本期的 21 篇论文如下：

[00:24] 🖼 ROICtrl: Boosting Instance Control for Visual Generation（ROICtrl：提升视觉生成的实例控制）

[01:08] 🎥 CAT4D: Create Anything in 4D with Multi-View Video Diffusion Models（CAT4D：使用多视角视频扩散模型在4D中创建任何内容）

[01:55] 📚 Interleaved Scene Graph for Interleaved Text-and-Image Generation Assessment（交错场景图用于交错文本与图像生成评估）

[02:38] 🌐 MARVEL-40M+: Multi-Level Visual Elaboration for High-Fidelity Text-to-3D Content Creation（MARVEL-40M+：高保真文本到3D内容创建的多层次视觉细化）

[03:21] 🤖 Large Language Model-Brained GUI Agents: A Survey（大语言模型驱动的图形用户界面代理：综述）

[03:57] 🎨 DreamCache: Finetuning-Free Lightweight Personalized Image Generation via Feature Caching（DreamCache：通过特征缓存实现无需微调的轻量级个性化图像生成）

[04:35] ⚡ Collaborative Decoding Makes Visual Auto-Regressive Modeling Efficient（协同解码使视觉自回归建模更高效）

[05:14] 🎥 Identity-Preserving Text-to-Video Generation by Frequency Decomposition（基于频率分解的身份保持文本到视频生成）

[05:47] 🚗 DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving（扩散驱动：用于端到端自动驾驶的截断扩散模型）

[06:31] 🔺 3D Convex Splatting: Radiance Field Rendering with 3D Smooth Convexes（三维凸包拼接：基于三维平滑凸包的辐射场渲染）

[07:10] 🎭 Make-It-Animatable: An Efficient Framework for Authoring Animation-Ready 3D Characters（制作可动画化：一种高效的3D角色动画制作框架）

[07:48] 🎛 Omegance: A Single Parameter for Various Granularities in Diffusion-Based Synthesis（Omegance：扩散合成中多粒度控制的单一参数）

[08:26] 🦖 ChatRex: Taming Multimodal LLM for Joint Perception and Understanding（ChatRex：驯服多模态大语言模型以实现联合感知与理解）

[09:26] 🧍 UniPose: A Unified Multimodal Framework for Human Pose Comprehension, Generation and Editing（UniPose：一种统一的多模态人体姿态理解、生成和编辑框架）

[10:06] 🧠 Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics（优化脑肿瘤分割与MedNeXt：BraTS 2024 SSA与儿科研究）

[10:43] ⏱ Draft Model Knows When to Stop: A Self-Verification Length Policy for Speculative Decoding（草稿模型知道何时停止：一种用于推测解码的自验证长度策略）

[11:27] 🎙 VideoLLM Knows When to Speak: Enhancing Time-Sensitive Video Comprehension with Video-Text Duet Interaction Format（视频大语言模型何时发言：通过视频-文本二重奏交互格式增强时间敏感视频理解）

[12:03] 🌟 Adaptive Blind All-in-One Image Restoration（自适应盲全合一图像恢复）

[12:39] 🛡 Edit Away and My Face Will not Stay: Personal Biometric Defense against Malicious Generative Editing（编辑与我的脸将不再保持：针对恶意生成编辑的个人生物识别防御）

[13:18] 🎥 Video-Guided Foley Sound Generation with Multimodal Controls（基于多模态控制的音效生成）

[13:48] 📚 Training and Evaluating Language Models with Template-based Data Generation（基于模板的数据生成训练与评估语言模型）

【关注我们】

您还可以在以下平台找到我们，获得播客内容以外更多信息

小红书: AI速递