高校专区
EgoDemoGen：用于机器人操作中视角泛化的眼动演示生成
机构 * UCAS（中国科学院大学） ； CASIA（中国科学院自动化研究所） ； GigaAI ； Tsinghua University（清华大学） ； X-Humanoid ； FiveAges
AI总结 本文提出EgoDemoGen框架，通过EgoTrajTransfer和EgoViewTransfer生成新型眼动视角下的观察-动作演示，提升机器人操作在视角变化下的成功率。
StreamingVLA: 流式视觉-语言-动作模型与动作流匹配及自适应早期观察
机构 * Tsinghua University（清华大学） ； Lenovo Group Ltd.（联想集团有限公司）
AI总结 本文提出StreamingVLA模型，通过异步并行化视觉-语言-动作阶段，减少延迟和中断，实现2.4倍的延迟提升和6.5倍的执行中断减少。
NeurIPS 2022 WikiKG90Mv2-LSC 的 TIEG-Youpu 解决方案
机构 * TIEG-Youpu Tencent, Shenzhen China（腾讯TIEG-优谱，中国深圳） ； Tsinghua University, Beijing China（清华大学，中国北京）
AI总结 本文提出 TIEG-Youpu 方法，通过检索与重排序流程提升大规模知识图谱嵌入效果，实验显示在验证集上 MRR 从 0.2342 提升至 0.2839。
Comments 6 pages, 1 figure
AutoCut：基于多模态离散化和可控生成的端到端广告视频编辑
机构 * Tsinghua University（清华大学） ； Kuaishou Technology（快手科技）
AI总结 本文提出AutoCut框架，通过多模态离散化和可控生成实现广告视频编辑，提升一致性和可控性，降低生产成本和迭代时间。
Comments Accepted by CVPR 2026
RAWIC：位深度自适应无损RAW图像压缩
机构 * School of Electronics, Peking University（北京大学电子学院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 RAWIC提出一种位深度自适应的无损RAW图像压缩框架，通过转换Bayer数据并自适应位深度估计，实现对不同相机和位深度的高效压缩，实验表明其在JPEG-XL基础上平均提升7.7%的压缩率。
Comments Accepted by ICME 2026
Vega：通过自然语言指令学习驾驶
机构 * Tsinghua University（清华大学） ； GigaAI
AI总结 本文提出Vega模型，通过自然语言指令生成和规划，提升自动驾驶的灵活性和个性化水平，基于大规模驾驶数据集InstructScene进行实验验证。
Comments Code is available at https://github.com/zuosc19/Vega
Wan-Weaver：通过解耦训练实现交错多模态生成
机构 * Tongyi Lab（通义实验室） ； Tsinghua University（清华大学）
AI总结 本文提出Wan-Weaver，通过解耦训练实现交错多模态生成，利用文本规划和视觉一致性建模，生成长文本连贯性和视觉一致性。
Comments CVPR 2026 Camera-ready, Webpage: https://doubiiu.github.io/projects/WanWeaver
ScenePilot-4K：一个大规模第一视角数据集和基准，用于自动驾驶中视觉-语言模型的安全感知学习与评估
机构 * Tongji University（同济大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Fudan University（复旦大学） ； Beihang University（北京航空航天大学） ； Tsinghua University（清华大学）
AI总结 本文提出ScenePilot-4K数据集，包含3847小时视频和27.7亿帧图像，用于评估视觉-语言模型在自动驾驶中的场景理解、空间感知、运动规划和语义对齐能力，揭示模型在几何感知和规划推理方面的局限性。
Goal-VLA: 图像生成视觉语言模型作为对象中心世界模型，赋能零样本机器人操作
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； The HKU Musketeers Foundation Institute of Data Science, The University of Hong Kong（香港大学数据科学研究院） ； Yuanpei College, Peking University（北京大学元培学院） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 本文提出Goal-VLA框架，利用图像生成视觉语言模型生成目标状态，通过对象状态表示分离高阶与低阶策略，提升机器人操作的泛化能力。
跟随你的动作：通过高效的时空解耦微调实现视频动作迁移
机构 * HKUST（香港科技大学） ； HKUST(GZ)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； XIntelligence Technology Co., Limited（星云科技股份有限公司） ； SJTU（上海交通大学）
AI总结 本文提出Follow-Your-Motion框架，通过高效的时空解耦微调方法，解决视频扩散变换器在动作迁移中的不一致性和效率问题，并引入MotionBench基准进行验证。
Comments Accepted by ICLR 2026, project page: https://follow-your-motion.github.io/
P²HCT：插件式分层C2F变换器用于多尺度特征融合
机构 * Department of Automation Tsinghua University Beijing, China ； Department of R\&D Linsulabs Chengdu, China ； School of Information ； Communication Engineering University of Electronic Science
AI总结 本文提出P²HCT模块，通过粗到细的token选择与共享注意力参数实现轻量级多尺度特征融合，提升检测与分类任务性能。
Comments 12 pages, 6 figures, ICME2026
差分反馈：为视觉语言模型强化学习生成多模态过程级监督
机构 * Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院）
AI总结 本文提出差分反馈方法，通过修复错误推理轨迹自动构建token/步骤级监督掩码，实现多模态推理中的过程级视觉对齐，实验显示在MMMStar和MathVista基准上平均提升3%。
Project Imaging-X：1000多个开放访问医学影像数据集的调查
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Institute of Optics and Fine Mechanics（上海光学精密机械研究所） ； Fudan University（复旦大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fuzhou University（福州大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Incept Labs ； Monash University（莫纳什大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与产业研究院） ； Shanghai Academy of Artificial Intelligence for Science（上海科学智能研究院） ； Nankai University（南开大学） ； The Chinese University of Hong Kong（香港中文大学） ； 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） ； Zhejiang University（浙江大学） ； School of Informatics, Xiamen University（厦门大学信息学院） ； University College London（伦敦大学学院） ； Sun Yat-sen University（中山大学） ； Alibaba Group, DAMO Academy, New York, NY, USA（阿里巴巴集团达摩院（纽约）） ； Tongji University（同济大学） ； University of Toronto（多伦多大学） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理与认知科学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； Academy for Clinical Innovation and Translation of Shanghai（上海临床创新转化研究院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Aalto University（阿尔托大学） ； Shandong University（山东大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文调查了1000多个开放访问医学影像数据集，揭示了其规模小、任务碎片化和分布不均的问题，并提出元数据驱动融合方法和交互发现门户，为医学影像数据集的整合和基础模型发展提供路线图。
Comments 157 pages, 19 figures, 26 tables. Project repo: \url{https://github.com/uni-medical/Project-Imaging-X}
Complet4R：几何完整4D重建
机构 * IIIS, Tsinghua University（清华大学交叉信息研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Qi Zhi Institute（上海期智研究院）
AI总结 Complet4R提出一种端到端框架，通过全局处理视频输入实现动态场景的时空一致且几何完整的4D重建，解决了传统方法依赖配对重建和局部运动估计的问题。
符合预测评估：一种条件覆盖评估和选择的框架
机构 * Qiuzhen College, Tsinghua University（清华大学求真书院） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
AI总结 本文提出CPA框架，通过训练可靠性估计器评估条件覆盖，引入CVI指数分解可靠性并证明其一致性，实验表明CPA能有效诊断局部失效模式。
LightCtrl: 不需要训练的可控视频重照明
机构 * Tsinghua University（清华大学） ； GVC Lab, Great Bay University（大湾区大学GVC实验室） ； Adobe Research（Adobe研究院）
AI总结 LightCtrl是首个无需训练的可控视频重照明方法，通过用户提供的光照轨迹实现对视频光照的显式控制，结合预训练扩散模型提升时间一致性，实验显示其在光照变化多样性和可控性上优于基线方法。
Comments Accepted at ICLR 2026
基于不确定性的数据优化方法：快速且可靠的形状优化
机构 * School of Aerospace Engineering, Tsinghua University（清华大学航天航空学院）
AI总结 本文提出一种考虑不确定性的数据优化框架，通过概率编码器-解码器模型预测不确定性，并在优化过程中减少预测误差，提升优化效果和速度。
AppellateGen：上诉法律判决生成的基准测试
机构 * Nanyang Technological University（南洋理工大学） ； Ocean University of China（中国海洋大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Cornell University（康奈尔大学）
AI总结 本文提出AppellateGen基准测试，包含7351个案例对，用于生成上诉阶段的法律判决，通过模拟司法流程验证模型在上诉推理中的逻辑一致性与挑战。
Comments 15 pages, 4 figures, 3 tables
StreamAvatar：用于实时交互人类分身的流式扩散模型
机构 * Tsinghua University（清华大学） ； Renmin University of China（中国人民大学） ； Tencent Hunyuan（腾讯混元） ； Nanjing University（南京大学）
AI总结 本文提出一种两阶段自回归适应与加速框架，通过自回归蒸馏和对抗性细化，使高保真人类视频扩散模型适用于实时交互流式生成，实现自然对话与倾听行为。
Comments Accepted by CVPR 2026. Project page: https://streamavatar.github.io
FlexiCup: 无线多模态吸盘 with 双区视觉-触觉感知
机构 * Shenzhen Ubiquitous Data Enabling Key Lab, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，深圳泛在数据赋能重点实验室） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 FlexiCup通过无线电子集成双区视觉-触觉传感，实现接触感知操控，验证了传感与驱动解耦的有效性，同时在不同气动原理下均表现出色。
Comments Accepted by IEEE Robotics and Automation Letters (RA-L)
可泛化动作生成的探索：数据、模型与评估
机构 * Nanyang Technological University（南洋理工大学） ； SenseTime Research（商汤科技研究院） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； NVIDIA Research（英伟达研究院）
AI总结 本文提出一个综合框架，通过数据、建模和评估三大支柱将视频生成知识迁移至动作生成，引入大规模数据集和改进模型，提升动作生成的泛化能力。
Comments Homepage: https://motrixlab.github.io/2026_iclr_vimogen
多模态持续学习的最新进展：综合性综述
机构 * Tsinghua University（清华大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文综述了多模态持续学习的最新进展，分析了其核心挑战与方法分类，提出四种主要方法类别，并讨论了未来研究方向和开放资源。
Comments Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS). DOI: 10.1109/TNNLS.2026.3658485. Copyright 2026 IEEE
用卫星影像和生成式AI展望全球城市发展
机构 * Singapore–MIT Alliance for Research and Technology Centre (SMART)（新加坡-麻省理工学院研究与技术联盟中心） ； Department of Urban Planning, Tsinghua University（清华大学城市规划系） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系） ； College of Urban and Environmental Sciences, Peking University（北京大学城市与环境学院） ； Department of Urban and Regional Planning, University of Florida（佛罗里达大学城市与区域规划系） ； Stanford Institute for Human-Centered Artificial Intelligence, Stanford University（斯坦福大学以人为本人工智能研究所）
AI总结 本文提出一种多模态生成式AI框架，通过整合提示和地理空间控制，生成全球500个最大都会区的高保真城市卫星影像，支持可持续城市发展和场景规划。
为可靠和高效学习设计的稀疏性跨模态预测：L0门控表示
机构 * School of Computing, Macquarie University（麦考瑞大学计算学院） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗康库尔中心） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕尔默研究实验室）
AI总结 本文提出L0-Gated Cross-Modality Learning方法，通过统一的稀疏化机制实现跨模态的准确率与效率平衡，减少表示维度并提升校准性能。
DSO：双尺度神经算子用于稳定长期流体动力学预测
机构 * Institute for Clarity in Documentation（文档清晰度研究所） ； Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗康库尔） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕尔默研究实验室） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Zhejiang University（浙江大学）
AI总结 本文提出DSO双尺度神经算子，通过分离局部细节和全局趋势处理，提升长期流体预测的稳定性和精度。
SpatialPoint: 体感-aware 点预测用于具身定位
机构 * Visincept Research（Visincept 研究院） ； Tsinghua University（清华大学） ； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA））
AI总结 本文提出SpatialPoint框架，通过整合结构化深度信息提升具身定位性能，采用260万样本RGB-D数据集进行训练与评估，在真实机器人部署中验证了其在抓取、放置和导航任务中的有效性。
Comments 19 pages, 12 figures, supplementary material included
学习承诺：通过在线仓库记忆生成有机的拉取请求
机构 * Tsinghua University（清华大学）
AI总结 本文提出Learning to Commit框架，通过在线仓库记忆提升生成拉取请求的有机性，通过对比历史提交改进代码风格和架构约束。
Comments Preprint. Work in progress
PerceptionComp：一个复杂感知导向推理的视频基准测试
机构 * Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 PerceptionComp是一个手动标注的复杂长时景视频推理基准测试，要求多时间片段的视觉证据和逻辑约束，涉及多个感知子任务，测试人类和模型在感知推理中的性能瓶颈。
Comments Project Page: https://perceptioncomp.github.io
超越语言：基于手部指向的自我中心视觉指称表达定位
机构 * Tsinghua University（清华大学） ； Dalian University of Technology（大连理工大学） ； Northwestern Polytechnical University（西北工业大学） ； Apple（苹果公司）
AI总结 本文提出EgoPoint-Ground数据集，通过手部指向与语音结合的指称机制，改进视觉指称表达的定位方法，并提出SV-CoT框架提升多模态理解能力。
一种增强型变换器用于DNA序列分类
机构 * Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种结合玻尔兹曼机和变换器的模型，用于DNA序列分类，通过引入结构化的二进制门控变量和能量函数约束，提升对潜在相互作用和高阶依赖的建模能力。
Comments 19 pages
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