AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
Motion2Meaning: 一种以临床为中心的可挑战LLM框架，用于帕金森病步态解读
机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； University of New Brunswick（新 Brunswick大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 Motion2Meaning通过结合可解释AI和可挑战LLM，为帕金森病步态解读提供透明、可审计的临床系统。
Comments Accepted at the 9th International Symposium on Chatbots and Human-Centered AI
AudioScene: 将对象事件音频整合到3D场景中
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出AudioScene数据集，通过整合音频事件与3D场景，探索音频条件任务，提升空间学习的准确性与多样性。
多模态指引用图像分割
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学） ； Youtu Lab, Tencent, P.R. China（腾讯视频实验室，中国） ； OpenGVLab, Shanghai AI Laboratory（上海AI实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出多模态指引用图像分割任务，通过OmniRIS框架实现高度通用的图像分割，结合文本和视觉模态，构建了OmniRef数据集和OmniSegNet基线模型，验证了其在多模态提示下的分割性能。
通过生成增强检索和临床实践指南提升医学诊断
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究提出GARMLE-G框架，通过生成增强检索和临床指南整合，提升医学诊断的准确性和临床实用性。
Journal ref Journal of Biomedical and Health Informatics (JBHI) 2025
Open-PMC-18M: 一种高保真大规模医学数据集用于多模态表示学习
机构 * Vector Institute（Vector研究所） ； York University（约克大学） ； University of Waterloo（滑铁卢大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 Open-PMC-18M通过高保真医学数据集提升多模态表示学习性能，实现子图提取与上下文丰富化，支持多种视觉-语言任务。
Comments 21 pages
VERIRAG：一种科学研究摘要的后检索审计
机构 * Cornell University（康奈尔大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； University of Illinois Urbana‑Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 VERIRAG通过后检索审计框架检测科学摘要的方法学漏洞，提升宏F1值19个百分点，提供结构化审计轨迹支持负责任的科学实践。
4DLangVGGT: 4D语言-视觉几何 grounded Transformer
机构 * State Key Laboratory of Precision Blasting, Jianghan University（江汉大学精密爆破重点实验室） ； Harvard AI and Robotics Lab, Harvard University（哈佛大学AI与机器人实验室） ； School of EIC, Huazhong University of Science and Technology（华中科技大学电子信息学院） ； Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） ； School of Mathematics and Statistics, Hubei University of Education（湖北省教育学院数学与统计学学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 4DLangVGGT是一种基于Transformer的统一框架，用于4D语言 grounding，通过整合几何感知和语言对齐，提升4D场景理解的泛化能力和部署效率。
Comments Code: https://github.com/hustvl/4DLangVGGT, Webpage: https://hustvl.github.io/4DLangVGGT
加速组合划分问题的数据驱动算法选择
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； Stanford University（斯坦福大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文提出了一种理论基础，用于数据驱动算法选择中的大小泛化，通过在较小样本上评估算法性能来预测大规模实例的表现，并验证了三种聚类算法和两种max-cut算法的泛化能力。
Journal ref NeurIPS 2025
MultiShotMaster: 一种可控的多镜头视频生成框架
机构 * Dalian University of Technology（大连理工大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 MultiShotMaster通过引入两种新型RoPE变体和自动化数据标注管道，实现多镜头视频的灵活生成与可控性。
Comments Project Page: https://qinghew.github.io/MultiShotMaster
关于零样本异常检测中一致异常问题的研究
机构 * Department of Mathematics Graduate School（数学系研究生院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出CoDeGraph框架，解决零样本异常检测中的一致异常问题，并扩展至3D医学影像，实现无需训练的零样本检测。
Comments PhD Dissertation
AskNearby: 一种基于LLM的邻里信息检索与个性化认知地图推荐应用
机构 * Peking University（北京大学） ； Qianmo Smart Link（千摩智能链接） ； New York University（纽约大学） ； Imperial College London（伦敦帝国学院） ； Tencent（腾讯） ； Tongji University（同济大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 AskNearby通过整合检索增强生成和认知地图模型，提升邻里信息检索与个性化推荐效果，解决局部生活信息可及性问题。
Arcadia：迈向一个完整的生命周期框架用于具身终身学习
机构 * Zhejiang University（浙江大学） ； Unitree Tech（单位树科技） ； Peking University（北京大学） ； Nanjing University（南京大学） ； Manycore Tech（Manycore科技） ； Bytedance Seed（字节跳动种子） ； University of Adelaide（阿德莱德大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 Arcadia提出了一种闭环框架，通过紧密耦合四个阶段实现具身终身学习，支持持续改进和端到端泛化。
InstanceV: 实例级视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 InstanceV通过实例级控制和全局语义一致性，实现高质量视频生成，并在实例感知指标上超越现有最佳模型。
见、排、滤：通过场景理解的重要词感知Clip过滤用于片段检索和亮点检测
机构 * YuEun Lee, Jung Uk Kim
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出通过识别查询中的重要词，结合多模态大语言模型实现视频片段检索和亮点检测的细粒度过滤方法，提升检索和检测性能。
语义锚定用于文本到图像扩散模型中的稳健个性化
机构 * Graduate School of Data Science, Seoul National University（数据科学研究生院，首尔国立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 通过语义锚定方法，文本到图像扩散模型在有限参考图像中实现稳健个性化，平衡主题保真度与语义对齐。
转折或直接飞行：重新思考音频引导的图像分割
机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg, Germany（计算机视觉实验室、CAIDAS与IFI、乌尔姆大学、德国） ； Inria at Univ. Grenoble Alpes, CNRS, LJK, France（Inria于格勒诺布尔阿尔卑斯大学、CNRS、LJK、法国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出通过直接音频-视觉对齐进行图像分割，无需依赖文本转录，提升了鲁棒性和效率。
支持LLM对话中基础响应的因素：一项快速回顾
机构 * (June 2025)（（2025年6月））
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文通过快速回顾识别了支持LLM对话中基础响应的因素，重点分析了推理时间、训练后及强化学习方法，旨在提升LLM响应的准确性和可靠性。
Comments 28 pages, 1 figure, 3 tables
面向上下文的元认知修辞提示用于讽刺检测
机构 * Computer Science Department（计算机科学系） ； School of Computer Science（计算机科学学院） ； Bina Nusantara University（宾努斯大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种基于检索的元认知修辞提示方法，通过整合上下文信息提升LLMs在讽刺检测中的性能，实验显示在多个数据集上均取得显著提升。
超越现实：利用StickerNet学习表现性创作
机构 * Picsart AI Research（Picsart人工智能研究） ； Picsart Inc（Picsart公司） ； College of Computing（计算学院） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 StickerNet通过学习真实世界编辑模式，实现了表现性图像合成，超越传统真实感追求，提升艺术性和用户意图的表达。
通过表征优化增强训练数据归因
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 AirRep通过优化表征提升训练数据归因效率，实现与先进梯度方法相当的性能，且推理效率提高近两数量级。
Comments NeurIPS 2025
EnergyTwin: 一种用于模拟和协调能源微电网的多智能体系统
机构 * Warsaw University of Technology（华沙技术大学） ； Systems research Institute Polish Academy of Sciences（波兰科学院系统研究 institute） ； University of Technology and Arts（技术与艺术大学） ； University of Craiova（克劳日瓦大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 EnergyTwin是一种基于智能体的微电网模拟环境，结合物理建模与预测驱动的滚动时间规划，用于提升微电网的韧性和能源自给率。
全景描述：图像与文本之间的等价桥梁
机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室）
专题命中 视觉定位与Grounding ：InternVL(abstract)；分类 cs.CV
AI总结 本文提出全景描述任务，通过PancapEngine和PancapChain方法提升图像与文本的等价描述能力，实验表明其优于现有大语言模型。
Comments NeurIPS 2025; Project page: https://visual-ai.github.io/pancap/
具身人群计数
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； City University of Hong Kong（香港城市大学）
专题命中 视觉定位与Grounding ：MLLM(abstract)；分类 cs.CV
AI总结 本文提出具身人群计数任务，通过构建大规模交互式模拟器和零样本导航方法，在复杂场景中实现高效人群计数。
烹饪与清洁同时进行：教授并行任务执行的具身智能体
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 GRANT通过结合语言理解、3D定位和效率优化，实现并行任务调度，提升智能体在复杂环境中的任务执行效率。
Comments Accepted to AAAI 2026 (Oral). The code is available at \url{https://github.com/H-EmbodVis/GRANT}
UMCL: 单模生成多模对比学习用于跨压缩率深度伪造检测
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 UMCL通过单模生成多模对比学习，提升跨压缩率深度伪造检测的鲁棒性和准确性。
Comments 24-page manuscript accepted to IJCV
基于视觉语言基础模型的全切片图像皮肤肿瘤零样本分割
机构 * Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano (HUMAN-Tech), Universitat Politécnica de Valencia（人类中心技术大学研究机构（HUMAN-Tech）、西班牙巴塞罗那理工大学） ； Artikode Intelligence S.L.（Artikode Intelligence公司）
专题命中 视觉定位与Grounding ：VLM(abstract)；分类 cs.CV
AI总结 本研究提出ZEUS框架，利用视觉语言基础模型实现全切片图像中皮肤肿瘤的零样本分割，减少标注负担并提高分割精度。
Comments Conference manuscript accepted for oral presentation at CASEIB 2025
面向表格数据分析的多模态对话代理
机构 * ITMO University（ITMO大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 Talk2Data是一种多模态对话代理，通过语音和文本交互实现表格数据分析，结合LLM、ASR、代码生成和TTS技术，提供多轮对话和可验证计算。
Comments \c{opyright} 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses
PromptMoE: 通过视觉引导的提示混合实现通用零样本异常检测
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 PromptMoE通过视觉引导的提示混合方法，实现了通用零样本异常检测，提升了模型对未见异常的泛化能力。
Comments 14 pages, 8 figures. Accepted to AAAI 2026
通过统一多模态伪造学习巩固扩散生成视频检测
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学信息科学与电子工程学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出MM-Det++算法，通过统一多模态学习检测扩散生成视频，结合时空分支和多模态分支，提升视频伪造检测的准确性和泛化能力。
Comments Code and dataset are available at https://github.com/SparkleXFantasy/MM-Det-Plus
SA-Person: 基于文本的人检索与场景感知重排序
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science and Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人中心） ； Multimodal Artificial Intelligence Systems (MAIS), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统（MAIS）） ； Wuhan University（武汉大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 SA-Person通过整合个体外观和全局场景上下文，提升基于文本的人检索准确性，提出ScenePerson-13W数据集和两阶段检索框架。
Comments 13 pages, 8 figures. Under review
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