Tag · 62 篇
交叉注意力
b-CLIP：面向多粒度视觉-语言对齐的文本条件对比学习
b-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment
用交叉注意力把图像 patch 按不同文本粒度（整句、句子、短语）动态池化成上下文视觉嵌入，并给出可调的多粒度对比损失，可直接用于需要密集图文对应的检索、grounding 与区域-短语匹配任务。
X-AVDT：面向鲁棒深度伪造检测的音视频交叉注意力
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
把生成器内部的音视频交叉注意力当作取证线索：用 DDIM 反演取回生成过程中的模态对齐特征与反演差异图，作为检测器输入，这一思路可迁移到其他「利用生成模型内部表征做取证/溯源」的视觉任务。
按需视觉：以稀疏、动态选择的视觉-语言交互提升 VLLM 效率
VISion On Request: Enhanced VLLM efficiency with sparse, dynamically selected, vision-language interactions
对做多模态视觉研究的人，这篇论文给出了一条不丢弃视觉词元、而是稀疏化图文交互的加速路径：用少量交叉注意力层提供全局视觉上下文，再用动态选择的自注意力层按样本复杂度精炼高分辨率视觉表示，可直接迁移到任何 LVLM 的推理加速与高分辨率细粒度理解场景。
VIMCAN：基于混合 Mamba-交叉注意力网络的视觉-惯性三维人体姿态估计
VIMCAN: Visual-Inertial 3D Human Pose Estimation with Hybrid Mamba-Cross-Attention Network
用 Mamba 的选择性状态空间建模替代 Transformer 做时序建模、用交叉注意力补空间依赖，为视觉-惯性等多模态序列融合提供了一条线性复杂度、可实时（>60 FPS）的骨干设计思路，可直接迁移到其他需要长序列多模态融合的视觉任务。
TopoCL：面向医学影像的拓扑对比学习
TopoCL: Topological Contrastive Learning for Medical Imaging
将持续同调得到的拓扑特征（持久图）通过自注意力与交叉注意力编码，并与视觉表征用自适应MoE融合，为医学图像自监督预训练提供了一种可插拔的拓扑感知增强与表征融合方案。
TempoControl：面向文本到视频模型的时序注意力引导
TempoControl: Temporal Attention Guidance for Text-to-Video Models
利用文本到视频扩散模型中的交叉注意力图作为可优化的控制信号，在推理阶段对概念出现的时间位置进行对齐，无需重训练；这一思路可迁移到任何基于交叉注意力的可控生成任务（如空间布局控制、视频编辑中的时序一致性约束）。
共同交谈：从音频合成共处同一空间的 3D 对话
Talking Together: Synthesizing Co-Located 3D Conversations from Audio
从混合音频中同时生成两个共处同一空间的人物的完整 3D 面部动画，并显式建模两人之间的相对位置、朝向与相互注视；其双流架构、说话人角色嵌入与说话人之间的交叉注意力，以及视线损失，为多人语音驱动动画与共处场景合成提供了可复用的建模思路。
通过对话式属性挖掘解决行人检索中的对齐歧义
Tackling Alignment Ambiguity in Person Retrieval through Conversational Attribute Mining
用 MLLM 生成对话式属性描述来补充文本侧细粒度线索，并用双向交叉注意力混合器做 token 级对齐，这一「对话属性挖掘 + token 对齐」思路可迁移到任何细粒度图文检索或跨模态 grounding 任务。
TGSFormer：面向具身语义场景补全的可扩展时序高斯泼溅
TGSFormer: Scalable Temporal Gaussian Splatting for Embodied Semantic Scene Completion
用持久化的高斯记忆加置信度感知的跨注意力做时序融合，替代依赖帧缓存与图像一致性的做法，可复用到任何需要在线增量重建、且场景尺度无界的具身感知或流式建图任务中。
SynthRGB-T：面向多样性合成的语言-视觉引导图像翻译
SynthRGB-T: Language-Vision Guided Image Translation for Diversity Synthesis
把红外↔可见光图像翻译建模为视觉语言引导的去噪扩散过程，并用解耦注入策略与双条件交叉注意力处理多路引导冲突，可直接复用于跨模态数据增广与开放世界条件生成。
精简的开放词表人-物交互检测
Streamlined Open-Vocabulary Human-Object Interaction Detection
对做开放词表检测的人，这篇给出了一个可复用的思路：不再拼接传统检测器与 VLM 两套表征，而是把交互查询和骨干图像 token 一起送进 DINOv3 的文本对齐视觉头，让交叉注意力在同一个表征空间内完成，从而绕开跨模型特征融合的鸿沟；同时全冻结骨干、只训练少量参数的做法可直接迁移到其他开放词表定位任务。
Simple-ViLMedSAM：简单文本提示结合视觉语言模型用于医学图像分割
Simple-ViLMedSAM: Simple Text Prompts Meet Vision-Language Models for Medical Image Segmentation
用 CLIP 文本嵌入隐式生成位置先验图来替代 SAM 的几何提示，并通过双向交叉注意力把该先验与 SAM 像素特征对齐，这一「文本→位置图→分割」的提示替代思路可直接迁移到其他需要免手工提示的开放词表分割任务。
See What I Mean：对齐视觉与语言表示用于视频细粒度物体理解
See What I Mean: Aligning Vision and Language Representations for Video Fine-grained Object Understanding
通过训练时使用掩码监督来对齐视觉与语言表示，使多模态大语言模型在推理时仅凭文本提示即可自动关注用户指定的物体，为细粒度物体理解提供了一种无需视觉提示的跨模态注意力对齐方法。
面向数据高效零样本仿真到真实室内全景深度估计的 SO(3) 等变 ViT-Adapter
SO(3)-Equivariant ViT-Adapter for Data-Efficient Zero-Shot Sim-to-Real Indoor Panoramic Depth Estimation
把 SO(3) 等变归纳偏置以可变形交叉注意力的形式注入冻结的透视预训练 ViT 适配器，使视觉研究者能在不改动骨干的前提下把透视基础模型的零样本能力迁移到球面/全景输入，这一思路可复用于其他存在投影失真的成像域（鱼眼、事件相机、多相机环视）。
通过互补持续评论家解决强化学习中的稳定性-可塑性困境
Resolving the Stability-Plasticity Dilemma in Reinforcement Learning via Complementary Continual Critics
对做视觉RL的人，可复用其「双评论家+交叉注意力融合」架构：用CBP维持表征可塑性、用EWC维持稳定性，并按观测特征动态加权两路价值估计，直接缓解非平稳视觉输入下的表征漂移与策略退化。
PoseAnything：具有部件感知时序一致性的通用姿态引导视频生成
PoseAnything: General Pose-guided Video Generation with Part-aware Temporal Coherence
把任意骨架（含非人类角色）作为运动条件注入视频扩散模型，并用部件级跨帧交叉注意力维持细粒度一致性；其解耦主体/相机运动的 CFG 正负锚点注入方式可直接迁移到其他可控视频生成任务中实现独立相机控制。
PixARMesh：自回归网格原生的单视图场景重建
PixARMesh: Autoregressive Mesh-Native Single-View Scene Reconstruction
把网格生成模型与像素对齐的图像特征、全局场景上下文通过交叉注意力结合，并用统一的词元流（上下文+位姿+网格）自回归地一次性输出布局与几何，为单图三维重建提供了一条绕开隐式 SDF 与后处理布局优化的端到端路线。
PartDiffuser：基于离散扩散的部件级三维网格生成
PartDiffuser: Part-wise 3D Mesh Generation via Discrete Diffusion
把「部件间自回归 + 部件内并行离散扩散」的混合生成范式用于网格生成，并用点云作为分层几何条件通过部件感知交叉注意力注入，为可控、高细节的3D资产生成提供了可复用的条件控制与解耦思路。
PR-IQA：面向扩散式新视角合成的部分参考图像质量评估
PR-IQA: Partial-Reference Image Quality Assessment for Diffusion-Based Novel View Synthesis
提出部分参考图像质量评估（PR-IQA），用不同位姿的参考图在重叠区域计算几何一致的质量图，再通过交叉注意力补全为全图质量图；可直接用于筛选扩散生成伪真值视图中的高置信区域，为扩散增强的3DGS等重建流程提供免真值的监督掩码。
一个模型，多种预算：面向扩散 Transformer 的弹性潜变量接口
One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers
把 DiT 的计算量与输入分辨率解耦：用可学习、可变长的潜变量序列作为中间接口，配合轻量 Read/Write 交叉注意力在空间词元与潜变量之间搬运信息，并通过随机丢弃尾部潜变量训练出重要性有序的表示，推理时按算力预算截断潜变量数量即可实现连续的延迟-质量权衡。做高分辨率生成或需要在固定算力下部署扩散模型的工作可直接把该模块插进现有 DiT/U-ViT/MM-DiT 主干。
OmniSonic：面向视频与文本的通用整体音频生成
OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text
TriAttn-DiT 用三路交叉注意力分别处理屏内环境声、屏外环境声与语音条件，并以 MoE 门控自适应加权，这种「多条件分支 + 门控融合」的结构可直接迁移到视频到音频、视频到音乐等多模态条件生成任务中；UniHAGen-Bench 也提供了评估视频条件音频生成的评测协议。
OmniFM：面向异构医学影像的模态鲁棒与任务无关联邦学习
OmniFM: Toward Modality-Robust and Task-Agnostic Federated Learning for Heterogeneous Medical Imaging
把低频频谱分量当作跨模态共享的解剖结构先验，这一思路可直接迁移到多模态医学图像的分割/超分骨干上，用频域提示替代模态专属适配器；其前缀-后缀频谱提示与嵌入级交叉注意力融合也可作为跨模态对齐的轻量插件。
Object-WIPER：免训练的视频物体及其关联效果移除
Object-WIPER: Training-Free Object and Associated Effect Removal in Videos
利用预训练视频扩散 Transformer 的交叉注意力与自注意力定位目标物体及其效果，并通过反转-去噪流程在免训练条件下完成视频物体移除与修复，为视频编辑提供可复用的注意力引导与背景保持策略。
NS-Diff：流体纳维-斯托克斯引导的强化学习视频扩散
NS-Diff: Fluid Navier-Stokes Guided Video Diffusion via Reinforcement Learning
把简化的 Navier-Stokes 约束与最小加加速度原理写成可微/策略梯度的奖励，用来微调视频扩散模型，为「生成结果要符合物理」这类需求提供了可复用的 RL 后训练范式；其噪声鲁棒的运动区域检测与物理条件潜变量注入也可直接迁移到其他条件视频生成任务。
NEAF：面向文本引导图像编辑中可泛化测试时优化的注意力融合自然图像编辑方法
NEAF: Natural Image Editing with Attention Fusion for Generalizable Test-time Optimization in Text-Guided Image Editing
提出可学习的 XA-Conductor 模块，在推理时对源分支、编辑分支与重建分支的交叉注意力图做自适应加权融合，无需微调即可用于任意 T2I 模型；做文本引导编辑、需要保持非编辑区域保真度的工作可直接复用这一三支反馈的注意力融合机制。
面向酶动力学参数的多模态蛋白质语言模型：从底物识别到构象适配
Multimodal Protein Language Models for Enzyme Kinetic Parameters: From Substrate Recognition to Conformational Adaptation
把「先识别底物、再适配构象」的两阶段条件注入做成可插拔适配器（MRCA + 几何感知 MoE），并用 RKHS 上的分布对齐约束微调不破坏预训练先验——这套「冻结主干 + 分阶段跨模态注入 + 分布正则」的范式可直接迁移到视觉-语言或图像-结构条件生成任务中。
MultiModalPFN：将先验数据拟合网络扩展到多模态表格学习
MultiModalPFN: Extending Prior-Data Fitted Networks for Multimodal Tabular Learning
把图像/文本编码器输出通过模态投影器（多头门控 MLP + 交叉注意力采样器）转成表格兼容 token，使 TabPFN 式先验数据拟合网络能直接吃视觉特征；做视觉+表格联合预测（如医学影像配临床指标）时可复用这套跨模态 token 对齐与注意力失衡缓解思路。
MorphAny3D：释放结构化潜变量在三维变形中的力量
MorphAny3D: Unleashing the Power of Structured Latent in 3D Morphing
提出在 3D 生成器的注意力机制中混合源与目标 SLAT 特征来实现无训练 3D 变形，其 Morphing Cross-Attention 和 Temporal-Fused Self-Attention 可直接迁移到其他基于 SLAT 的生成模型（如 TRELLIS）以支持时序平滑的编辑与风格迁移。
MoLingo：面向文本到人体动作生成的动作-语言对齐
MoLingo: Motion-Language Alignment for Text-to-Human Motion Generation
提出用帧级文本标签训练语义对齐的运动编码器，使潜空间更利于扩散；并验证多token交叉注意力注入文本条件优于单token，可迁移到其他条件生成任务（如文本到图像/视频）的潜空间设计与条件注入。
基于混合专家的特征解耦用于开放词表场景图生成
Mixture-of-Experts based Feature Decoupling for Open Vocabulary Scene Graph Generation
MoE-FD 通过门控网络自适应解耦物体与关系特征，并用迭代交叉注意力建模语义交互，可直接用于开放词表场景图生成中提升新类别判别力与图文对齐精度。
MeshWeaver：稀疏体素引导的表面编织用于自回归网格生成
MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation
把稀疏体素特征同时当作顶点表示、交叉注意力引导和结构脚手架，为自回归网格生成注入局部几何先验；这套「体素编码器 + 下一顶点预测」的范式可直接迁移到点云/网格的自回归建模与高面数资产生成。
MergeVLA：面向通用视觉-语言-动作智能体的跨技能模型合并
MergeVLA: Cross-Skill Model Merging Toward a Generalist Vision-Language-Action Agent
提出面向模型合并的VLA架构设计：用任务掩码稀疏激活LoRA适配器保持VLM骨干参数一致，并将动作专家中的自注意力替换为纯交叉注意力块以保持技能模块化，为多技能机器人策略合并提供可复用方案。
MedFG-VQA：面向轻量级医学视觉问答的低频记忆与图注意力
MedFG-VQA: Low-Frequency Memory and Graph Attention for Lightweight Medical VQA
把 DCT 低频特征与可学习记忆库结合、再用图卷积聚合精炼交叉注意力输出的做法，可直接迁移到其他视觉-语言对齐任务（如 captioning、grounding）中做轻量化的多模态融合模块。
让免训练扩散分割器随生成能力扩展
Making Training-Free Diffusion Segmentors Scale with the Generative Power
针对免训练扩散分割器中交叉注意力图与全局语义不一致、文本token分数不平衡的问题，提出自动聚合与逐像素重缩放两种技术，使分割性能随生成模型能力提升而提升，为利用更强扩散模型做判别任务提供了可复用方案。
MOFA-VTON：以细粒度适配实现虚拟试衣的更多时尚可能
MOFA-VTON: More Fashion Possibilities with Fine-Grained Adaptations in Virtual Try-On
用用户手绘曲线草图构造双区域掩码替代 clothing-agnostic mask，并通过交叉注意力分上下半身独立学习布局对应关系，为可控人体图像生成提供了细粒度空间布局引导的可复用思路。
Lynx：面向高保真个性化视频生成
Lynx: Towards High-Fidelity Personalized Video Generation
用 Perceiver Resampler 把 ArcFace 人脸嵌入压成身份 token，再用 Ref-adapter 通过 cross attention 把冻结参考分支的 VAE 密集特征注入 DiT 所有层，是单图身份保持视频生成中可直接复用的双适配器条件注入方案。
局部精确精修：一种用于增强基础模型对抗光谱漂移泛化能力的双门控混合专家框架
Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts
把 MoE 的双门控路由用在基础模型特征的空间自适应精修上，并引入由 RGB 波段估计的深度特征作为结构先验，通过交叉注意力融合——这套「模态独立路由 + 结构引导融合」的微调范式可迁移到其他存在域偏移的密集预测任务。
LiteSense：以 RGB 提升轻量 ToF 实现高分辨率度量深度估计
LiteSense: Lifting Lightweight ToF with RGB for High-Resolution Metric Depth Estimation
用 ToF 的 zone-wise 直方图（CNH）经交叉注意力注入 U-Net 特征，为轻量 RGB-D 网络提供显式度量先验，可作为低成本传感器下高分辨率度量深度估计的可复用融合范式。
Life-IQA：通过 GCN 增强的层间交互与基于 MoE 的特征解耦提升盲图像质量评价
Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling
用 GCN 增强的跨层交叉注意力替代普通 Transformer 解码器做质量特征解码，并用 MoE 按失真类型分专家解耦特征，这套「层间交互 + 专家解耦」的解码思路可迁移到其他需要融合骨干网络浅层与深层特征的回归/预测任务。
从条目化文本监督中学习完整且可解释的视觉表征
Learning complete and explainable visual representations from itemized text supervision
针对单图多条目文本（如医学影像的多处独立发现）的监督，用交叉注意力生成条目条件化的视觉嵌入，并设计条目独立性与覆盖完整性目标，可复用于非物体中心领域的视觉-语言预训练与细粒度定位式解释。
语言在跨域少样本视觉特征增强中至关重要
Language Does Matter for Cross-Domain Few-Shot Visual Feature Enhancement
该论文提出用图像描述模型和LLM分别提取图像级与域级语言属性，并通过轻量残差交叉注意力将语言描述嵌入视觉特征，以增强跨域少样本场景下的视觉特征泛化能力。这一思路可复用于任何需要提升预训练视觉特征跨域迁移性的视觉任务，如分类、分割和检测。
用动态注意力改进稀疏自编码器
Improving Sparse Autoencoder with Dynamic Attention
对做视觉表征分析与模型可解释性的研究者，这篇提供了用 sparsemax 交叉注意力替代 ReLU/TopK 的 SAE 激活方案，可自适应决定每个神经元激活的概念数，从而在重建质量与特征解耦可解释性之间取得更好平衡，并可作为现有 SAE 的稀疏度调参指导。
ImageRAGTurbo：面向一步文本到图像生成的检索增强扩散模型
ImageRAGTurbo: Towards One-step Text-to-Image Generation with Retrieval-Augmented Diffusion Models
提出在UNet去噪器的潜空间（H-space）中通过交叉注意力融合检索到的文本-图像对，以极低微调成本提升少步/单步扩散模型的提示词保真度，为快速文本到图像生成提供可复用的检索增强适配器方案。
听见关键之声！文本条件的选择性视频到音频生成
Hear What Matters! Text-conditioned Selective Video-to-Audio Generation
把文本提示词当作显式选择器，通过补充 token 引导交叉注意力从视频编码器中分离出与提示词相关的声源视觉特征，这一「文本引导特征选择」思路可迁移到视觉中的条件生成与可控编辑任务。
通过混合内容-风格调制实现可泛化的共显著目标检测
Generalizable Co-Salient Object Detection via Mixed Content-Style Modulation
该文将CLIP语义嵌入与交叉注意力结合提取域不变场景结构先验，并通过合成特征统计量（均值/方差）做源域风格增强，为视觉分割任务在未见域上的泛化提供了一套可复用的内容-风格调制思路。
GenErase：扩散模型中可泛化且语义感知的概念擦除
GenErase: Generalizable and Semantically-Aware Concept Erasure in Diffusion Models
在交叉注意力 value 空间做显式 erase-and-replace 并配合 per-token preserve projector 与硬几何门控，是一种可直接复用的免训练概念抑制手段，可用于个性化生成中去除身份/风格/物体，同时保护无关语义不被扭曲。
从3D姿态到文本：基于生物力学的视觉-语言教练
From 3D Pose to Prose: Biomechanics-Grounded Vision-Language Coaching
将3D骨骼运动学与视觉外观通过交叉注意力融合，用于生成可解释的健身指导文本；其运动学约束建模和参数高效训练策略可迁移到其他需要细粒度动作理解的视觉-语言任务。
通过基于解混的丰度融合学习增强未配准高光谱图像超分辨率
Enhancing Unregistered Hyperspectral Image Super-Resolution via Unmixing-based Abundance Fusion Learning
针对未配准参考图像的超分辨率问题，提出基于解混的丰度融合框架，利用可变形聚合和交叉注意力实现空间-光谱信息解耦与融合，可迁移到其他多模态图像融合任务。
EVLF：面向生成式数据集蒸馏的早期视觉-语言融合
EVLF: Early Vision-Language Fusion for Generative Dataset Distillation
提出在编码器与生成主干之间插入轻量交叉注意力实现早期视觉-语言融合，可即插即用地改进任何基于扩散的数据集蒸馏流程，为视觉研究者提供了一种平衡文本语义与视觉潜变量的生成控制手段。
EG-3DVG：面向 3D 视觉定位的表达式与几何感知定位解码器
EG-3DVG: Expression and Geometry Aware Grounding Decoder for 3D Visual Grounding
面向 3D 视觉定位的解码器设计：位置引导的表达式交叉注意力把文本线索可靠注入视觉词元，几何感知掩码注意力只聚合几何一致的邻域特征，可直接迁移到任何需要文本-点云对齐的 grounding 或指代分割流程。
面向扩散图像超分辨率的解耦文本先验
Disentangled Textual Priors for Diffusion-based Image Super-Resolution
把文本先验按空间层级（全局/局部）与频率语义（低频/高频）解耦，并通过专用交叉注意力模块分阶段注入扩散采样过程，这一「解耦先验 + 频率感知负提示」的注入范式可直接迁移到其他条件扩散复原任务（去噪、去模糊、修复）以提升语义可控性。
扩散探针：使用 CNN 探针预测生成图像结果
Diffusion Probe: Generated Image Result Prediction Using CNN Probes
利用扩散模型早期去噪步骤的交叉注意力图统计特征，训练轻量级 CNN 探针预测最终图像质量，可用于提示词优化、种子选择与加速 RL 训练等需要早期质量引导的 T2I 工作流。
CoopDiff：一种面向退化条件下协同的扩散引导方法
CoopDiff: A Diffusion-Guided Approach for Cooperation under Corruptions
把扩散去噪器当作特征级净化模块，用教师-学生范式在体素早期融合阶段生成干净监督，并用自我引导交叉注意力在退化条件下平衡融合两路特征；做车路协同/多智能体感知且需应对传感器与环境退化时可直接借鉴该去噪-融合结构。
CompetitorFormer：通过竞争策略缓解查询冲突的 3D 实例分割
CompetitorFormer: Mitigating Query Conflicts for 3D Instance Segmentation via Competitive Strategy
针对基于 Transformer 的 3D 实例分割中多个查询同时瞄准同一实例导致掩码碎片化的问题，提出查询竞争层与排序交叉注意力，可复用于任何基于查询的 3D/2D 分割框架以加速收敛并提升精度。
扩散 Transformer 中空间关系生成的电路机制
Circuit Mechanisms for Spatial Relation Generation in Diffusion Transformers
用电路级（cross-attention head 级）机制分析拆解 DiT 如何从文本 token 读取空间关系，为诊断和修复文生图模型的空间关系失败提供了可复用的分析范式：从零训练受控小模型、按文本编码器类型对比内部电路，并据此解释 OOD 鲁棒性差异。
CaricHarmony：用于身份保持漫画合成的对比扩散路径
CaricHarmony: Contrastive Diffusion Paths for Identity-Preserving Caricature Synthesis
提出免训练的并行扩散路径与基于交叉注意力特征的能量函数，用于解决多条件生成中的信号污染问题，可复用于其他需要平衡多个冲突条件的可控生成任务。
CVA：面向视频时序定位的上下文感知视频-文本对齐
CVA: Context-aware Video-text Alignment for Video Temporal Grounding
QCD 的「只混入语义无关片段」的替换池构造方式，可直接迁移到任何视频-文本对比学习（如视频检索、片段定位）中，用来避免 query-agnostic 混合带来的假负样本；CBD 损失在时序边界处强制语义一致性，是提升边界敏感任务的通用手段。
CTCal：通过跨时间步自校准重新审视文本到图像扩散模型
CTCal: Rethinking Text-to-Image Diffusion Models via Cross-Timestep Self-Calibration
把扩散模型内部小时间步的交叉注意力图当作显式监督信号，去校准大时间步的表征学习，是一种无需额外标注、模型无关的训练期对齐增强手段，可直接插入 SD 系列或 flow matching 模型以提升文本-图像细粒度对齐。
BrepVGAE：面向 B-rep 的统一潜变量表示变分图自编码器
BrepVGAE: Variational Graph Autoencoder with Unified Latent Representation for B-rep
将 B-rep 的面和边统一为图节点，用变分图自编码器从单一潜变量解码完整几何-拓扑结构，为 CAD 生成与检索提供了可复用的统一表示与集合式解码思路。
从系统生物学视角出发，以基因组、蛋白质组与病理成像数据的层级融合推进癌症预后
Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective
对做计算病理与多模态融合的研究者，这篇论文提供了把基因组、蛋白质组与病理图像按生物层级逐级融合的架构范式：用图感知交叉注意力建模基因-蛋白调控、用超图卷积建模蛋白-图像块的高阶关联，可作为多组学+全切片图像融合的可复用设计。
ActAvatar：面向说话头像的时序感知精确动作控制
ActAvatar: Temporally-Aware Precise Action Control for Talking Avatars
把提示词拆成全局基块与时序锚定的阶段块，并让浅层偏文本、深层偏音频，这一「分层模态权重」思路可直接迁移到任何音频驱动的视频生成或可控扩散模型中，用来缓解多条件相互干扰。
面向鲁棒 6-DoF 抓取姿态估计的跨视角融合框架
A Cross-view Fusion Framework for Robust 6-DoF Grasp Pose Estimation
用自监督对比学习把跨视角点云特征在空间一致性和抓取方向区分性上对齐，再以圆柱坐标系配准+局部自注意力/种子交叉注意力交替融合，为多视角点云融合与遮挡鲁棒的位姿估计提供了可复用的后融合范式。