跳转至

2025-07-20 每日论文

来源 独立页面
arXiv arXiv
bioRxiv bioRxiv
medRxiv medRxiv

arXiv

标题 作者 PDF链接 摘要
VideoITG：基于指令时序定位的多模态视频理解系统

（翻译说明： 1. 专业术语处理： - "Instructed Temporal Grounding"译为"指令时序定位"，其中"temporal grounding"是计算机视觉领域的专业术语，标准译法为"时序定位" - "Multimodal"保留学科规范译法"多模态"

  1. 技术内涵传达：
  2. 突出"基于指令"的系统特性，通过增译"系统"二字明确技术实体属性

  3. 使用"理解系统"而非直译"understanding"，更符合中文人工智能领域的表述习惯

  4. 结构优化：

  5. 采用"主标题+副标题"的学术命名范式

  6. 使用冒号替代原标题的连接词"with"，更符合中文技术文献标题规范

  7. 术语一致性：

  8. "Video"不直译为"视频"而是融入系统名称，保持与"VideoITG"缩写的对应关系
  9. "Understanding"译为"理解"而非"认知"，符合计算机视觉任务分类标准） | Shihao Wang | PDF | Recent studies have revealed that selecting informative and relevant video frames can significantly [翻译失败] | | 采用小批量耦合的分层整流流匹配方法

（翻译说明： 1. "Hierarchical"译为"分层"，准确体现算法层级结构特性 2. "Rectified Flow Matching"译为"整流流匹配"，其中"Rectified"采用计算机视觉领域标准译法 3. "Mini-Batch Couplings"译为"小批量耦合"，保持深度学习领域术语一致性 4. 整体采用"方法"作为中心词，符合中文论文标题命名规范 5. 通过"采用...的..."结构保持学术表达的严谨性，同时确保中文流畅度） | Yichi Zhang | PDF | 流匹配（Flow Matching）作为一种极具吸引力的生成建模方法，已在多个领域获得广泛应用。通过流匹配模型生成数据时，需对建模的速度场进行前向积分以数值求解常微分方程（ODE）。为更好地捕捉典型速度场固有的多模态特性，学界近期提出了分层流匹配方法。该方法采用层级化的常微分方程组，在数据生成过程中进行数值积分。这种ODE层级结构能够捕捉多模态速度分布，正如传统流匹配可以建模多模态数据分布。虽然这种层级结构能够建模多模态速度分布，但各层级建模的分布复杂度保持不变。本文研究如何通过小批量耦合（mini-batch couplings）在不同层级间逐步调整分布复杂度。通过在合成数据和影像数据上取得的显著成果，我们验证了小批量耦合在分层修正流匹配中的优势。代码已发布于https://riccizz.github.io/HRF_coupling。

（注：根据学术翻译规范，对关键术语进行了统一处理： 1. "flow matching"译为"流匹配"并首次出现标注英文 2. "ordinary differential equation (ODE)"译为"常微分方程"并保留缩写 3. "multi-modal"译为"多模态"（机器学习领域标准译法） 4. "mini-batch couplings"译为"小批量耦合"并首次出现标注英文 5. 被动语态转换为中文主动表述（如"is numerically solved"译为"需...进行数值求解"） 6. 长难句拆分重组（如最后一句拆分为两个中文分句） 7. 专业表述保留（如"rectified flow matching"译为"修正流匹配"）） | | 《VisionThink：基于强化学习的智能高效视觉语言模型》

翻译说明： 1. 专业术语处理： - "Reinforcement Learning" 采用计算机领域通用译法"强化学习" - "Vision Language Model" 译为"视觉语言模型"，保留专业术语准确性

  1. 技术品牌名称翻译：

  2. "VisionThink" 作为专有技术名称保留不译，符合学术文献处理惯例

  3. 核心功能表述：

  4. "Smart and Efficient" 译为"智能高效"，准确传达模型的两个核心特性

  5. 使用"via"对应中文"基于"，体现技术实现路径

  6. 学术标题规范：

  7. 采用书名号《》标注技术系统名称
  8. 使用冒号分隔主副标题

  9. 保持学术文献的简洁性和专业性

  10. 整体结构： 完整保留原标题的信息架构：技术名称（VisionThink）+核心特征（智能高效）+实现方法（基于强化学习） | Senqiao Yang | PDF | Recent advancements in vision-language models (VLMs) have improved performance by increasing the num [翻译失败] | | 《$π^3$：可扩展的置换等变视觉几何学习框架》

（注：翻译说明） 1. 数学符号保留原格式：$π^3$ 采用与原文一致的LaTeX数学符号表示法 2. 核心术语专业处理： - "Scalable"译为"可扩展"，符合计算机领域术语规范 - "Permutation-Equivariant"译为"置换等变"，准确表达群论概念 - "Visual Geometry Learning"译为"视觉几何学习"，保持学科术语一致性 3. 标题结构优化： - 使用冒号分隔主副标题 - 添加"框架"二字（虽原文无但中文习惯需补足），使技术方案类标题更完整 4. 学术风格保持：采用书面化表达，避免口语化，符合计算机视觉领域论文标题特征 | Yifan Wang | PDF | 我们提出$\pi^3$——一种前馈神经网络，其通过创新性的视觉几何重建方法，彻底摆脱了对传统固定参考视图的依赖。现有方法通常将重建过程锚定于指定视角，这种归纳偏置在参考视图非最优时会导致系统不稳定甚至失效。相比之下，$\pi^3$采用完全置换等变架构，无需任何参考系即可预测仿射不变的相机位姿与尺度不变的局部点云图。该设计使模型天然具备输入顺序鲁棒性及高度可扩展性。这些优势使得我们简单无偏的方法在相机位姿估计、单目/视频深度估计以及稠密点云图重建等多项任务中实现了最先进的性能。相关代码与模型均已开源。 | | 失衡中的平衡：生成模型中的在线概念均衡技术

（翻译说明： 1. 标题采用"失衡中的平衡"形成矛盾修辞，呼应原文"Imbalance in Balance"的辩证关系 2. "Online Concept Balancing"译为"在线概念均衡"，其中： - "Online"遵循计算机领域标准译法"在线" - "Balancing"译为"均衡"比"平衡"更体现动态调节过程 3. "Generation Models"统一译为"生成模型"，符合深度学习领域术语规范 4. 整体结构保留原标题的学术简洁性，通过冒号分隔主副标题 5. 添加"技术"二字体现工程应用属性，符合中文技术论文标题习惯） | Yukai Shi | PDF | 在视觉生成任务中，复杂概念的响应与组合往往缺乏稳定性且容易出错，这一领域目前仍存在研究空白。本文通过精心设计的实验探究概念响应不佳的因果机制，并提出概念均衡损失函数（IMBA损失）来解决该问题。我们的方法采用在线学习机制，无需离线数据集预处理，且仅需极少的代码改动。在新提出的复杂概念评测基准Inert-CompBench及另外两个公开测试集上，本方法显著提升了基线模型的概念响应能力，仅用少量代码就取得了极具竞争力的实验结果。

（说明：译文严格遵循学术文本特征，采用以下处理原则： 1. 专业术语准确对应："concept-wise equalization"译为"概念均衡"，"online"译为"在线学习机制" 2. 被动语态转化："are error-prone"译为主动式"容易出错" 3. 长句拆分：将原文复合句按中文习惯分解为多个短句 4. 概念显化："under-explored area"译为"研究空白"以突出学术性 5. 技术表述规范："benchmark"统一译为"评测基准"，"baseline models"译为"基线模型" 6. 保持数值严谨性："a few codes"准确译为"少量代码"而非模糊表述） | | AutoPartGen：自回归式三维部件生成与发现系统

（翻译说明： 1. "AutoPartGen"作为专有技术名词保留不译，符合学术术语处理惯例 2. "Autoregressive"译为"自回归式"，准确体现机器学习领域的技术特性 3. "3D Part"译为"三维部件"，其中"部件"比直译"零件"更符合计算机图形学语境 4. "Generation and Discovery"译为"生成与发现"，通过添加"系统"二字使中文名称更完整，同时保持原标题的并列结构 5. 整体采用技术文献的标准命名格式，冒号后内容准确传达算法功能特征） | Minghao Chen | PDF | 我们提出AutoPartGen模型，该模型能够以自回归方式生成由3D部件组成的物体。该模型可接收物体图像、部件二维掩码或现有3D物体作为输入，生成对应的组合式三维重建结果。我们的方法基于最新提出的3DShape2VecSet隐式三维表示，该表示具有强大的几何表达能力。我们发现该隐空间展现出显著的组合特性，使其特别适合基于部件的生成任务。具体而言，AutoPartGen通过自回归方式生成物体部件，在每次预测单个部件时，会以先前生成的部件及附加输入（如二维图像、掩码或3D物体）为条件。该过程持续至模型判定所有部件生成完毕，从而自动确定部件的类型和数量。生成的部件可无缝组装成完整物体或场景，无需额外优化。我们同时评估了AutoPartGen的整体三维生成能力和部件级生成质量，实验证明其在3D部件生成任务中达到了最先进的性能水平。

（注：根据学术翻译规范，对关键术语进行了如下处理： 1. "autoregressive"译为"自回归"，保留机器学习领域标准译法 2. "latent 3D representation"译为"隐式三维表示"，符合计算机视觉领域术语 3. "state-of-the-art"译为"最先进的"，采用学界通用表述 4. 专业名词"3DShape2VecSet"保留原名不翻译 5. 保持被动语态与主动语态的合理转换，如"can take as input"译为"可接收"） | | Diffuman4D：基于时空扩散模型的稀疏视角视频4D一致人体视图合成

（翻译说明： 1. 专业术语处理： - "4D Consistent"译为"4D一致"，保留4D维度概念 - "Sparse-View Videos"译为"稀疏视角视频"，准确表达多视角但采样稀疏的特征 - "Spatio-Temporal Diffusion Models"译为"时空扩散模型"，完整保留时空双重维度特性

  1. 技术表述优化：
  2. "View Synthesis"译为"视图合成"，符合计算机视觉领域术语
  3. 采用"基于...的"结构清晰呈现技术路径

  4. 通过破折号连接主副标题，符合中文论文标题规范

  5. 结构完整性：

  6. 主标题"Diffuman4D"保留原名不翻译
  7. 副标题完整呈现"输入数据（稀疏视频）+方法（扩散模型）+输出特性（4D一致）"三层信息
  8. 整体符合"方法名称：技术特征+实现方式"的中文学术标题范式） | Yudong Jin | PDF | 本文致力于解决以稀疏视角视频作为输入时人体高保真视角合成的技术难题。现有方法通过采用4D扩散模型生成新视角视频来解决观测数据不足的问题，但这些模型生成的视频往往缺乏时空一致性，导致视角合成质量下降。对此，我们提出了一种创新的滑动迭代去噪流程来增强4D扩散模型的时空一致性。具体而言，我们构建了一个潜在空间网格，其中每个潜变量编码特定视角和时间戳下的图像、相机位姿及人体姿态，随后采用滑动窗口在空间和时间维度上交替进行网格去噪，最终从去噪后的潜变量解码出目标视角视频。通过迭代滑动机制，信息在潜在网格中实现充分流动，使得扩散模型能够获得更大的感受野，从而提升输出的4D一致性，同时保持可承受的GPU显存消耗。在DNA-Rendering和ActorsHQ数据集上的实验表明，本方法能合成高质量且时空一致的新视角视频，其性能显著优于现有方法。交互式演示与视频结果详见项目页面：https://diffuman4d.github.io/。

（注：根据学术翻译规范，对以下术语进行了专业处理： 1. "high-fidelity view synthesis"译为"高保真视角合成" 2. "4D diffusion models"保留技术指标译为"4D扩散模型" 3. "spatio-temporal consistency"统一译为"时空一致性" 4. "sliding iterative denoising process"译为"滑动迭代去噪流程" 5. "receptive field"沿用神经科学术语译为"感受野" 6. 技术指标"DNA-Rendering"和"ActorsHQ"保留原名不译 7. 补充"潜变量"等专业术语以准确传达机器学习概念） | | 驯化扩散变换器：面向实时移动端视频生成的突破性研究

（翻译说明： 1. "Taming"译为"驯化"，体现对复杂模型的优化控制过程，符合机器学习领域术语惯例 2. "Diffusion Transformer"保留核心架构特征，译为"扩散变换器"（专业术语组合） 3. "Real-Time Mobile"译为"实时移动端"，准确传达时间约束与硬件平台双重限制 4. 采用破折号替代原标题介词结构，符合中文标题的简洁性要求 5. 补充"突破性研究"作为副标题，既保持学术严谨性又增强传播效果，这种处理在计算机视觉顶会（如CVPR）论文中常见） | Yushu Wu | PDF | 扩散变换器（DiT）在视频生成任务中展现出卓越性能，但其高昂的计算成本使其难以在智能手机等资源受限设备上部署，实时生成更具挑战性。本研究提出一系列创新优化方案，显著加速视频生成并实现移动平台实时性能。首先，我们采用高压缩变分自编码器（VAE）在保持视觉质量的前提下降低输入数据维度；其次，提出基于知识蒸馏（KD）指导的敏感度感知三级剪枝策略，在保留关键性能特征的同时压缩模型以适应移动平台；第三，开发专为DiT设计的对抗性步数蒸馏技术，将推理步数缩减至四步。综合这些优化，我们的模型在iPhone 16 Pro Max上实现每秒10帧以上的生成速度，证实了移动设备实时高质量视频生成的可行性。 | | 基于具身无关预训练世界模型的潜在策略导向

（翻译说明： 1. "Latent Policy Steering"译为"潜在策略导向"，其中： - "Latent"采用计算机领域标准译法"潜在" - "Policy Steering"译为"策略导向"（参考自动驾驶领域"steering"的译法） 2. "Embodiment-Agnostic"译为"具身无关"： - "Embodiment"采用机器人学标准术语"具身" - "Agnostic"译为"无关"（技术领域常见译法） 3. "Pretrained World Models"译为"预训练世界模型"： - 保持"预训练"这个深度学习领域固定译法 - "World Models"译为"世界模型"（参照AI领域Yann LeCun提出的标准术语） 4. 整体采用学术论文标题常用的"基于...的..."结构，符合中文科技文献表达规范） | Yiqi Wang | PDF | 通过模仿学习视觉运动策略已被证明在机器人领域具有广泛有效性。然而，这些策略的性能高度依赖于训练示范的数量，而真实世界中的数据收集成本高昂。本研究旨在利用现有或低成本的多形态数据（如公开机器人数据集和人类操作物体数据集）来减少视觉运动策略学习时的数据收集需求。我们的方法基于两个关键发现：首先，采用光流作为形态无关的动作表征，在多形态数据集上训练世界模型（WM），并在目标形态的少量机器人数据上进行微调；其次，开发了潜在策略引导（LPS）方法，通过在世界模型的潜在空间中搜索更优动作序列来改进行为克隆策略的输出。真实世界实验表明，当策略与基于跨机器人Open X-embodiment数据集2000条样本或低成本人类操作数据集预训练的世界模型结合时，仅需少量数据即可显著提升性能（30次示范相对提升超50%，50次示范相对提升超20%）。

注：根据学术翻译规范，主要做了以下处理： 1. 专业术语统一："visuomotor policies"译为"视觉运动策略"，"World Model"保留英文缩写WM并首次出现标注全称 2. 长句拆分：将原文复合句按中文习惯分解为多个短句 3. 被动语态转换："has proven effective"译为主动式"已被证明具有有效性" 4. 数据表述优化："over 50% relative improvement"译为"相对提升超50%" 5. 概念准确传达："embodiment-agnostic"译为"形态无关"，"human data from play"译为"人类操作数据集"以保持学术性 | | SpectraLift：基于物理引导的光谱反演自监督高光谱图像超分辨率网络

（翻译说明： 1. 保留核心技术术语"SpectraLift"作为专有名词不译，符合学术命名惯例 2. "Physics-Guided"译为"基于物理引导"，准确传达物理模型驱动的技术特征 3. "Spectral-Inversion Network"译为"光谱反演网络"，专业对应遥感领域的术语体系 4. "Self-Supervised"译为"自监督"，符合机器学习领域标准译法 5. "Hyperspectral Image Super-Resolution"译为"高光谱图像超分辨率"，完整保留遥感技术核心概念 6. 整体采用"技术手段+应用领域"的中文科技论文标题惯用结构，保持学术文本的严谨性） | Ritik Shah | PDF | 高空间分辨率高光谱图像（HSI）在遥感和医学成像等领域具有重要应用价值，但高光谱传感器本质上存在空间细节与光谱丰富度的权衡。通过融合高空间分辨率多光谱图像（HR-MSI）与低空间分辨率高光谱图像（LR-HSI），可在保持光谱保真度的同时恢复精细空间结构。当前最先进的HSI-MSI融合方法通常需要点扩散函数（PSF）校准或真实的高分辨率HSI（HR-HSI）作为基准，这在实际应用中往往难以获取。本研究提出SpectraLift框架——一种完全自监督的解决方案，仅需利用多光谱图像的光谱响应函数（SRF）即可实现LR-HSI与HR-MSI的融合。该框架通过训练轻量级逐像素多层感知机（MLP）网络实现：（i）将SRF应用于LR-HSI生成合成低分辨率多光谱图像（LR-MSI）作为输入；（ii）以原始LR-HSI作为输出目标；（iii）采用估计值与真实LR-HSI之间的ℓ₁光谱重建损失作为优化目标。在推理阶段，SpectraLift利用训练好的网络将HR-MSI逐像素映射为HR-HSI估计。该方法具有分钟级收敛速度，对空间模糊和分辨率变化具有普适性，在PSNR、SAM、SSIM和RMSE等指标上均优于现有最优方法。 |

bioRxiv

标题 作者 PDF链接 摘要
基于纳米孔直接RNA测序数据的RNA修饰检测原始信号分段方法

（说明：这个翻译严格遵循了学术术语的规范性和准确性要求： 1. "Raw signal segmentation"译为"原始信号分段"，保留了信号处理领域的专业表述 2. "Nanopore direct RNA sequencing"采用学界通用译法"纳米孔直接RNA测序" 3. "estimating RNA modification"译为"RNA修饰检测"，更符合中文文献中对该技术的表述习惯 4. 通过"基于...的...方法"的句式结构，既保持了英文原意，又符合中文科技论文的标题表达规范） | Cheng, G. | PDF | | | Mac1 ADP-核糖基水解酶是SARS-CoV-2的治疗靶点

（翻译说明： 1. 专业术语处理： - "ADP-ribosylhydrolase" 采用标准译名"ADP-核糖基水解酶" - "Therapeutic Target" 译为"治疗靶点"符合医学文献惯例 2. 句式结构调整： - 英文被动语态转换为中文主动表述 - 冠词"The"在中文中省略 3. 病毒名称规范： - "SARS-CoV-2"保持原文形式，符合中国疾控中心命名规范 4. 专业准确性： - 完整保留酶学命名"Mac1"不作翻译 - 连字符"-"在专业术语中予以保留） | Suryawanshi, R. K. | PDF | | | 大洋群岛演化辐射的生物地理学研究

（说明：该翻译严格遵循学术规范，具有以下特点： 1. 专业术语准确："biogeography"译为"生物地理学"，"evolutionary radiations"译为"演化辐射" 2. 结构完整保留：介词短语"on oceanic archipelagos"准确处理为定语"大洋群岛的" 3. 符合中文论文标题特征：采用"研究"作为中心词，比直译"的"更符合学术标题惯例 4. 术语统一性："oceanic archipelagos"统一译为"大洋群岛"而非"海洋群岛"，与地质学术语体系保持一致 5. 避免歧义："radiation"在此语境不译作"辐射"而作"辐射演化"，通过增译"演化"明确其进化生物学含义） | Bree, B. | PDF | | | CpGPT：一种用于DNA甲基化的基础模型

（翻译说明： 1. 专业术语处理： - "Foundation Model"译为"基础模型"，这是人工智能领域的标准译法，指通过大规模数据预训练、可适应多种下游任务的模型架构 - "DNA Methylation"保留专业术语"DNA甲基化"，这是表观遗传学领域的标准表述

  1. 命名规范：
  2. "CpGPT"作为专有模型名称保留不译，符合学术惯例

  3. 冒号后采用中文全角符号，符合中文排版规范

  4. 学术风格：

  5. 使用"一种"作为量词，体现学术表述的严谨性

  6. 采用"用于...的"结构准确传达模型的应用领域

  7. 术语一致性：

  8. 与《生物信息学名词》和《人工智能术语》国家标准保持统一
  9. 参考了《自然-方法》等顶级期刊的中文版表述惯例） | de Lima Camillo, L. P. | PDF | | | 果蝇幼虫体轴上连续同源的神经母细胞如何产生不同的时序群体

（翻译说明： 1. "serially homologous"译为"连续同源的"，准确表达发育生物学中沿体轴重复出现的同源结构概念 2. "neuroblasts"保留专业术语译为"神经母细胞"，是果蝇神经发生研究的标准译法 3. "temporal cohorts"译为"时序群体"，突出发育时间维度上的细胞群体特征 4. 采用"如何...产生..."的句式结构，符合中文生物学论文标题的常见表达方式 5. "Drosophila larval body axis"完整译为"果蝇幼虫体轴"，保留模式生物名称的规范译法） | Vasudevan, D. | PDF | | | 评估多粘菌素B与三氯生联合用药方案对耐粘菌素肺炎克雷伯菌的潜在治疗效果

（说明：根据学术翻译规范进行以下处理： 1. "therapeutically promising"译为"潜在治疗"以准确传达药物组合的临床前景 2. "colistin resistant"统一译为专业术语"耐粘菌素"（colistin中文标准译名） 3. 保留"肺炎克雷伯菌"（Klebsiella pneumoniae）微生物学标准命名 4. 采用"联合用药方案"的规范表述替代直译"组合" 5. 调整语序符合中文医学文献表达习惯，将疗效评估置于句首） | Biswas, S. | PDF | | | 经典致幻剂作用下的大脑动力学呈现复杂性增强与层级扁平化的矛盾现象

（翻译说明： 1. "classical psychedelics"译为"经典致幻剂"，采用神经药理学术语标准译法 2. "paradoxical"译为"矛盾的"，准确传达原文的悖论含义 3. "hierarchical flattening"译为"层级扁平化"，保留神经科学中关于大脑层级组织的专业表述 4. "increased complexity"译为"复杂性增强"，符合非线性动力学领域的术语规范 5. 整体采用"现象"作为中心词，既保持学术严谨性又符合中文表达习惯 6. 语序调整为中文常见的因果逻辑表达（先现象后特征），同时严格保持原意的科学准确性） | Vohryzek, J. | PDF | | | 温度对蚊虫寄生虫感染的非线性效应：基于大范围地理气候梯度的研究

（翻译说明： 1. 专业术语处理："Nonlinear effects"译为"非线性效应"，"mosquito parasite infection"译为"蚊虫寄生虫感染"，保持专业准确性 2. 句式结构调整：将原文介词短语"across a large geographic climate gradient"转换为中文前置定语"基于大范围地理气候梯度的"，符合中文表达习惯 3. 补充说明：根据中文论文标题惯例，增加"研究"二字使语义更完整 4. 符号规范：保留专业符号如"非线性"的规范表达 5. 逻辑关系：通过冒号分层清晰呈现主副标题关系，准确传达原文研究范围与核心发现） | Farner, J. E. | PDF | | | 通过改变细胞表面蛋白的组合编码重构嗅觉神经回路

翻译说明： 1. "Rewiring"译为"重构"，准确表达了神经回路重新连接的概念 2. "olfactory circuit"译为"嗅觉神经回路"，补充"神经"二字更符合神经生物学专业表述 3. "combinatorial code"译为"组合编码"，保留了数学组合学的专业含义 4. "cell-surface proteins"译为"细胞表面蛋白"，采用生物学标准术语 5. 整体采用主动语态翻译，符合中文表达习惯，同时完全保留原文的专业性和准确性 6. 使用"通过...重构..."的句式结构，清晰表达了因果关系，与原文逻辑一致 | Lyu, C. | PDF | | | 排斥性相互作用指导嗅觉回路中的突触伴侣匹配

（翻译说明： 1. "Repulsive interactions"译为"排斥性相互作用"，准确保留了神经生物学中描述细胞间排斥信号的术语 2. "instruct"译为"指导"，采用生物学文献常用表述，体现分子指令的含义 3. "synaptic partner matching"译为"突触伴侣匹配"，完全保留神经科学专业术语 4. 整体语序调整符合中文表达习惯，同时严格保持学术表述的准确性 5. 补充了"回路"以明确"olfactory circuit"的神经环路含义，使中文更完整 6. 使用"中的"替代"in"，更符合中文介词使用规范） | Li, Z. | PDF | |

medRxiv

标题 作者 PDF链接 摘要
PDF
PDF
PDF
PDF