ICML 精選 Spotlight Poster 彙總：Session 3

ICML 2026 進入第二天議程，雷鋒網在首爾 COEX 會展中心現場直擊，從數千張學術海報中精選出九篇 Spotlight 論文。這些研究涵蓋了圖像美學評估、自主圖像編輯、3D 生成、網站開發、影片字幕去除、工具使用優化、無線電信號識別、學術插圖自動生成以及不規則事件序列建模等多元方向，展現了機器學習前沿的深度與廣度。 第一篇論文聚焦圖像美學評估中的梯度衝突問題。研究團隊發現，即使是最先進的模型，也會在同一批困難樣本上出現系統性的誤差聚集，原因是共享參數導致不同美學屬性（如構圖、色彩、光影）的梯度信號相互抵消，讓部分屬性難以優化。為此，他們提出 AGREE 框架，透過屬性解耦、語義錨點、敏感性路由與誤差感知重加權四個機制，在參數、特徵、樣本和損失四個層面緩解衝突。這套即插即用的方法無需額外標註，就能在五個數據集與六個基線模型上取得一致提升，整體 SRCC 最高進步 4.8%，困難樣本 SRCC 更提升 38.5%。 第二篇論文 PhotoAgent 挑戰傳統的指令式圖像編輯模式。過往用戶必須自行拆解編輯任務、逐一給出提示詞，門檻極高。PhotoAgent 將自主圖像編輯視為長期決策問題，能自動推理用戶的美學意圖，透過樹搜索規劃多步編輯動作，並在閉環中利用記憶與視覺反饋持續優化。為支撐可靠評估，團隊還建構了 UGC-Edit 美學評估基準，內含 7000 張照片與學習型美學獎勵模型，並在 1017 張照片的測試集上證明 PhotoAgent 在指令遵循度與視覺品質上都優於現有方法，讓一般用戶也能獲得專業級修圖效果。 第三篇論文 RelaxFlow 處理的是 3D 生成中的遮擋補全問題。當輸入圖像僅露出部分物體（例如一個杯柄），模型難以判斷完整的物體類別，而用戶可能希望用文字提示來指定補全方向。RelaxFlow 提出「文本驅動的非模態 3D 生成」任務，讓文本提示引導不可見區域的生成，同時保證可見區域的視覺保真度。其關鍵在於控制粒度的分離：可見區域採剛性控制不許改動，文本引導區域則允許創造。這套無需訓練的雙分支框架，透過多先驗一致性模塊與鬆弛機制實現解耦。理論分析顯示，鬆弛機制等價於對生成向量場施加低通濾波，能隔離與觀測兼容的幾何結構。團隊還引入了兩個診斷基準 ExtremeOcc-3D 與 AmbiSem-3D，實驗驗證 RelaxFlow 在保真度的前提下成功引導遮擋區域符合提示意圖。 第四篇論文 Vision2Web 關注的是網站開發的端到端自動化。現有基準多只評估 UI 轉代碼單一環節，缺乏從靜態頁面到全棧開發的完整覆蓋。Vision2Web 提出層級化基準，包含靜態 UI 轉代碼、交互式多頁前端復現、長時序全棧網站開發三個難度，共 193 個任務、918 張原型圖與 1255 個測試用例。此外，團隊還設計了工作流式 Agent 驗證範式，結合 GUI Agent 驗證器與 VLM 評判器。評估結果顯示，即使最先進的模型在全棧開發任務上表現依然不佳，顯示端到端網站開發仍是 Agent 能力的重大挑戰。 第五篇論文 CLEAR 解決影片字幕去除的實用性問題。現有基於擴散模型的方法訓練與推理都需要精確的字幕遮罩序列，取得遮罩費時費力。CLEAR 提出無遮罩框架，兩階段設計先將先驗提取與生成細化解耦：第一階段透過雙編碼器上的自監督正交約束學習解耦的字幕表示；第二階段基於 LoRA 適配結合生成反饋機制動態調整上下文。值得注意的是，CLEAR 僅需基礎擴散模型 0.77% 的參數量進行訓練。在中文字幕基準上，它比依賴遮罩的方法高出 6.77dB PSNR 並降低 74.7% VFID，更展現出強大的零樣本泛化能力，在英語、韓語、法語、日語、俄語、德語六種語言上無需特定訓練即可表現優異。 第六篇論文 ParetoPO 從多目標優化角度改善工具整合語言代理的實用性。現有對齊方法只追求任務準確率，忽略工具使用效率；實際上，一個準確率高但每次調用十幾個工具的代理，可能不如一個準確率稍低但工具調用次數少的代理。ParetoPO 包含兩階段：第一階段利用超體積引導的動態標量化，根據全局 Pareto 前沿進展自適應調整獎勵權重；第二階段使用基於 Pareto 排序的優勢計算，透過支配感知的信用分配促進非支配軌跡。在數學推理與多跳問答任務上，ParetoPO 持續找到更優的準確率-效率權衡策略，為代理的實用化部署提供新思路。 第七篇論文 PWC-Diff 將擴散模型的應用從傳統的「去噪」提升到「去信道化」。無線信號識別中，接收信號已被物理無線信道（如衰落）嚴重失真，而現有擴散模型只能處理隨機噪聲，無法消除信道造成的系統性失真。PWC-Diff 將物理無線信道先驗整合進擴散過程，核心架構 FusedFormer 包含融合模塊與自注意力模塊，能在整個擴散軌跡中聯合捕獲時域與頻譜特徵，逐步恢復更接近原始發射信號的表示。在三個無線信號識別任務上，該方法取得 SOTA 性能，理論與消融實驗均驗證有效性。 第八篇論文 PaperBanana 瞄準 AI 科學家全流程自動化的最後瓶頸——學術插圖繪製。實驗跑完、文字寫完後，方法流程圖、架構示意圖等仍要耗費大量時間手繪。PaperBanana 由先進 VLM 與圖像生成模型驅動，協調專業代理完成參考檢索、內容與風格規劃、圖像渲染，並透過自批評機制迭代精煉，達到出版標準。團隊建構了 PaperBananaBench 基準，含 292 個取自 NeurIPS 2025 出版物的方法流程圖測試案例。實驗顯示，PaperBanana 在忠實度、簡潔性、可讀性與美觀度上均優於基線，且可擴展到統計圖表生成，為 AI 科學家補上關鍵的「插圖缺口」。 第九篇論文 CoCLD 處理不規則事件序列的動態建模。現實中個體層面的狀態受群體分佈動態影響，但現有方法要麼孤立建模，要麼依賴離散時間近似。CoCLD 首次在連續時間潛在空間中聯合建模個體潛在動態與群體分佈變化，並將二者對齊。它整合基於擴散的潛在插值器與神經常微分方程，能在任意時間點進行有原則的插值、生成與對齊。理論上，團隊證明耦合機制在稀疏與不規則觀測下能給出連續時間潛在動態的一致估計量。實驗涵蓋下一事件預測、移動軌跡生成與序列行為建模，CoCLD 展現出有效捕捉動態依賴的能力。 這九篇 Spotlight 論文從梯度衝突到去信道化，從自主修圖到學術插圖自動化，從補全 3D 到耦合動態建模，各自在拓展 AI 能力的邊界。雷鋒網將持續在現場帶來更多 ICML 2026 的精彩內容，也歡迎讀者聯繫我們推薦其他值得關注的研究。