加州大学欧文分校自动驾驶世界模型新论文：SafeDriveVLA先预演导航后果再决策
论文标题：SafeDriveVLA：面向冲突感知端到端自动驾驶的“导航条件世界模型预演”方法
视觉与图像
共 793 篇
西北工业大学偏振图像恢复：低照与雾霾下，同步还原画面与偏振信息
论文基本信息 论文提出的偏振图像联合恢复方法（UniPolar）。 原文标题： UniPolar: Joint Image and Polarimetric Restoration under Compound Degradations via Physical Consistency Learning 首次公开： 2026年10月16日 署名单位： 西北工
东京大学机器人三维视觉：F² SLAM让快追踪与慢思考共用一张地图，Replica误差降至2毫米
论文基本信息 文中简称： 视觉同步定位与建图系统（SLAM） 原文标题： F² SLAM: Feed-forward Factor SLAM 首次公开： 2026年10月4日 署名单位： 东京大学、东北大学、中国科学技术大学、萨拉戈萨大学 原论文： https://arxiv.org/abs/2610.05207
全球最大超声原始通道数据集：斯坦福×英伟达等38家机构开源40TB
超声原始通道数据一直是块硬骨头：临床机器不给导，各家格式各说各话，一次采集动辄几个G。这篇把38家机构的约40TB数据拧成一个统一格式的开放语料，19,332次采集、覆盖从波束形成到血流成像再到智能诊断的十几类任务，算是给超声基础模型铺了块实打实的地基。
斯坦福&清华提出SFG：压制图像反馈，FLUX文生图GenEval涨至0.7479
文生图模型里藏着一个不太被讨论的回路：图像会通过联合注意力，把自己的内容"回写"到内部文本流里。问题是，这个反馈到底在纠错，还是在保留错误？斯坦福、清华的这篇论文用移植实验给出了答案，并顺手做了个叫 SFG 的训练无关引导，让 FLUX 的 GenEval 从 0.6661 涨到 0.7479。不改权重、不重训，推理期就能用，值得花时间看看。
印度理工海得拉巴分校：音视频蒸馏提速8倍，10小时压到1.3小时
数据集蒸馏这名字听着很美：用一小撮合成样本，顶掉整个大训练集。可一到音视频这种双模态场景，就撞上两根硬钉子——显存炸裂，以及两个模态各说各话。印度理工海得拉巴分校这篇 X-AVDD 用双向交叉注意力把两件事一起收拾了：合成时间从10小时压到1.3小时，VGGSound 上的准确率从个位数跳到两位数。这波值得拆开看看。
汽车机器人最短时间路径：12条基元变15条，不打滑才最优
几十年了，类车机器人「最快怎么开」这个问题，一直建立在一个有点心虚的假设上——轮胎永远不打滑。这篇论文把自行车模型的轮胎接触力算进来，发现最优路径的清单上其实还缺三条基元，而且缺的正好是轮胎将滑未滑的那一瞬间。
图像恢复｜印度理工25万张石刻字符数据集：让阿育王铭文自动翻译成英文
让AI去读两千多年前刻在石头上的字，听起来像考古队的活儿，可印度理工学院甘地讷格尔分校真把它做成了流水线：图像增强、字符识别、转写、翻译一步不落，还顺手开源了25.38万张字符图和2224对双语语料。方法不花哨，但“没数据”这个老大难被正面解决了，值得一看。
通用分割模型看不懂建筑？SAM 2.1微调后幕墙IoU涨35.5点
一栋楼站在那儿，几十米高，几千个构件。想把它搬进电脑，常见做法是让无人机绕着飞一圈拍上千张照片，再交给算法重建三维模型。
把费米子扔进涨落时空，对称性居然自己恢复了？
你面前有一团时空。它不是一块光滑得能当镜子的布料，而是一张被量子涨落揉皱、不断抖动、时不时还打个结的桌布。你要在上面放几个费米子，看它们怎么运动、怎么相互作用、怎么两两结合。
华盛顿大学Reflex：人形机器人接住飞来箱子，真机成功率65%
接住一个扔过来的东西，人类基本不用想。回追一个网球、接住从桌边滑落的杯子、侧身躲开推车、搬货时顺手接住同伴抛来的纸箱，这些动作有一个共同点：目标在动，留给你的反应时间大约只有一秒，而且要用整个身体去接，而不只是伸手。
图像生成｜早稻田大学新作：用“看得见”的光，让高斯泼溅的近场反射不再糊
先从一个"面条"说起。四维时空里的黑洞相当老实：旋转的 Kerr 黑洞近年来已经被证明在亚极端情形下是非线性稳定的，意思是稍微推它一下，它晃两晃就回到原来的样子。但维度一加上去，情况立刻不同。
