港科大×腾讯视频：音视频大模型后训练往哪儿使劲？边学边改，不再提前定死
导读｜你一定见过这样的 AI 视频：主播张嘴却没声音，狗叫声响了嘴还闭着，人物说着说着就「换了张脸」。音视频联合生成模型越做越大，但让画面好看、声音好听、语义对得上、口型还同步，几个目标经常互相「打架
2026-10-15 22:26 · 摘要已收录，可打开文章获取原文内容
RelightFormer ：重光照无需逆渲染
想象一下：你有一张产品照片，想让它从“办公室白光”切换到“夕阳余晖”，或是“霓虹夜景”...传统方法会让你崩溃：重建3D模型，估计材质，最后渲染...一步错，步步错。今天，香港理工大学vLAR团队提出
2026-10-14 23:09 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026 | 不止记住摘要，OmniMem让长视频生成直接检索完整历史
生成长视频，难道只能一边向前，一边遗忘？删掉早期画面，主角容易变样；把历史压成摘要，又可能找不回关键细节。美国东北大学与Adobe Research提出的OmniMem，首次实现完整历史的长视频生成，
2026-10-14 23:09 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026｜RoboWorld 具身挑战赛开放报名：三大赛道参赛指南
想把世界模型 (World Model)、视觉语言动作模型 (VLA) 或具身策略 (Embodied Policy) 放到具体任务中检验？RoboWorld Challenge 2026 已开放报名
2026-10-13 23:50 · 摘要已收录，可打开文章获取原文内容
历史既能帮忙，也会误导：ReTurn 揭示多模态对话中的选择性历史使用难题
同一个问题、同一段视频，直接交给模型时能答对，放进几轮对话后，却可能答错。问题究竟出在看不懂，还是没有用对上下文？随着多模态助手从单次问答走向连续交流，用户的提问也会自然地承接上文，或回到之前看过、听
2026-10-13 23:50 · 摘要已收录，可打开文章获取原文内容
小红书招聘 Agent 算法工程师 | 实习生
团队介绍小红书创新业务算法团队，主要负责小红书新业务、新产品的 AI 技术探索与算法研发，聚焦大模型、Agent、多模态等前沿技术方向，推动从 0 到 1 的产品创新与技术落地。团队直接面向创新业务核
2026-10-12 23:36 · 摘要已收录，可打开文章获取原文内容
让 AI 既“看懂”又“画好”：Visual Tokenizer 如何走向统一？
让 AI 描述一张图片，或者根据一句话生成图片，已经越来越常见。但如果给它一张照片，再说一句“把桌上的红色杯子改成蓝色，其他地方保持不变”，问题就变得复杂了。它需要知道哪个物体是杯子，也需要保留杯子的
2026-10-12 23:36 · 摘要已收录，可打开文章获取原文内容
SGF+：仅5s训练实现24h自回归视频生成
分享最近做的一个流式视频生成的工作：SGF+: Decoupling Gradient Flows for Autoregressive Video Generation。在只使用 5 秒训练窗口的情
2026-10-11 21:10 · 摘要已收录，可打开文章获取原文内容
EMNLP 2026 Findings | RIDGE 让长视频关键帧保留事件前因后果
长视频理解中，模型答错问题，有时并非因为推理能力不足，而是关键证据没有进入它的视野。一段一小时的视频，即使每秒只采样一帧，也会产生约 3600 帧。面对有限的视觉输入预算，如何选出真正有用的画面，直接
2026-10-11 21:10 · 摘要已收录，可打开文章获取原文内容
Flow-JEPA：基于流匹配的隐空间动态建模，提升JEPA世界模型的规划鲁棒性
论文标题： Flow-JEPA: Robust Latent Dynamics for JEPA World Models via Flow Matching作者： Yanchen Huo、Ziyin
2026-10-10 22:41 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026 Oral | 显式建模解耦 Artifacts 的两阶段图像篡改定位
项目内容论文标题Can We Model the Artifacts Explicitly? Disentangle Artifacts via Pairwise Edit Relations for
2026-10-10 22:41 · 摘要已收录，可打开文章获取原文内容
首次！港理工牵头中国团队问鼎 MICCAI 2026 BraTS 脑转移瘤分割挑战赛全球冠军
2026 年 10 月 1 日，第 29 届国际医学图像计算与计算机辅助干预大会（MICCAI 2026）在法国斯特拉斯堡举行，脑肿瘤分割挑战赛（BraTS 2026）脑转移瘤分割赛道（BraTS-M
2026-10-09 22:33 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026 | Mixture-of-Top-k 注意力：从快权重统一高效注意力，让 Top-k 专家灵活又可复用
Transformer 架构包含两类看似泾渭分明的核心模块：注意力模块（Attention）与前馈网络（Feed-Forward Network，FFN）。由于标准注意力的平方复杂度，研究者提出了许多
2026-10-09 22:33 · 摘要已收录，可打开文章获取原文内容
CoRL 2026 自动驾驶世界模型 Workshop 征稿｜两项Best Paper奖项，DDL 10.22
立即投稿｜OpenReviewhttps://openreview.net/group?id=robot-learning.org/CoRL/2026/Workshop/GroundedDriving
2026-10-08 23:46 · 摘要已收录，可打开文章获取原文内容
KDD 2026 | 防护噪声形同虚设？哈工大（深圳）&清华提出TS-LFO：5种主流版权防御被大幅削弱，FID从364降至168
扩散模型个性化定制（DreamBooth、Textual Inversion 等）只需几张图就能“学会”一个人脸或一件作品，随之而来的是肖像盗用、作品抄袭等版权风险。为此，Anti-DreamBoot
2026-10-08 23:46 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026 Oral | 西安交大提出BaryBind：基于Wasserstein重心与单形体积对齐破解多模态偏置
在三模态及以上的多模态对齐中，不同传感器如同“盲人摸象”，所捕捉的视觉、语言、音频本质上皆是现实世界的侧影。然而，ImageBind、VAST 等传统方案强行钦定文本或图像为“绝对中心锚点”，导致表征
2026-10-07 23:54 · 摘要已收录，可打开文章获取原文内容
澳门大学 AIGC-DL Lab 组招生信息
更多在读方向、学生去向、申博攻略，欢迎访问课题组主页 https://zdzheng.xyz博士 / 博士后 / 硕士申请：zhedongzheng@um.edu.mo一、导师：郑哲东（Zhedong
2026-10-06 23:28 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026｜多模态推理模型为何“越想越幻觉”？C3PO 压缩思维链并从推理源头抑制幻觉
近年来，以 DeepSeek-R1 为代表的大推理模型通过显式生成中间推理过程，在数学、代码和复杂逻辑任务上展现出强大能力。随着这一范式扩展到视觉语言场景，多模态大推理模型（Multimodal La
2026-10-06 23:28 · 摘要已收录，可打开文章获取原文内容
端侧实时感知新标杆！通用线性骨干网络GTR开源：覆盖检测、分割与深度估计，4090仅需1.9ms
在计算机视觉的高分辨率密集感知场景中，二次计算复杂度一直是 Softmax 全局注意力的绕不开的瓶颈——随图像 Token 激增的计算与显存开销如同沉重镣铐，让边缘端部署的“极致精度”与“实时吞吐”常
2026-10-04 23:25 · 摘要已收录，可打开文章获取原文内容
上海交大&帝国理工等提出TurboClear：单步消除物体与伴生阴影，算力骤降40倍
在真实图像编辑中，擦除一个物体从来不仅是涂抹掉物体轮廓本身。物体投射在地面的阴影、水面的倒影或半透明玻璃的折射痕迹，往往会蔓延至常规涂抹掩码之外。如果模型只按掩码消除，往往会在边缘留下显眼的倒影残渣；
2026-10-02 23:15 · 摘要已收录，可打开文章获取原文内容
光照变化下，机器人如何稳定操作？RawVLA 让相机 ISP 为动作服务
论文：RawVLA: Embodied Neural Image Signal Processor for Robotic Manipulation作者：Shuhong Liu、Heng Zhou、L
2026-09-30 23:55 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026｜让动作成为生成的剧本：KVLR 探索手术场景的多种视觉未来
项目、论文与代码已公开：项目主页：https://arlo0o.github.io/KVLR-project/论文 PDF：https://arlo0o.github.io/KVLR-project/
2026-09-29 23:28 · 摘要已收录，可打开文章获取原文内容
生成式视频压缩新进展：清华&哈工大等发布VoRTeC，单步解码实现480p@32FPS实时生成式视频压缩
在生成式视频压缩领域，速度与画质的矛盾同样犹如一道难以逾越的天堑：采用 2D 图像扩散先验逐帧修复，高频纹理在帧间不断漂移，极易造成剧烈的“频闪”；而引入 Wan2.1 等十亿级参数的视频原生大底座虽
2026-09-28 23:17 · 摘要已收录，可打开文章获取原文内容
画面和声音都对了，为什么还是对不上？AV-GRPO 让音视频生成更同步
一场大火，画面里火焰猛烈蹿起，声音却没有在关键时刻跟上；一位小提琴手正在演奏，旋律与画面中的动作却未必合拍。联合音视频生成要做好两件事：各自生成得好，也要在同一个事件上配合得好。针对这一难题，我们提出
2026-09-27 23:29 · 摘要已收录，可打开文章获取原文内容
牛津大学等提出MotionJEPA：破解世界模型慢特征偏置，时序动态全保留
联合嵌入预测架构（Joint Embedding Predictive Architecture, JEPA）摒弃了繁重的像素级重构损失，直接在高度抽象的潜空间中预测未来演化，被视作构建任务通用型隐空
2026-09-25 23:49 · 摘要已收录，可打开文章获取原文内容
视频再逼真，也不等于懂世界：扩散模型的下一场硬仗
让 AI 根据一张图片生成视频，已经不是什么新鲜事。但如果告诉 AI 当前的世界状态，再给它一个动作，它能不能真正推演之后会发生什么？比如，一辆自动驾驶汽车准备左转，它能否提前“想象”其他车辆的反应？
2026-09-24 23:49 · 摘要已收录，可打开文章获取原文内容
北方工业和新国立提出全新方法HSA：不训练、不改权重，跨模态检索性能直接翻倍
我们所处的世界，本身就是多模态的。一辆车从街口驶过，它同时产生图像、声音、深度、热辐射和振动。这些观测的形式天差地别，但它们描述的是同一个物体——只是各自切下了它的一个侧面。于是一个非常自然的问题浮上
2026-09-23 23:46 · 摘要已收录，可打开文章获取原文内容
论文发不出来的三个真相：每一条，都和你想的不一样
01先说结论我们常被问同一个问题：「为什么我这么努力，复现了那么多论文、跑了那么多实验，论文还是发不出来？是不是我不够聪明？」9 年里我们看过几万个这样的提问。答案是：你与顶会论文的差距，就是三件看不
2026-09-22 21:55 · 摘要已收录，可打开文章获取原文内容
别再瞎做多模态了，看完这篇你也能发顶会
准备做多模态融合方向的朋友看过来，我这次整理了260篇多模态融合论文+多模态代码库，其中论文部分包括：6篇入门必读论文103篇今年最新顶会论文151篇前沿高分论文这里的顶会论文筛选自CVPR/ICLR
2026-09-22 21:55 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 | 浙大&阿里达摩院等提出Lumos-Nexus：频域桥接破解视频统一模型训练痛点，84.12分刷新VBench
“理解与生成统一”已成为多模态大模型演进的核心趋势：让视觉语言大模型（VLM）充当“认知大脑”，先深入推演物理时空因果，再指挥下游扩散模型精准生成连贯画面。然而在视频领域，这一范式常陷入“鱼与熊掌不可
2026-09-21 23:56 · 摘要已收录，可打开文章获取原文内容