📚 学科: cs.* & eess.* (计算机科学与电子工程)
本周综述：本周计算机视觉与信号处理领域成果斐然，特别是 CVPR 2026 的预收录论文展现了极高的质量。研究重点集中在生成式模型的演进上：包括首个高维表征的离散扩散模型 CubiD，以及利用 Flow Matching 提升少样本音频合成质量的 FLAC。此外，针对文本生成图像中的"长尾/稀有概念"识别与对齐问题，AAPB 和 ADAPT 提出了无需训练的新型调度方案。视频编辑方面，EffectErase 在复杂特效擦除上取得了突破。
Cubic Discrete Diffusion: Discrete Visual Generation on High-Dimensional Representation Tokens
离散标记的可视化生成因其能与语言模型共享统一的预测范式而备受关注。然而，现有方法局限于低维潜在标记（通常为 8-32 维），牺牲了语义丰富度。本文提出了 Cubic Discrete Diffusion (CubiD)，这是首个针对高维表征（768-1024 维）的离散生成模型。CubiD 在高维空间中进行细粒度的遮罩预测，步数固定且远小于特征维度。实验证明，该模型在 ImageNet-256 上达到了最先进水平，且离散标记能同时胜任"理解"与"生成"任务，为统一多模态架构提供了新思路。
Few-shot Acoustic Synthesis with Multimodal Flow Matching
生成与场景声学一致的音频对沉浸式虚拟环境至关重要。本文引入了 FLAC (Flow-matching Acoustic Generation)，一种用于少样本声学合成的概率方法。它利用流匹配目标训练的 Diffusion Transformer，根据空间、几何和声学线索生成任意位置的房间冲激响应 (RIRs)。FLAC 仅需单样本（one-shot）即可在多个数据集上超越以往的八样本基线。此外，作者还提出了 AGREE 嵌入方法，用于评估生成 RIR 与几何场景的一致性。
Adaptive Auxiliary Prompt Blending for Target-Faithful Diffusion Generation
扩散模型在生成训练分布中的稀有概念或遵循复杂编辑指令时常表现不佳。本文提出了 AAPB (自适应辅助提示混合) 框架，通过引入辅助锚点提示在扩散过程中提供语义和结构支撑。AAPB 推导出了一个闭式自适应系数，能自动平衡辅助提示与目标提示的影响。这是一种无需训练的方法，在 RareBench 和 FlowEdit 数据集上显著提升了生成结果的语义准确性和结构保真度。
ADAPT: Attention Driven Adaptive Prompt Scheduling and InTerpolating Orthogonal Complements for Rare Concepts Generation
针对扩散模型难以生成稀有组合概念的问题，本文提出了 ADAPT 框架。不同于以往依赖 LLM 调度的不确定性方法，ADAPT 利用注意力分数和正交分量，以确定性的方式规划和对齐提示词调度。该方法在不牺牲视觉完整性的前提下，增强了模型对稀有属性的捕捉能力，在 RareBench 评测中表现优异。
EffectErase: Joint Video Object Removal and Insertion for High-Quality Effect Erasing
视频对象移除不仅要消除主体，还要抹除阴影、反射等伴生特效。本文引入了大规模数据集 VOR，包含 6 万对具有物体特效与无特效的对比视频。基于此，提出了 EffectErase 方法，将物体插入视为移除的逆向辅助任务进行互惠学习。该模型通过任务感知的区域引导和插入-移除一致性损失，显著提升了背景修复的连贯性以及对复杂特效的擦除效果。
📚 学科: q-bio.* (定量生物学)
本周综述：生物学领域本周聚焦于蛋白质结构与功能的深度融合。入选 ICLR 2026 的 CAPSUL 填补了亚细胞定位领域缺乏 3D 结构信息的空白。
CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization
亚细胞定位对药物靶点识别至关重要。尽管结构与定位密切相关，但现有数据集缺乏全面的 3D 结构信息。本文推出了 CAPSUL 基线，集成了丰富的 3D 结构表示与专家校准的精细定位注释。通过对多种模型进行评估，验证了结构特征的重要性。此外，通过对高尔基体的案例研究，研究者发现 α-螺旋是一种关键的定位模式，展示了结构化方法在细胞生物学中的可解释性潜力。
📚 学科: stat.* (统计学)
本周综述：统计学领域的重点在于隐私计算与贝叶斯估计的权衡。入选 STOC 2026 的研究探讨了在差分隐私框架下，如何逼近贝叶斯最优误差，并揭示了计算与统计之间的有趣间隙。
Computation-Utility-Privacy Tradeoffs in Bayesian Estimation
本文探讨了差分隐私背景下的贝叶斯估计问题。即使在简单的随机均值估计和线性回归任务中，如何在保证隐私的同时逼近贝叶斯最优误差此前仍不明确。作者为这两个问题提供了首个高效算法，达到了 (1+o(1)) OPT 的均方误差，并证明了其中存在的"计算-统计间隙"：即高效算法的性能上限虽好，但仍无法触及高复杂度算法的理论极限。该研究利用了鲁棒估计的新工具，为隐私保护下的数据科学提供了理论基础。
📚 学科: math.* / astro-ph.* / econ.*
本周相关学科论文分数较低或缺乏权威会议收录，暂无高价值论文推荐。