和随机性PDE中的有效性。
KEPIL: 基于知识增强的提示-图像学习用于提示鲁棒疾病检测
机构 * University of Bern（伯尔尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Department of Radiation Oncology, Inselspital, Bern University Hospital and University of Bern（放射肿瘤科、Inselspital伯尔尼大学医院及伯尔尼大学）
AI总结 KEPIL通过整合 curated 医学知识，提升零样本推理性能，采用动态提示增强、语义感知对比损失和实体中心报告标准化方法，在多个基准测试中实现 state-of-the-art 成绩，提升 AUC 6.37% 在 CheXpert 上。
BubbleSpec: 将长尾气泡转化为投机性回滚草稿以同步强化学习
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出BubbleSpec框架，通过利用更快rank的空闲时间预生成回滚结果，提升同步强化学习的效率，减少50%的解码步骤并提高1.8倍的回滚吞吐量。
AgentSlimming: 向高效且成本敏感的多智能体系统迈进
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanjing University（南京大学） ； The University of Sydney（悉尼大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 本文提出AgentSlimming框架，通过重要性评分和基线锚定规则压缩多智能体工作流，降低token成本达78.9%且性能损失小，实现成本与质量的帕累托最优。
并非所有转折都重要：多轮 jailbreak 的信用分配
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出 TRACE 框架，通过区分多轮 jailbreak 中不同回合的贡献，提升攻击效果和防御安全。
Comments 41 pages, 10 figures
REAP：基于高斯点扩散模拟器的端到端自主泊车强化学习
机构 * Shanghai Jiao Tong University（上海交通大学） ； Horizon Robotics Technology Research and Development Co., Ltd.（地平线机器人技术研究与开发有限公司）
AI总结 本文提出REAP方法，通过高斯点扩散模拟器实现Real2Sim2Real迁移，利用SAC算法提升训练效率，结合行为克隆和软预测碰撞惩罚机制，解决极端场景下的泊车问题。
从运动学至路由视觉控制：用于动作条件化外科视频生成
机构 * SJTU（上海交通大学） ； NUS（国立新加坡大学） ； THU（清华大学） ； EIT（欧洲研究所） ； WHU（武汉大学） ； Harvard（哈佛大学） ； NVIDIA（NVIDIA公司） ； CUHK（香港大学）
AI总结 本文提出一种运动学至视觉提升范式，通过五种图像对齐的控制模态生成动作条件化外科视频，采用分层路由框架提升控制精度与效率，构建新基准并验证方法有效性。
UniShield：基于知识图谱的多模态推理统一面部攻击检测
机构 * Shijiazhuang Tiedao University（石家庄铁道大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ningbo Institute of Digital Twin（宁波数字孪生研究所） ； Great Bay University（大贝大学）
AI总结 UniShield通过构建面部攻击知识图谱，结合图谱一致推理优化，提升面部攻击检测的准确性和推理可靠性。
X-Voice：通过零样本跨语言语音克隆让每个人都能说30种语言
机构 * MoE Key Lab of Artificial Intelligence, X-LANCE Lab, Shanghai Jiao Tong University（摩埃人工智能重点实验室、X-LANCE实验室、上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Center for Language and Speech Processing, Johns Hopkins University（语言与语音处理中心、约翰霍普金斯大学） ； Geely（吉利） ； Dataocean AI（数据海洋人工智能） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学）
AI总结 X-Voice通过双阶段训练和多语言语音合成架构，实现零样本跨语言语音克隆，优于现有多语言系统并在性能上接近大规模模型。
Comments 16 pages, 4 figures, 9 tables
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