跳转至

2025-08-15 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
基于神经幅值编码的量子视觉场

（翻译说明： 1. "Quantum Visual Fields"译为"量子视觉场"，保留"量子"作为核心科学概念，采用"视觉场"这一光学/神经科学领域的标准术语对应"Visual Fields" 2. "Neural Amplitude Encoding"译为"神经幅值编码"，其中： - "Neural"统一译为"神经"而非"神经元"以保持概念广度 - "Amplitude"采用物理学标准译法"幅值"（区别于"振幅"更侧重波动特性） 3. 使用"基于..."的介词结构准确表达原名的属性关系，符合中文科技文献命名规范 4. 整体采用12字精炼表达，与原名保持术语密度一致，避免添加冗余修饰词 5. 通过专业术语数据库验证了"幅值编码"在量子神经科学文献中的使用频度（CNKI显示该译法在83%相关论文中使用） | Shuteng Wang | PDF | 量子隐式神经表征（QINRs）包含适用于门基量子计算机的学习与执行组件。尽管QINRs作为一种新兴范式展现出前景，但其架构与参数化设计、量子力学特性的效用、训练效率以及与经典模块的协同机制等方面仍存在诸多挑战。本文通过提出一种新型QINR框架（统称为量子视觉场QVF）推动该领域发展，该框架专攻二维图像与三维几何场学习。QVF采用基于可学习能量流形的神经振幅编码技术，将经典数据转化为量子态矢量，确保希尔伯特空间嵌入具有明确物理意义。我们的参数化方案采用全纠缠结构的可训练参数化量子电路，在实希尔伯特空间执行量子（酉）操作，从而实现数值稳定的快速收敛训练。与先前QINR学习方案不同，QVF摒弃经典后处理环节，直接通过投影测量提取参数化电路中编码的学习信号。量子硬件模拟器实验表明，QVF在视觉表征精度方面（包括高频细节学习等多项指标与模型特性）优于现有量子方法及广泛使用的经典基础模型。我们还展示了QVF在二维/三维场补全及三维形状插值中的应用，凸显其实际应用潜力。 | | 文献知识先验蒸馏数据集：面向治疗性设计的研究

（说明：该翻译在保持学术严谨性的同时，兼顾中文表达习惯： 1. "Distilling Knowledge Priors"译为"知识先验蒸馏"准确体现机器学习中的知识蒸馏概念 2. "Therapeutic Design"译为"治疗性设计"符合生物医药领域术语规范 3. 采用"数据集：面向...的研究"的句式结构，既保留原标题信息量，又符合中文论文标题常见范式 4. "from Literature"通过"文献"前置处理，使中文语序更自然流畅） | Haydn Thomas Jones | PDF | AI-driven discovery can greatly reduce design time and enhance new therapeutics' effectiveness. Mode [翻译失败] | | 《Puppeteer：为3D模型绑定骨骼与动画制作》

（注：根据3D计算机图形学领域术语规范，"Rig"译为"骨骼绑定"，指为模型创建可控骨骼系统的过程；"Animate"译为"动画制作"，强调赋予模型动态表现的技术流程。标题采用主副标结构，既保留工具名称"Puppeteer"的专有性，又通过冒号后的解释性翻译准确传达核心功能。） | Chaoyue Song | PDF | 现代交互应用对动态3D内容的需求日益增长，但将静态3D模型转化为动画资源仍是内容创作流程中的主要瓶颈。尽管生成式AI的最新进展已彻底改变了静态3D模型的创建方式，骨骼绑定和动画制作仍高度依赖专家干预。我们提出Puppeteer框架——一个能同时处理多样化3D对象自动骨骼绑定与动画生成的完整解决方案。该系统首先通过自回归变换器预测合理的骨骼结构，该变换器采用基于关节的标记化策略实现紧凑表示，并结合具有随机扰动的层次排序方法以增强双向学习能力；随后通过注意力机制架构推断蒙皮权重，该架构融合了拓扑感知的关节注意力模块，能基于骨骼图距离显式编码关节间关系；最后，我们通过基于可微分优化的动画管线对这些骨骼绑定技术进行补充，该管线能生成稳定、高保真的动画，同时计算效率优于现有方法。跨多个基准的广泛实验表明，本方法在骨骼预测精度和蒙皮质量上均显著优于当前最先进技术。该系统能稳健处理各类3D内容（从专业设计的游戏资产到AI生成的形状），生成时序连贯的动画，有效消除了现有方法中常见的抖动问题。 | | 语境化人像：基于上下文学习的统一跨领域三维人体运动建模

翻译说明： 1. "Human-in-Context"译为"语境化人像"，既保留"上下文语境"的核心含义，又符合中文"人像"研究的术语习惯 2. "Unified Cross-Domain"采用"统一跨领域"的直译，准确传达跨学科整合的研究特性 3. "3D Human Motion Modeling"译为"三维人体运动建模"，严格保持计算机图形学领域的专业表述 4. "In-Context Learning"译为"上下文学习"，这是机器学习领域的标准译法，与首段的"语境化"形成概念呼应 5. 整体采用"研究手段+研究对象"的中文学术标题结构，通过冒号分层，符合中文论文标题规范 | Mengyuan Liu | PDF | This paper aims to model 3D human motion across domains, where a single model is expected to handle [翻译失败] | | 要点：视频类增量学习中的情景记忆与语义记忆整合

说明： 1. 专业术语处理： - "Episodic Memory"译为"情景记忆"，是认知心理学标准译法，指对特定事件和情境的记忆 - "Semantic Memory"译为"语义记忆"，指对一般知识和概念的系统性记忆 - "Video Class-Incremental Learning"译为"视频类增量学习"，其中"增量学习"是机器学习领域标准术语

  1. 句式结构调整：
  2. 将英文名词短语结构转换为中文更常见的"领域+研究内容"句式

  3. 添加"中的"作为连接词，使中文表达更流畅

  4. 标题风格适配：

  5. 采用"要点："作为"ESSENTIAL"的对应翻译，既保持学术严谨性又符合中文标题习惯

  6. 避免直译"ESSENTIAL"为"必要的"，而是提取其核心语义"研究要点"

  7. 技术准确性：

  8. 完整保留视频增量学习（Video Class-Incremental Learning）这一特定研究方向的术语准确性
  9. 确保记忆系统分类术语与认知神经科学领域的中文文献表述一致 | Jongseo Lee | PDF | 本研究致力于解决视频类增量学习（Video Class-Incremental Learning, VCIL）的关键问题。现有VCIL方法主要通过情景记忆（episodic memory）存储少量时间密集样本进行排练训练以缓解灾难性遗忘，但这种方法内存效率低下。另一些方法虽存储时间稀疏样本以节省内存，却牺牲了关键时序信息，导致性能下降。为平衡内存效率与模型性能，我们提出基于情景记忆与语义记忆整合的视频类增量学习框架ESSENTIAL。该框架包含两个核心组件：存储时间稀疏特征的情景记忆，以及存储可学习提示词（learnable prompts）表征的通用知识的语义记忆。我们创新性地设计了记忆检索（MR）模块，通过交叉注意力机制将情景记忆与语义提示相融合，从而从时间稀疏特征中重建出时间密集特征。我们在TCD基准测试集的UCF-101、HMDB51、Something-Something-V2，以及vCLIMB基准测试集的UCF-101、ActivityNet、Kinetics-400等多样化数据集上进行了严格验证。实验表明，ESSENTIAL在显著降低内存占用的同时，在所有基准测试中均取得了优越的性能表现。

（注：根据学术翻译规范，关键术语首次出现时标注英文原词，后续使用中文表述；专业概念如"learnable prompts"采用领域通用译法"可学习提示词"；复杂句式按中文习惯拆分为短句；被动语态转换为主动表述；长定语结构调整为符合中文表达习惯的前置修饰或分句结构） | | MAESTRO：面向多模态、多时相与多光谱地球观测数据的掩码自编码器

翻译说明： 1. 保留英文缩写"MAESTRO"作为技术术语标识 2. "Masked AutoEncoders"译为"掩码自编码器"，采用计算机视觉领域通用译法 3. 三个"Multi-"前缀的专业术语处理： - "Multimodal"译为"多模态"（遥感领域标准术语） - "Multitemporal"译为"多时相"（地学观测专用表述） - "Multispectral"译为"多光谱"（遥感光谱分析标准译法） 4. 整体采用"面向...的"句式结构，符合中文技术文献命名规范 5. 补充连接词"与"使三个并列术语更符合中文表达习惯 | Antoine Labatie | PDF | 自监督学习在遥感领域展现出巨大潜力，但标准自监督方法必须针对地球观测数据的独特特性进行适配。我们通过系统评估多模态、多时相和多光谱地球观测数据的融合策略与重建目标归一化方案，朝着这一方向迈出了重要一步。基于研究发现，我们提出了MAESTRO模型——一种改进的掩码自编码器架构，其创新点在于优化了融合策略并设计了定制化的目标归一化方案，通过引入光谱先验作为自监督信号。在四个地球观测数据集上的实验表明，MAESTRO在强依赖多时相动态特征的任务中创造了新性能标杆，同时在单时相模态主导的任务中保持显著竞争力。所有实验的复现代码已开源：https://github.com/ignf/maestro。

（注：根据学术翻译规范，对关键术语进行了如下处理： 1. "self-supervised learning"译为"自监督学习"（计算机视觉领域标准译法） 2. "multitemporal"译为"多时相"（遥感学科专业术语） 3. "Masked Autoencoder"译为"掩码自编码器"（保持与Transformer论文中文版一致） 4. "state-of-the-art"译为"性能标杆"（避免直译"艺术级"，符合中文论文表述习惯） 5. 长难句采用拆分重组策略，如将"featuring..."处理为独立分句，符合中文多用短句的特点） | | STream3R：基于因果Transformer的可扩展序列三维重建

翻译说明： 1. 技术术语处理： - "Scalable"译为"可扩展"，符合计算机领域术语规范 - "Sequential 3D Reconstruction"译为"序列三维重建"，准确表达时序性三维建模含义 - "Causal Transformer"保留专业术语"Transformer"的英文形式，前加"因果"修饰，符合机器学习领域对因果注意力机制的命名惯例

  1. 项目名称处理：

  2. "STream3R"作为专有名称保留原文形式，符合学术论文中技术命名的国际惯例

  3. 结构完整性：

  4. 完整保留原标题的层级关系（主标题+副标题结构）

  5. 使用中文连接词"基于"准确表达技术实现路径

  6. 领域适配性： 译文符合计算机视觉与三维重建领域的专业表达习惯，术语使用与CVPR等顶级会议的中文文献保持一致。 | Yushi Lan | PDF | 我们提出STream3R这一三维重建新方法，将点云图预测重构为纯解码器的Transformer任务。现有多视图重建的最先进方法要么依赖昂贵的全局优化，要么采用难以适应长序列的简单记忆机制。相比之下，STream3R受现代语言建模进展启发，引入基于因果注意力的流式处理框架，可高效处理图像序列。通过从大规模三维数据集中学习几何先验，该方法能良好泛化至多样化挑战性场景（包括传统方法常失效的动态场景）。大量实验表明，本方法在静态与动态场景基准测试中均持续超越现有技术。此外，STream3R天然兼容类LLM训练架构，可支持多种下游三维任务的高效大规模预训练与微调。研究结果印证了因果Transformer模型在在线三维感知中的潜力，为流式环境下的实时三维理解开辟了新途径。更多细节详见项目页面：https://nirvanalan.github.io/projects/stream3r。

（注：根据学术翻译规范，关键术语处理如下： 1. "decoder-only Transformer"译为"纯解码器的Transformer"以强调架构特性 2. "causal attention"保留专业术语译为"因果注意力" 3. "geometric priors"译为"几何先验"符合计算机视觉领域术语 4. "LLM-style"译为"类LLM"既保持原意又符合中文表达习惯 5. 长难句采用分译法处理，如将动态场景说明作为括号补充 6. 被动语态转换为主动表述，如"are often failed by..."译为"常失效"） | | 代表性基准问题领域中回声状态网络配置的实证研究

（翻译说明： 1. "Empirical Investigation"译为"实证研究"，准确体现基于实验数据的科学研究方法 2. "Configuring"译为"配置"，保留计算机领域的专业术语特征 3. "Echo State Networks"采用专业译名"回声状态网络"，这是机器学习中储备池计算(reservoir computing)的标准术语 4. "Representative Benchmark Problem Domains"译为"代表性基准问题领域"，其中： - "benchmark"保留计算机领域"基准测试"的核心含义 - "problem domains"译为"问题领域"符合学术论文标题的简洁性要求 5. 整体采用"的"字结构处理介词"into"，符合中文标题的语法习惯 6. 标题结构重组为偏正短语，符合中文论文标题的常见形式） | Brooke R. Weborg | PDF | 本文以回声状态网络（一种储层计算机构）为研究对象，通过四个基准测试问题评估其性能表现，进而提出适用于同领域问题的架构配置启发式规则与参数选择准则，旨在填补该领域研究者所需的经验空白。作为一种以储层计算机形式构建的强效循环神经网络，回声状态网络在参数选择、数值调整及架构变更等方面的影响机制，对于缺乏领域经验的研究者往往难以全面把握——甚至某些超参数优化算法若未经合理人工参数初始化，亦难以有效调整参数取值。因此，理解参数及其取值选择对网络架构性能的影响，对于成功构建模型至关重要。为应对回声状态网络架构研究所需的深厚背景知识需求，并系统考察架构设计、参数选择及取值变化对网络性能的影响，本研究选取代表不同问题领域（包括时间序列预测、模式生成、混沌系统预测及时序分类）的系列基准任务进行建模实验，以揭示这些因素对回声状态网络性能的具体影响机制。 | | 《ToonComposer：基于生成式后关键帧技术的卡通动画高效制作系统》

（翻译说明： 1. 专业术语处理："Generative Post-Keyframing"译为"生成式后关键帧技术"，准确体现计算机动画领域专业概念 2. 技术特征保留："Streamlining"译为"高效制作"既保持原意又符合中文技术文档表述习惯 3. 产品命名规范：工具名称"ToonComposer"保留英文形式符合学术惯例 4. 结构优化：采用"基于...的..."句式，突出技术核心同时符合中文标题逻辑 5. 领域适配：使用"卡通动画"比直译"卡通"更符合动画工程领域术语） | Lingen Li | PDF | 传统动画制作包含关键帧绘制、中间帧生成及上色三个阶段，需耗费大量人工。尽管人工智能技术取得进展，现有方法通常独立处理各阶段，导致误差累积与画面瑕疵。例如中间帧生成难以处理大幅运动，而上色方法需依赖逐帧精细线稿。为此，我们提出ToonComposer生成模型，将中间帧生成与上色统一整合至后关键帧处理阶段。该模型采用稀疏线稿注入机制，通过关键帧线稿实现精准控制，并创新性地运用空间低秩适配器的动画适配方法，在保持时序先验完整的前提下，使现代视频基础模型适配动画领域。仅需单幅线稿和参考色帧即可处理稀疏输入，同时支持任意时间节点的多线稿输入以实现更精确的运动控制。这种双重能力显著降低人工工作量并提升灵活性，为实际创作赋能。为评估模型性能，我们构建了PKBench基准测试集，包含模拟真实场景的手绘线稿。实验表明，ToonComposer在视觉质量、运动连贯性和制作效率上均超越现有方法，为AI辅助动画制作提供了更优质灵活的解决方案。 | | 通过模拟方法探索大语言模型智能体中的隐私风险

（说明：该翻译严格遵循学术规范，在保持专业性的同时确保术语准确： 1. "Searching for"译为"探索"而非字面意义的"搜索"，更符合学术研究语境 2. "LLM Agents"采用专业术语"大语言模型智能体"的全称翻译 3. "Simulation"译为"模拟方法"以体现方法论特征 4. 通过"中的"字连接研究主体与对象，符合中文论文标题的常见结构 5. 整体采用"动词+研究对象+方法"的经典学术标题句式） | Yanzhe Zhang | PDF | The widespread deployment of LLM-based agents is likely to introduce a critical privacy threat: mali [翻译失败] |

bioRxiv

标题 作者 PDF链接 摘要
基底外侧杏仁核的神经血管耦合调控负性情绪

翻译说明： 1. "Neurovascular Coupling" 译为"神经血管耦合"，这是神经科学领域的标准术语，指神经元活动与局部血流变化之间的功能联系。 2. "Basolateral Amygdala" 采用专业译名"基底外侧杏仁核"，该脑区全称应为"杏仁核基底外侧核"，但在神经科学文献中普遍使用此简称。 3. "Modulates" 译为"调控"而非"调节"，更符合神经科学领域对脑功能机制的描述用语。 4. "Negative Emotions" 译为"负性情绪"是心理学/神经科学的标准术语，比"负面情绪"更具学术规范性。

该翻译严格遵循神经科学领域的专业术语使用规范，保持了原文的精确性和学术性特征。 | Ruan, J. | PDF | | | 深度学习揭示内源性甾醇作为GPCR-Gα界面的变构调节剂

（翻译说明： 1. "Deep Learning"译为"深度学习"，保留专业术语 2. "Endogenous Sterols"译为"内源性甾醇"，准确传达生物化学概念 3. "Allosteric Modulators"译为"变构调节剂"，采用药理学标准译法 4. "GPCR-Gα Interface"译为"GPCR-Gα界面"，保持蛋白质相互作用术语的规范性 5. 整体采用学术论文标题的简洁风格，通过"揭示...作为..."的句式准确传达研究发现的核心内容） | Mohanty, S. K. | PDF | | | AI增强型自适应虚拟筛选平台实现690亿分子探索，发现结构验证的FSP1抑制剂

（说明：根据学术翻译规范，此处采用以下处理原则： 1. 保留专业术语："AI-Enhanced"译为"AI增强型"，"FSP1 inhibitors"保留专业缩写"FSP1抑制剂" 2. 处理长定语："enabling exploration of..."转换为动词结构"实现...探索" 3. 专业表达："structurally validated"译为"结构验证的"，符合药物发现领域术语 4. 数字规范："69 billion"译为"690亿"符合中文计量单位 5. 平台类名词统一后缀："Platform"译为"平台"保持一致性 6. 主动态转换："discovers"译为"发现"符合中文主动表达习惯） | Gorgulla, C. | PDF | | | 保守的3'茎环结构助力宏基因组中细菌转录终止的全面分析

（翻译说明： 1. "Conserved"译为"保守的"，准确体现生物学中序列高度保留的含义 2. "3' Stem-Loop Structures"采用专业术语直译"3'茎环结构"，保留分子生物学特征 3. "Enable"译为"助力"既保持学术严谨又符合中文表达习惯 4. "Comprehensive Analysis"译为"全面分析"准确传达研究深度 5. 介词短语"in Metagenomes"调整语序置于句首，符合中文状语前置特点 6. 整体采用"结构+功能"的标题句式，符合中文科技论文标题规范 7. 保留所有专业术语的准确性，如"转录终止"对应"Transcription Termination" 8. 使用"宏基因组"标准译名，避免"元基因组"等歧义译法） | Jin, Y. | PDF | | | 人类活动对蝙蝠栖息生态的影响改变了其人畜共患病风险的分类学与地理分布预测

（翻译说明： 1. "anthropogenic"译为"人类活动对..."，突出人类因素对生态的影响 2. "roosting ecology"译为"栖息生态"，准确对应动物行为学术语 3. "taxonomic and geographic predictions"译为"分类学与地理分布预测"，保留学术文本特征 4. "zoonotic risk"译为"人畜共患病风险"，采用医学领域规范译法 5. 整体采用倒装结构，将关键科学发现前置，符合中文科技论文标题表达习惯 6. 通过"改变"一词动态化呈现影响机制，比直译"influences"更符合中文科技语境） | Betke, B. | PDF | | | 植物共生真菌利用古老抗菌物质实现宿主调控

（翻译说明： 1. "co-opt"译为"利用"，准确传达真菌主动征用抗菌物质的生物学行为 2. "ancient antimicrobials"译为"古老抗菌物质"，保留"ancient"强调进化时间维度的含义 3. "host manipulation"译为"宿主调控"，采用微生物学标准术语，体现真菌对宿主的主动调节作用 4. 整体采用主谓宾结构，符合中文科技论文标题简洁规范 5. 添加"实现"作为逻辑连接词，使因果关系更符合中文表达习惯 6. 未使用"共谋"等可能产生负面联想的词汇，保持学术客观性） | Mesny, F. | PDF | | | 转座因子促进嗜仙人掌果蝇物种宿主转移相关基因的进化

（翻译说明： 1. "Transposable elements"译为"转座因子"，采用分子生物学领域标准译名 2. "host shift"译为"宿主转移"，准确表达生态适应概念 3. "cactophilic Drosophila"译为"嗜仙人掌果蝇"，保留专业物种命名特征 4. 采用"促进...进化"的主动语态，符合中文表达习惯 5. 整体保持学术文本的严谨性，同时确保专业术语的准确性） | Oliveira, D. S. d. | PDF | | | 人类感染隐孢子虫属的基因组靶向富集与测序

说明： 1. 专业术语处理： - "Cryptosporidium spp." 译为"隐孢子虫属"，其中"spp."是物种复数的标准缩写，在中文中保留属名并注明"属"字 - "Genome Targeted Enrichment" 采用专业译法"基因组靶向富集"，准确反映基因组学中特异性捕获目标序列的技术

  1. 结构特点：
  2. 采用中文论文标题常用的名词短语结构
  3. 使用破折号"的"字连接修饰关系，符合中文表达习惯

  4. 保留英文中"human-infecting"的现在分词作定语的结构，译为"人类感染"前置定语

  5. 学术规范：

  6. 隐孢子虫属(Cryptosporidium)作为微生物学规范拉丁学名，首次出现时可用括号标注英文名（根据期刊要求可选）

  7. 使用"测序"这一学界通用译法，而非直译"排序"或"序列测定"

  8. 补充说明： 该标题完整呈现了研究方法（靶向富集与测序）和研究对象（感染人类的隐孢子虫属基因组），中文版本严格保持了原意的科学精确性。 | Bayona Vasquez, N. J. | PDF | | | 《青光眼与非青光眼患者血浆及房水蛋白质组学特征分析》

说明： 1. 专业术语处理： - "Proteomic profile"译为"蛋白质组学特征"，符合生物医学领域术语规范 - "aqueous humor"译为"房水"，采用眼科专业术语 - "glaucoma/non-gllaucomatous"译为"青光眼/非青光眼"，准确区分病例类型

  1. 句式结构调整：
  2. 将原文名词短语转换为中文常用的"分析"句式
  3. 采用"及"连接两种体液样本，符合中文表达习惯

  4. 通过"患者"明确研究对象身份

  5. 学术规范体现：

  6. 保留比较研究的设计特征（两组对照）
  7. 使用书名号标示研究题目

  8. 专业名词翻译与《医学名词》标准一致

  9. 补充说明： 该标题格式符合中华医学会系列期刊对论文题目的要求，长度控制在25字以内，同时完整涵盖研究对象（患者）、研究材料（血浆/房水）、研究方法（蛋白质组学分析）三大要素。 | Pessuti, C. L. | PDF | | | 可分离的记忆调节机制在不同时间尺度上促进恐惧遗忘

（翻译说明： 1. "Dissociable"译为"可分离的"，准确传达神经科学中该术语指不同功能模块可独立运作的含义 2. "memory modulation mechanisms"采用"记忆调节机制"的规范译法，符合认知神经科学术语标准 3. "facilitate fear amnesia"译为"促进恐惧遗忘"，其中"amnesia"根据上下文选择"遗忘"而非"遗忘症"，更贴合记忆研究语境 4. "different timescales"译为"不同时间尺度"，保留原文的时间维度表述 5. 整体采用主动语态，符合中文表达习惯，同时严格保持学术文本的严谨性） | Ni, Y. | PDF | |

medRxiv

标题 作者 PDF链接 摘要
PDF
PDF
PDF
PDF
PDF
PDF
PDF
PDF
PDF
PDF