高校专区
通过合成视频学习可迁移的时间原语以实现视频推理
机构 * Zhejiang University（浙江大学） ； Qwen Team, Alibaba Group（通义实验室，阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
AI总结 本文提出SynRL框架，通过合成视频训练模型的时间原语，提升视频推理能力，在15个基准测试中取得显著成效，合成数据在复杂场景中表现优于真实数据。
基于大规模自改进演示的目标导向视觉-语言导航学习
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Fudan University（复旦大学） ； The University of Adelaide（阿德莱德大学） ； Nanjing University（南京大学） ； Shanghai Jiaotong University（上海交通大学）
AI总结 本文提出SID方法，通过自改进演示提升导航能力，实现高效探索和泛化，显著提升导航性能，达到新状态的SOTA水平。
时间收益，空间代价：重新审视多模态大语言模型中的视频微调
机构 * SJTU（上海交通大学） ； HKUST(GZ)（香港科技大学(珠海)） ； HKUST（香港科技大学） ； CityU（城市大学） ； FDU（复旦大学） ； HIT（哈尔滨工业大学） ； TJU（天津大学）
AI总结 本文研究了视频微调对多模态大语言模型视觉能力的影响，发现视频性能提升的同时，静态图像表现可能受限，提出混合帧策略以缓解空间与时间理解的平衡问题。
联合退化感知任意尺度超分辨率用于可变速率极值图像压缩
机构 * 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） ； Department of Electronic Engineer and Information Science, University of Science and Technology of China（中国科学技术大学电子工程与信息科学系） ； MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能教育部重点实验室）
AI总结 本文提出ASSR-EIC框架，利用任意尺度超分辨率支持可变速率极值图像压缩，通过联合退化感知解码器实现率自适应重建，提升低比特率下的图像恢复质量。
Comments Accepted by IEEE Transactions on BroadCasting
VisionNVS: 一种基于虚拟位移范式的自监督补全方法用于新型视角合成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Hohai University（河海大学） ； COWARobot Co. Ltd.（COWARobot有限公司）
AI总结 本文提出VisionNVS，通过引入虚拟位移策略，将视角合成问题转化为自监督补全任务，利用单目深度代理模拟遮挡模式，提升自动驾驶中新型视角合成的几何精度和视觉质量。
自调节学习方法
机构 * Institute for Stochastics（随机学研究所） ； Applications, University of Stuttgart（应用，斯图加特大学） ； School of Mathematical Sciences（数学科学学院） ； Institute of Natural Sciences（自然科学研究所） ； MOE-LSC, Shanghai Jiao Tong University（教育部-上海交通大学联合实验室）
AI总结 本文提出基于自调节概念的通用学习算法分析框架，通过隐式复杂度控制实现无需显式正则化。该框架涵盖经典正则化经验风险最小化和梯度下降，提供统计分析并讨论数据依赖超参数选择问题。
早量化缩小代码表：一种维持多样性token化问题的简单修复
机构 * National University of Singapore（国立新加坡大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文研究了向量量化中的坍塌问题，发现随机初始化和编码器容量限制导致token和嵌入坍塌，并提出缓解方案，是首次系统探讨该问题。
OGScene3D: 增量式开放词汇3D高斯场景图映射用于场景理解
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学） ； University of Technology Nuremberg（纽伦堡技术大学） ； Nanyang Technological University（南洋理工大学） ； Department of Automation, Key Laboratory of System Control and Information Processing of Ministry of Education, State Key Laboratory of Avionics Integration and Aviation System-of-Systems Synthesis, Shanghai Key Laboratory of Navigation and Location Based Services, Shanghai Jiao Tong University（自动化系，教育部系统控制与信息处理重点实验室，航空系统集成与航空系统-of-系统综合国家重点实验室，上海导航与定位基于服务重点实验室，上海交通大学）
AI总结 OGScene3D通过增量式3D高斯场景图映射，实现开放词汇场景理解，结合高斯表示与层次优化策略，提升语义一致性与长期优化能力。
VL-RouterBench：一种用于视觉-语言模型路由的基准测试
机构 * Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University（1 图像处理与模式识别研究所，上海交通大学） ； The Hong Kong University of Science and Technology (Guangzhou)（2 香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（3 香港科学与技术大学）
AI总结 本文提出VL-RouterBench，用于系统评估视觉-语言模型路由系统的能力，通过构建质量与成本矩阵，评估10种路由方法并发现显著的路由改进空间，揭示了路由架构改进的潜力。
Comments CVPR 2026 Accepted
TALO：推动3D视觉基础模型向全球一致的在线重建迈进
机构 * UQMM Lab, The University of Queensland（昆士兰大学UQMM实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 本文提出基于薄板样条的高自由度长期对齐框架，通过全局传播控制点纠正空间变化不一致，并采用点无关子图注册设计提升鲁棒性，实验表明其在多数据集和相机配置下均能获得更一致的几何和更低的轨迹误差。
Comments CVPR 2026
看见、思考、行动：通过识别切换器教多模态代理有效交互GUI
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院）
AI总结 本文提出State-aware Reasoning方法，通过识别当前切换状态和指令目标状态，提升多模态代理在GUI切换指令执行的准确性，实验显示准确率提升超30%。
Comments Accepted at CVPR 2026
MLlm-DR: 向多模态大语言模型的可解释性抑郁识别迈进
机构 * National University of Defense Technology（国防科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Mental Health Center, Shanghai Jiao Tong University School of Medicine（上海精神卫生中心，上海交通大学医学院） ； Nanjing Industria Tenebris Information Technology Co., Ltd.（南京Industria Tenebris信息技术有限公司） ； National University of Uzbekistan named after Mirzo Ulugbek（乌兹别克斯坦Mirzo Ulugbek命名的国立大学）
AI总结 本文提出MLlm-DR模型，通过多模态大语言模型实现可解释的抑郁识别，结合小型LLM和轻量级查询模块，提升诊断性能。
高效扩散作为低光照增强器
机构 * Northwestern Polytechnical University（西北工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； TeleAI
AI总结 本文提出ReDDiT框架，通过线性外推错误分数函数和迁移高斯流到反射感知残差空间，提升低光照图像增强效率，仅用2步即可达到SOTA效果。
Comments CVPR 2025 Camera Ready
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