高校专区
VTAM：用于复杂物理交互的视频-触觉-动作模型超越VLAs
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 VTAM通过整合触觉感知提升复杂物理交互的稳定性，其多模态框架在接触密集任务中表现优异，成功率达到90%。
FHAvatar: 从少量随意捕获快速高效重建面部和头发可组合的3D头身虚拟角色
机构 * Alibaba Group（阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 FHAvatar提出一种新型框架，通过分离面部和头发表示，实现从任意数量视角高效重建3D高斯虚拟角色，支持实时动画和风格化编辑。
ViBe：源自纯图像的超高清视频合成
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Jilin University（吉林大学）
AI总结 本文提出纯图像适应框架，通过两阶段LoRA策略提升视频扩散模型生成超高清视频的能力，无需视频训练数据，在VBench基准上超越现有最佳模型。
合成还是真实？从纵向证据构建心理健康患者模拟器
机构 * SJTU Paris Elite Institute of Technology（上海交通大学巴黎精英理工学院） ； X-LANCE Lab（X-LANCE实验室） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算机与信息系统学院）
AI总结 本文提出DEPROFILE框架，通过整合多源数据构建统一患者档案，提升对话真实性和行为多样性。
ScaleEdit-12M：通过多智能体框架实现开源图像编辑数据生成的规模化
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； CUHK MMLab（香港中文大学多模态实验室） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Xiamen University（厦门大学）
AI总结 本文提出ScaleEditor框架，通过多智能体方法构建大规模高质量图像编辑数据集，生成ScaleEdit-12M，涵盖23类任务，提升多种编辑模型性能。
ACCURATE：任意形状连续体的鲁棒自适应双视角估计下的精确重建
机构 * Global Institute of Future Technology, Shanghai Jiao Tong University（未来技术全球研究院，上海交通大学）
AI总结 本文提出ACCURATE框架，结合图像分割神经网络与几何约束拓扑遍历算法，实现对任意形状连续体的高精度重建，实验表明在模拟和真实数据集上均达到亚毫米精度。
指出你的意图：基于视觉的指令策略
机构 * Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； Spirit AI ； Tsinghua University（清华大学）
AI总结 本文提出Point-VLA，通过结合视觉提示提升物体指称能力，在复杂场景中实现更精准的视觉 grounding。
TRivia: 基于视觉-语言模型的自监督微调用于表格识别
机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； Shanghai Jiaotong University（上海交通大学） ； Sensetime
AI总结 TRivia通过自监督微调方法，使预训练视觉-语言模型直接从未标注的表格图像中学习表格识别，无需人工标注，提升了表格识别性能。
Comments Accepted by CVPR 2026
UniAVGen：基于非对称跨模态交互的统一音频视频生成
机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Tencent Hunyuan（腾讯文英） ； Shanghai Jiao Tong University（上海交通大学） ； Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 UniAVGen通过非对称跨模态交互机制和双分支联合合成架构，实现了音频视频的统一生成，提升同步精度和语义一致性，实验表明其在较少训练样本下表现更优。
Comments CVPR 2026
在设备上实现语义选择：通过单体转发实现低延迟和内存高效
机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei（华为）
AI总结 本文提出PRISM系统，通过单体转发实现低延迟和内存高效的语义top-K选择，减少延迟和内存使用，提升设备AI应用的效率和部署性。
迈向自演化基准：通过验证-再生产范式下的测试时间探索合成代理轨迹
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Michigan（密歇根大学） ； Renmin University of China（中国人民大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出TRACE框架，通过测试时间探索使代理在原有任务基础上自演化更复杂的任务，提升基准的动态性和可靠性，适应并改进了AIME-2024等推理数据集。
Comments This is a work in progress due to methodology refinement and further evaluation
探索基于姿态引导的模仿学习用于机器人精确插入
机构 * School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院） ； Karlsruhe Institute of Technology（卡尔斯鲁厄大学） ； Shanghai Huawei Technologies Co., Ltd.（上海华为技术有限公司）
AI总结 本文提出基于姿态引导的模仿学习方法，通过紧凑的对象中心观测实现精确插入任务，提升数据效率和泛化能力。
Arena：通过动态调度和自适应并行性协同设计高效训练大模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Lenovo Research（联想研究院） ； Microsoft（微软公司） ； Guizhou University（贵州大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出Arena系统，通过动态调度与自适应并行性协同设计，提升GPU集群效率，减少作业完成时间达49.3%，集群吞吐量提升1.6倍。
通过渐进量化缓解早期内离散化以实现鲁棒的向量标记化
机构 * National University of Singapore, Singapore（新加坡国立大学） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学）
AI总结 本文提出渐进量化方法，通过引入量化难度动态作为VQ训练的关键维度，有效引导代码本向扩展良好的流形发展，提升了多模态模型的生成性能和生物序列建模能力。
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