2025-06-09
解锁清晰视界：孙中山大学研究团队开创"鲁棒高斯飞溅"技术，让3D场景重建告别干扰物
孙中山大学研究团队开发的RobustSplat技术通过两大创新解决3D高斯飞溅重建中的瞬态物体干扰问题：延迟高斯增长策略优先优化静态结构，避免早期对动态物体过度拟合；尺度级联掩码引导方法先利用低分辨率特征实现可靠初始掩码...
2025-06-09
BEVCALIB：使用几何引导的鸟瞰图表示实现激光雷达与相机校准的突破性方法
BEVCALIB是一种利用鸟瞰图表示实现激光雷达与相机校准的创新方法，由南加州大学和加州大学河滨分校的研究团队开发。该方法将不同传感器数据转换到共享的BEV空间，并通过几何引导的特征选择实现高精度校准。在KITTI和Nu...
2025-06-09
PATS技术：博尔扎诺自由大学研究团队开创的运动技能评估新方法，让AI更懂专业运动员的动作质量
博尔扎诺自由大学研究团队开发的PATS技术通过保留完整运动片段代替随机抽取视频帧，显著提升了AI评估体育技能的能力。该方法在EgoExo4D基准测试中表现出色，攀岩评估准确率提高26.22%，音乐提高2.39%，篮球提高...
2025-06-09
谷歌CEO皮查伊两小时访谈：AI是人类所见过最深远的技术，意义将超越火与电，因为它可以自我迭代
谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则，顶住压力加倍投入，最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响，通过递归自我改进极大降低创意实现门槛，这场"创造力民主化"浪潮或将解锁...
2025-06-09
没有空间智能，AI一定是不完整的，李飞飞最新访谈：语言在自然世界中并不存在，世界模型将让人类在多元宇宙中生活
李飞飞的World Labs以"空间智能"重新定义AI，专注3D物理世界理解，4个月估值飙至10亿美元，获科技巨头集体押注。她揭示语言无法编码物理世界，而DNA双螺旋等突破性发现都源于三维空间的深度认知。
2025-06-09
ComfyUI-Copilot：阿里巴巴推出的智能助手让AI艺术创作更简单
阿里巴巴与哈工大(深圳)联合推出的ComfyUI-Copilot是一款基于大语言模型的插件，旨在提升AI艺术创作平台ComfyUI的易用性。它采用多代理框架提供三大核心功能：智能节点和模型推荐、一键式工作流构建和专业问答...
2025-06-09
物理感知视频生成新突破：上海交大团队开发VideoREPA，通过关系对齐赋予AI视频物理常识
上海交大研究团队开发的VideoREPA是一种突破性的视频生成框架，通过令牌关系蒸馏技术将视频理解模型中的物理知识转移到文本到视频（T2V）扩散模型中。与传统方法不同，VideoREPA关注空间和时间关系的对齐，使生成的...
2025-06-09
深度图表示重新思考：如何让3D高斯分布渲染更清晰的物体边界
浙江大学和莫纳什大学研究团队开发了PM-Loss，一种用于改进前馈式3D高斯分布渲染的新型正则化损失函数。研究针对深度图在物体边界处的不连续性问题，通过预训练Transformer模型预测的点图提供几何先验知识，实现了更...
2025-06-09
语言模型加持：阿里巴巴发布Qwen3系列文本嵌入和重排模型，在多语言和代码检索任务中超越行业巨头
阿里巴巴和同济实验室联合推出的Qwen3 Embedding系列模型在文本嵌入和重排技术上取得突破性进展。这套模型基于Qwen3大语言模型构建，采用多阶段训练策略，结合大规模合成数据和高质量监督数据，实现了在MTEB多语...
2025-06-09
视觉密码破解：清华大学团队揭示多模态大语言模型中的视觉头稀疏性现象
清华大学研究团队在多模态大语言模型(MLLMs)中发现了一个惊人现象：只有不到5%的注意力头负责视觉理解，称为"视觉头"。基于此，他们开发了SparseMM优化策略，针对视觉头和非视觉头分配不同的计算资源，实现了模型推理...
2025-06-09
StreamBP：让大语言模型训练长序列变得更轻松——香港中文大学（深圳）团队突破性研究
香港中文大学（深圳）和上海交通大学的研究团队开发了StreamBP，这是一种用于大语言模型长序列训练的内存高效反向传播方法。通过沿序列维度线性分解链式法则，StreamBP显著减少了存储激活值所需的内存，使最大序列长度比...
2025-06-09
数学视觉推理新突破：CUHK多媒体实验室的MINT-CoT如何让AI更好地理解数学图形
香港中文大学多媒体实验室开发的MINT-CoT是一种创新方法，能让AI在数学视觉推理中实现精确的"视觉交织"。这项技术通过引入特殊的"交织令牌"，使模型能够在推理过程中自动选择关注任意形状的相关图像区域，而非仅限于矩形框...
2025-06-09
EOC-Bench: 多模态大语言模型能否识别、回忆和预测第一人称视角下的物体？
这项研究介绍了EOC-Bench，一个创新基准测试，专门评估多模态大语言模型在第一人称视角场景中对物体的认知能力。研究团队从三个时间维度（过去、现在和未来）构建了3,277个问答对，涵盖11个细粒度评估维度，创新性地使用...
2025-06-09
语言-图像对齐不需要联合训练文本编码器？伯克利大学研究发现固定LLM模型即可
这篇论文由加州大学伯克利分校和香港大学的研究团队提出了LIFT方法，挑战了传统视觉语言模型需要同时训练文本和图像编码器的假设。研究发现，使用预训练的大型语言模型作为固定文本编码器，只训练图像编码器就能在多项任务上超越CL...
2025-06-09
FlexPainter：香港科技大学团队打造的灵活多视角一致性纹理生成系统
FlexPainter是香港科技大学团队开发的创新纹理生成系统，通过多模态输入控制实现灵活创作，并解决了多视角一致性问题。系统构建了共享条件嵌入空间，能同时理解文字和图像输入；提出基于图像的CFG方法实现结构与风格分离；...
2025-06-09
词汇偏向技术：通过词汇偏向为自回归图像生成模型打造抗重生成攻击的水印方案
这项研究提出了一种名为"词汇偏向水印"(LBW)的新方法，专为自回归图像生成模型设计，能够抵抗传统水印技术容易被删除的重生成攻击。研究团队将代币库分为绿色和红色列表，通过软硬两种偏向策略鼓励模型在生成过程中选择绿色列表中...
2025-06-09
视频数学问答：突破性基准测试，通过视频理解检验模型数学推理能力
这项研究推出了VideoMathQA，一个创新基准测试，专门评估人工智能模型在视频中的数学推理能力。不同于静态图像或文本基准，它要求模型在时间轴上整合视觉、音频和文本信息，模拟真实教学场景中的"多模态大海捞针"挑战。基准...
2025-06-09
解锁物体组合的新时代：南方科技大学团队开创几何可编辑与外观保持双重平衡的对象组合技术
南方科技大学林剑满团队开创性提出DGAD模型，解决通用物体组合中几何编辑与外观保持的双重挑战。该方法首先利用语义嵌入隐式捕捉物体几何特性，再通过密集交叉注意力机制精确对齐外观特征，成功实现物体在任意场景中的灵活编辑同时保...
2025-06-09
矫正点流：斯坦福大学和英伟达联合打造的通用点云姿态估计新方法
斯坦福大学和英伟达研究院联合开发的"矫正点流"为点云姿态估计提供了全新解决方案，将成对配准和多部件组装统一为条件生成问题。该方法学习连续点流场，将点从随机噪声引导至目标位置，并通过自监督重叠预测增强几何理解。实验证明，矫...
2025-06-09
Micro-Act：用自主推理解决问答中的知识冲突
这篇研究介绍了Micro-Act，一种创新框架，旨在解决问答系统中的知识冲突问题。由香港大学等机构研发的这一方法能够自动感知上下文复杂度，并将知识源分解成一系列细粒度比较，有效克服了传统方法在处理复杂冲突时的局限性。实验...