Peking University（北京大学）

TalkPhoto: A Versatile Training-Free Conversational Assistant for Intelligent Image Editing

TalkPhoto: 一种多功能的无需训练的对话式智能图像编辑助手

Yujie Hu, Zecheng Tang, Xu Jiang, Weiqi Li, Jian Zhang

机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） 纠错

AI总结 TalkPhoto通过对话交互实现无需训练的多功能图像编辑，利用提示模板分层调用现有高级编辑方法，提升编辑精度与质量。

Comments a Conversational Assistant for Intelligent Image Editing

RS-Prune: Training-Free Data Pruning at High Ratios for Efficient Remote Sensing Diffusion Foundation Models

RS-Prune: 无需训练的数据裁剪以高比例提升高效遥感扩散基础模型

Fan Wei, Runmin Dong, Yushan Lai, Yixiang Yang, Zhaoyang Luo, Jinxiao Zhang, Miao Yang, Shuai Yuan, Jiyao Zhao, Bin Luo, Haohuan Fu

机构 * Department of Earth System Science, Tsinghua University（清华大学地球系统科学系） ； School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院） ； Department of Geography, The University of Hong Kong（香港大学地理系） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） 纠错

AI总结 RS-Prune提出一种无需训练的高比例数据裁剪方法，通过局部信息与全局多样性结合，提升遥感扩散模型的收敛性和生成质量。

Improving the Euclidean Diffusion Generation of Manifold Data by Mitigating Score Function Singularity

通过缓解分数函数奇异性和改进欧几里得扩散生成流形数据

Zichen Liu, Wei Zhang, Tiejun Li

机构 * Center for Data Science, Peking University（北京大学数据科学中心） ； Zuse Institute Berlin（柏林泽尼茨研究所） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； LMAM and School of Mathematical Sciences, Peking University（北京大学数学科学学院） 纠错

AI总结 本文提出Niso-DM和Tango-DM方法，通过缓解分数函数的奇异性和改进欧几里得扩散生成流形数据的准确性。

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Fusion-PSRO: Nash Policy Fusion for Policy Space Response Oracles

融合-PSRO：用于策略空间响应预言机的纳什策略融合

Jiesong Lian, Yucong Huang, Chengdong Ma, Mingzhi Wang, Ying Wen, Long Hu, Yixue Hao

机构 * Huazhong University of Science \& Technology, Wuhan, China ； School of Software ； Microelectronics, Peking University, Beijing, China ； Institute for Artificial Intelligence, Peking University, Beijing, China ； Shanghai Jiao Tong University, Shanghai, China ； Guangdong HUST Industrial Technology Research Institute 纠错

AI总结 Fusion-PSRO通过纳什策略融合改进策略初始化，提升零和博弈中策略空间响应预言机的性能。

Comments Accepted by ECAI 2025

Journal ref Frontiers in Artificial Intelligence and Applications 413 (2025) 2562-2569

DermoGPT: Open Weights and Open Data for Morphology-Grounded Dermatological Reasoning MLLMs

DermoGPT: 开放权重和开放数据用于基于形态的皮肤病学推理大语言模型

Jinghan Ru, Siyuan Yan, Yuguo Yin, Yuexian Zou, Zongyuan Ge

机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） ； Faculty of Information Technology, Monash University（信息科技学院，莫纳什大学） 纠错

AI总结 DermoGPT通过开放权重和数据提升皮肤病学推理的MLLM性能，实现与专家诊断流程的一致性。

MANGO:Natural Multi-speaker 3D Talking Head Generation via 2D-Lifted Enhancement

MANGO:通过2D提升增强实现自然多说话者3D说话头生成

Lei Zhu, Lijian Lin, Ye Zhu, Jiahao Wu, Xuehan Hou, Yu Li, Yunfei Liu, Jie Chen

机构 * International Digital Economy Academy（国际数字经济学院） ； School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） 纠错

AI总结 MANGO通过两阶段框架和2D提升增强，实现自然多说话者3D说话头生成，提升对话行为的真实感和可控性。

Comments 20 pages, 11i figures

Action-Sketcher: From Reasoning to Action via Visual Sketches for Long-Horizon Robotic Manipulation

动作草图生成器：通过视觉草图实现从推理到动作的长周期机器人操作

Huajie Tan, Peterson Co, Yijie Xu, Shanyu Rong, Yuheng Ji, Cheng Chi, Xiansheng Chen, Qiongyu Zhang, Zhongxia Zhao, Pengwei Wang, Zhongyuan Wang, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（1 多媒体信息处理国家重点实验室，计算机科学学院，北京大学） ； Beijing Academy of Artificial Intelligence（2 北京人工智能研究院） ； University of Sydney（3 新南威尔士大学） ； Institute of Automation, Chinese Academy of Sciences（4 中国科学院自动化研究所） 纠错

AI总结 动作草图生成器通过视觉草图实现从推理到动作的长周期机器人操作，结合视觉-语言-动作框架提升任务执行的鲁棒性和可解释性。

Comments 26 pages, 14 figures

SAFE-QAQ: End-to-End Slow-Thinking Audio-Text Fraud Detection via Reinforcement Learning

SAFE-QAQ: 通过强化学习实现端到端的慢思考音频-文本欺诈检测

Peidong Wang, Zhiming Ma, Xin Dai, Yongkang Liu, Shi Feng, Xiaocui Yang, Wenxing Hu, Zhihao Wang, Mingjun Pan, Li Yuan, Daling Wang

机构 * Northeastern University, China（东北大学） ； China Mobile Internet Company Ltd.（中国移动互联网有限公司） ； Shanghai University of Electric Power, China（上海电力大学） ； Peking University, Shenzhen, China（北京大学深圳分校） 纠错

AI总结 SAFE-QAQ通过强化学习实现端到端音频-文本欺诈检测，有效提升准确性、效率和实时处理能力。

Towards LLM-enabled autonomous combustion research: A literature-aware agent for self-corrective modeling workflows

迈向基于大语言模型的自主燃烧研究：一种文献感知的代理用于自修正建模工作流

Ke Xiao, Haoze Zhang, Runze Mao, Han Li, Zhi X. Chen

机构 * State Key Laboratory of Turbulence and Complex Systems, School of Mechanics and Engineering Science, Peking University（湍流与复杂系统国家重点实验室，力学与工程科学学院，北京大学） ； AI for Science Institute (AISI)（人工智能科学研究院（AISI）） 纠错

AI总结 FlamePilot是一种基于大语言模型的代理，通过自动化和自修正的CFD工作流提升燃烧建模研究效率，实现高可执行性和成功率。

Decoupling Amplitude and Phase Attention in Frequency Domain for RGB-Event based Visual Object Tracking

频域中解耦幅度与相位注意力以实现RGB-事件视觉目标跟踪

Shiao Wang, Xiao Wang, Haonan Zhao, Jiarui Xu, Bo Jiang, Lin Zhu, Xin Zhao, Yonghong Tian, Jin Tang

机构 * School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； Northeastern University（东北大学） ； Beijing Institute of Technology（北京理工大学） ； School of Computer and Communication Engineering, University of Science and Technology Beijing（北京科技大学计算机与通信工程学院） ； Peng Cheng Laboratory（鹏城实验室） ； National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学多媒体信息处理国家重点实验室） ； School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院） 纠错

AI总结 本文提出了一种在频域中解耦幅度与相位注意力的RGB-事件视觉目标跟踪方法，通过高频信息融合和运动引导稀疏化模块提升跟踪性能和效率。

Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control

你有即兴能力吗？通过音频控制实现 expressive 人形 locomotion

Zhe Li, Cheng Chi, Yangyang Wei, Boan Zhu, Tao Huang, Zhenguo Sun, Yibo Peng, Pengwei Wang, Zhongyuan Wang, Fangzhou Liu, Chang Xu, Shanghang Zhang

机构 * BAAI（北京人工智能研究院） ； University of Sydney（悉尼大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） 纠错

AI总结 RoboPerform 是首个通过音频直接生成音乐舞蹈和语音手势的人形运动框架，实现了低延迟、高保真的即兴运动表现。

DisCo-Speech: Controllable Zero-Shot Speech Generation with A Disentangled Speech Codec

DisCo-Speech: 基于解耦语音编解码器的可控零样本语音生成

Tao Li, Wenshuo Ge, Zhichao Wang, Zihao Cui, Yong Ma, Yingying Gao, Chao Deng, Shilei Zhang, Junlan Feng

机构 * China Mobile Nineverse Artificial Intelligence Technology (Beijing) Co., Ltd.（中国移动Nineverse人工智能技术（北京）有限公司） ； Nineverse Institute of Artificial Intelligence（Nineverse人工智能研究院） ； The State Key Laboratory of Multimedia Information Processing, Peking University, Beijing, China（多媒体信息处理国家重点实验室，北京大学，北京，中国） 纠错

AI总结 DisCo-Speech通过解耦语音编解码器实现可控零样本语音生成，提升语音克隆与语调控制性能。

Comments Updated with 6,000 hours of additional training data and improved performance. Expanded appendix with ablation studies, training objectives, and hyperparameter settings for better reproducibility. Audio and code links included

AdaptInfer: Adaptive Token Pruning for Vision-Language Model Inference with Dynamical Text Guidance

AdaptInfer: 用于视觉-语言模型推理的自适应令牌剪枝与动态文本引导

Weichen Zhang, Zhui Zhu, Ningbo Li, Shilong Tao, Kebin Liu, Yunhao Liu

机构 * Global Innovation Exchange, Tsinghua University（清华大学全球创新交流中心） ； Department of Automation, Tsinghua University（清华大学自动化系） ； School of Computer Science, Peking University（北京大学计算机科学系） 纠错

AI总结 AdaptInfer通过动态文本引导和自适应令牌剪枝，有效降低视觉-语言模型推理成本，提升推理效率与准确性。

RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics

RoboRefer: 向视觉语言模型在机器人中的空间指称推理迈进

Enshen Zhou, Jingkun An, Cheng Chi, Yi Han, Shanyu Rong, Chi Zhang, Pengwei Wang, Zhongyuan Wang, Tiejun Huang, Lu Sheng, Shanghang Zhang

机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 RoboRefer通过整合深度编码器和强化微调方法，实现了视觉语言模型在机器人中的空间指称推理，提升了复杂场景下的交互能力。

Comments Accepted by NeurIPS 2025. Project page: https://zhoues.github.io/RoboRefer/

RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation

RaffeSDG：随机频率过滤赋能的单源领域泛化用于医学图像分割

Heng Li, Haojin Li, Jianyu Chen, Mingyang Ou, Hai Shu, Heng Miao

机构 * Faculty of Biomedical Engineering, Shenzhen University of Advanced Technology（深圳先进技术大学生物医学工程学院） ； The Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； The Department of Biostatistics, School of Global Public Health, New York University（纽约大学全球公共卫生学院生物统计学系） ； Department of Ophthalmology, Peking University People's Hospital（北京大学人民医院眼科部门） ； Beijing Key Laboratory of Ocular Disease and Optometry Science, Peking University People’s Hospital（北京大学人民医院眼病与视光学科学重点实验室） 纠错

AI总结 RaffeSDG通过随机频率过滤和结构显著性学习，实现单源域医学图像分割的领域泛化与跨域推理。

Two-hidden-layer ReLU neural networks and finite elements

具有两个隐藏层的ReLU神经网络与有限元

Pengzhan Jin

机构 * National Engineering Laboratory for Big Data Analysis and Applications, Peking University, Beijing（大数据分析与应用国家工程实验室，北京大学，北京） 纠错

AI总结 本文提出通过两个隐藏层ReLU神经网络弱表示有限元函数，并探讨其在逼近能力分析中的应用。

On the Representation of Pairwise Causal Background Knowledge and Its Applications in Causal Inference

关于成对因果背景知识的表示及其在因果推断中的应用

Zhuangyan Fang, Ruiqi Zhao, Yue Liu, Yangbo He

机构 * Peking University（北京大学） ； Xiaomi Corporation（小米公司） ； Inspur Industrial Innovation (Shandong) Intelligent Manufacturing Co., Ltd.（Inspur工业创新（山东）智能制造有限公司） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出通过直接因果子句（DCC）统一表示三种成对因果背景知识，并证明因果效应的可识别性仅依赖于分解的MPDAG。

Journal ref Journal of Machine Learning Research 26, 1-73 (2025)

VideoCuRL: Video Curriculum Reinforcement Learning with Orthogonal Difficulty Decomposition

VideoCuRL: 通过正交难度分解实现视频课程强化学习

Hongbo Jin, Kuanwei Lin, Wenhao Zhang, Yichen Jin, Ge Li

机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） 纠错

AI总结 VideoCuRL通过正交分解视频理解中的视觉复杂性和认知复杂性，提出了一种新的课程强化学习框架，提升了视频推理和感知任务的性能。