高校专区
从二维网格到一维标记：重塑多模态图像融合的共享表示
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出基于冻结预训练图像标记器的紧凑一维标记接口，通过选择性标记编辑（STE）稀疏更新关键标记，在保持融合骨干网络不变的同时引导全局外观一致性，实现全局连贯与局部保真的最佳平衡。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
nD-RoPE：一种用于n维位置嵌入的广义RoPE
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出nD-RoPE，将旋转位置嵌入推广到任意维度，通过多尺度正则单纯形波矢设计实现各向同性，在图像、视频和点云任务中提升性能。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
ISAP-3D: 身份槽对齐的部件感知3D生成
机构 * Peking University（北京大学） ； Tencent（腾讯） ； Huawei（华为） ； University of Science and Technology of China（中国科学技术大学）
AI总结 针对部件感知3D生成中因身份-布局纠缠导致的结构歧义问题，提出身份槽对齐框架ISAP-3D，通过语义身份令牌锚定每个部件并进行一对一布局预测，实现稳定可控的部件级3D生成。
MFEN：用于可见光-红外行人重识别的多频专家网络
机构 * University of Science and Technology of China（中国科学技术大学） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出多频专家网络（MFEN），通过多频调制和混合专家设计自适应组合不同频带，结合随机频率增强和频率辅助优化，解决可见光-红外图像模态差异问题。
Comments CVPR Highlight
从内容到知识：基于神经知识表示的闪电般快速长视频理解
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出将长视频编码为神经知识表示（NKR），通过智能体知识蒸馏（AKD）自动合成描述和问答对，将视频知识嵌入VLM骨干网络的少量权重中，实现轻量级、可复用的视频理解，推理时无需重新加载视频，大幅降低延迟。
开放域定制视频生成的综合生态系统
机构 * University of Science and Technology of China（科学技术大学） ； Microsoft Research Asia（微软亚洲研究院） ； Seoul National University（首尔国立大学）
AI总结 提出百万级数据集PexelsCustom-1M和参数高效框架CustoMDiT，仅用8%额外参数实现定制视频生成，并构建千类基准OpenCustom，开源整个生态系统。
Comments 5 pages, 3 figures, 4 tables. Accepted by ICASSP 2026
从提示到标记：将因果监督内化到视觉-语言模型中进行多图像因果推理
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出BridgeVLM，通过从多图像输入诱导因果图并转换为因果标记，注入LLM解码器进行因果消息传递，显著提升多图像因果推理性能。
推理，再推理：跨视角重访提升空间推理
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ReRe框架，通过生成互补新视角视频让MLLM先推理再验证，无需训练即可显著提升空间推理性能。
Comments ICML 2026
用大型语言模型构建社会世界模型
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出社会世界模型（SWM）框架，利用LLM从社会数据中挖掘时间模式，学习社会信念的状态转移函数，无需人工标注或普查数据，在预测市场基准上超越时序基础模型。
Comments 9 pages. ICML 2026
探索自适应掩码重建用于自监督基于骨架的动作识别
机构 * Hefei University of Technology（合肥工业大学） ； Jilin University（吉林大学） ； Zhejiang Gongshang University（浙江工商大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出自适应掩码重建（AMR）框架，通过解耦编码器-解码器并引入自适应引导模块，加速预训练并提升下游动作识别精度，在多个数据集上超越现有方法。
Comments Accepted by CVPR2026. The code is available at https://github.com/AshenOne1005/AMR
LAST: 通过Gromov-Wasserstein对齐连接视觉-语言与动作流形
机构 * National Engineering Laboratory for Intelligent Information Processing（智能信息处理国家级工程实验室） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出LAST方法，通过李代数线性化和局部度量离散化，对齐视觉-语言语义几何与动作流形，解决异构空间不兼容问题，提升VLA模型收敛性和泛化性。
AnyMod-LLVE: 模态无关推理的低光照视频增强
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出AMNet统一多模态框架，通过空间-频谱双门控转换器学习辅助模态与RGB输入的对应关系，支持推理时任意模态组合，解决低光照视频增强中辅助模态缺失问题。
Comments Accepted at ICML 2026; Project page and code: https://lhfgghc.github.io/LLVE-AMNet
平均流蒸馏：面向流匹配模型的鲁棒稳定蒸馏方法
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 提出平均流蒸馏（MFD）框架，通过时间低通滤波抑制优化噪声并保证轨迹一致性，实现流匹配模型的高保真单步生成。
GRAFT: 基于Transformer的神经群体活动建模中的增益重校准适配器
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出GRAFT模型，通过分离可重用时间动态与可重校准神经元接口，在MC Maze数据集上达到SOTA，并仅更新9.21%参数实现跨天重校准。
扩散强制规划器：基于时间依赖引导的历史退火规划用于自动驾驶
机构 * University of Science and Technology of China（中国科学技术大学） ； Yinwang Intelligent Technology Co., Ltd（银网智能科技有限公司） ； Hefei Institutes of Physical Science, Chinese Academy of Sciences（中国科学院合肥物质科学研究院）
AI总结 提出扩散强制规划器（DFP），通过历史引导控制实现异构联合扩散过程，结合退火历史的条件引导，解决运动规划中的时间不一致问题，在nuPlan上取得竞争性能。
Comments CVPR2026
AgniNav：配置驱动的跨具身局部规划机器人导航
机构 * Eastern Institute of Technology, Ningbo, China（东方理工（宁波）） ； University of Nottingham, Nottingham, UK（诺丁汉大学） ； University of Science and Technology of China, Hefei, China（中国科学技术大学）
AI总结 提出AgniNav框架，通过可配置的四参数安全包络实现单目视觉导航在轮式、四足和人形机器人间的零重训练迁移，联合调节感知与规划。
AutoPDE: 通过显式表示的求解器策略实现可靠的智能体PDE求解
机构 * University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Eastern Institute of Technology, Ningbo（宁波东方理工大学）
AI总结 提出AutoPDE，一种将求解器策略作为显式对象维护的代码智能体，通过PDE分析、数值方法选择和自适应调优三阶段构建策略，在PDE Agent Bench上达到54.5%的通过率，比最强基线提升14.2个百分点。
图像模型能想象时间吗？ImageTime：通过时空一致性探究视觉世界建模的新基准
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ImageTime基准，通过四关键帧协议（初始状态、动作开始、过渡状态、最终状态）评估图像生成模型在时空一致性上的表现，揭示模型在维持连贯视觉世界状态方面的能力与不足。
Segment and Select: 3D场景中的视觉-语言分割
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiaotong University（上海交通大学）
AI总结 提出SEGA3D范式，通过掩码候选生成器、大语言模型和语义空间选择器实现3D场景中基于语言指令的细粒度分割，在ScanNet和Matterport3D上分别提升8.3和5.3 mIoU。
Comments The core idea is to reformulate 3D vision-language segmentation as the segment-and-select paradigm (free from the superpoint dependency)
音频-视觉交换感知令牌剪枝用于高效音频-视觉字幕生成
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出基于强化学习的AVEX-Prune方法，通过跨模态令牌交换策略选择高置信度令牌，在40%保留率下保持全令牌质量。
ERAlign: 文本属性图上GNN与LLM的基于能量的表示对齐
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ERAlign框架，利用能量模型对齐GNN和LLM的表示，通过能量差异优化实现分布一致性，在8个数据集上取得最优性能。
Comments Accepted to ICML 2026
利用混合专家和动态下采样增强基于多语言大模型的语音识别
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出基于投影器的LLM-ASR框架，通过混合专家架构提升跨语言适应性，并利用连续整合-触发机制实现动态下采样和模态对齐，实验表明该方法显著超越强基线模型。
Comments Accepted by ICASSP 2026
Journal ref ICASSP (2026),18807-18811
超越静态评估：对抗性游戏中LLM驱动策略演化的协同进化机制
机构 * Baidu Inc.（百度公司） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； University of Technology Sydney（悉尼科技大学）
AI总结 针对LLM驱动代码进化在对抗性多智能体游戏中因评估景观变化导致停滞的问题，提出评估器协同进化、层次深度评估和弱点压力三种机制，在MCTF任务中实现最优性能和泛化能力。
UMI-Bench 1.0：基于UMI数据的桌面机器人操作开放可复现真实世界基准
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出UMI-Bench 1.0，首个专为UMI风格操作策略设计的真实机器人基准，通过统一协议实现数据收集、场景重置、策略执行、结果记录和任务因素分析，提供可复现的评估平台。
PADD: 面向非路由器教师指导MoE学生学习的路径对齐解压缩蒸馏
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出路径对齐解压缩蒸馏（PADD）框架，通过四阶段两阶段流程将密集教师知识蒸馏到混合专家（MoE）学生中，同时学习高质量路由策略，在数学推理任务上显著优于基线。
Comments published in ICML 2026
TabClaw: 一个用于电子表格操作和表格推理的交互式自进化智能体
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室）
AI总结 提出TabClaw，一个开源交互式AI智能体，通过可编辑执行计划、流式ReAct循环、并行多表推理和用户记忆提取，提升电子表格操作和表格推理的透明性与个性化。
Comments 5 pages, 2 figures
SocraticPO: 通过交互式指导进行策略优化
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； iFLYTEK AI Research (Central China), iFLYTEK Co., Ltd（iFLYTEK中央中国AI研究院，iFLYTEK公司）
AI总结 提出SocraticPO框架，在强化学习中使用自然语言指导辅助推理，并通过奖励衰减防止模型依赖教师帮助，提升科学推理任务性能。
SPACE: 面向多模态大语言模型的无源代理锚点概念擦除
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出SPACE框架，首个针对多模态大语言模型的无源机器遗忘方法，通过文本引导的代理锚点选择和双约束语义隔离，在不访问目标数据的情况下擦除概念，并保持模型性能。
通过自监督原则评估扩散模型的表示空间
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 受自监督学习启发，提出基于Fisher信息的度量ICR，分解特征为不变和残差成分，用于联合评估扩散模型的表示与生成能力，发现中间噪声水平下不变性最强且分类性能最佳，ICR可敏感检测训练中的记忆化。
Comments First two authors contributed equally. Accepted at ICML 2026
CT-VAM: 一种小脑-丘脑启发的视觉-动作模型用于高效视觉运动控制
机构 * University of Science and Technology of China（中国科学技术大学） ； AIRLab, Department of Automation（自动化系AIRLab）
AI总结 提出CT-VAM模型，通过TARS条件注意力解码器融合异构输入，以68M参数实现与大型VLA模型相当的LIBERO成功率，并降低推理延迟，支持高频控制。
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