LVLM遇模态缺失就“趴窝”？TTSD-FAR用0.629%参数把F1从0.48救回0.51
传感器掉线、字幕丢失、画面损坏……LVLM一遇模态缺失就肉眼可见地“降智”。这篇TTSD-FAR偏偏只更新0.629%的参数，就把50%文本缺失下的F1从趴窝的0.4785拉回0.5124，还顺手解决了持续适应的漂移问题。方法不算复杂，思路非常实用，值得所有做多模态落地的朋友读一读。
视觉与图像
共 717 篇
南大最新单图重拍SOTA：换机位拉焦距调色温一次搞定
一张照片拍完就定型了？南京大学最新研究告诉你：换视角、拉焦距、调色温、改曝光，一张图就能“重拍”出各种效果，还跟真重新拍过一样。首个统一框架ReX-Shot，直接把单图三要素控制一次搞定。
澳门大学最新研究：对抗攻击1步就能防，白盒PSNR暴涨15dB
学习型图像压缩（LIC）性能虽猛，却怕对抗攻击——像素上加点人眼看不见的噪声，码率直接爆炸、画质稀碎。这篇澳门大学与南洋理工的最新研究发现了个反直觉的规律：攻破LIC要几百步，修复却只要1步！基于此提出的FTTR框架，在白盒攻击下把PSNR拉高近15dB，码率暴降6+。值得一读。
斯坦福&MIT新作：VR采集75小时仿真数据，灵巧手五项真机任务全解锁
如果说机械臂是机器人的“手臂”，那灵巧手就是它的“指尖”——能抓鸡蛋、玩叠叠乐、拧瓶盖的那种指尖。但灵巧操作一直是机器人领域的老大难问题：机械臂在工厂里已经干了几十年活了，灵巧手却还在实验室里“装婴儿”。为啥？
图像生成｜统一协议揭秘：SAG局部称王，FLUX.2上替代法全输CFG
CFG的八种免训练替代方法，真的比原版CFG更香吗？这篇论文在统一协议下，用组合对齐基准在SD3.5 Medium和FLUX.2 klein上实测，结论相当扎心：没有一个方法能全面胜出，CFG依然是性价比之王。想知道哪些方法在哪些指标上偷偷涨了点？这篇评测给你答案。
机器人也学会“先想后做”？τ₀-VLA用世界模型引导测试时计算，长时程任务成功率45%
当大模型学会“思考”后，机器人也该学学“先想后做”了。本论文把大模型里的测试时计算扩展到了机器人子任务规划中，用世界模型预测、价值模型评分、束搜索择优，让机器人在面对长时程任务时不再“走一步算一步”。四项真实世界长时程任务平均成功率45%，值得所有做机器人决策的朋友读一读。
告别偏科！DeepMind视频模型首次兼顾动作与结构双能力
视频模型看懂动作却丢了空间结构，图像模型擅长几何却不懂运动——DeepMind用一套循环掩码自编码器RVM把两边的好处全占了，只靠像素重构损失，小模型还不需要蒸馏，参数效率最高领先30倍。这事儿有点意思，值得花三分钟读一读。
斯坦福新作：机器人操作提速2.4倍，成功率还不掉
斯坦福Chelsea Finn团队的新作。机器人操作策略学会了但跑得慢，这工作直接给模仿学习加装一个强化学习训练的速度策略，不采新数据、不动原策略，在倒水、投掷等动态任务上提速超2.4倍，思路轻巧、实验扎实，值得一读。
佛罗里达大学用GPT-4o指挥PET去噪：闭环多智能体，双指标超基线
PET（正电子发射断层成像）是肿瘤、神经和心脏疾病诊断中重要的分子影像手段，能无创显示体内代谢活动。但PET天生有痛点：光子符合计数有限，图像信噪比低。
2.5%干预代价换取53%碰撞减少，KAUST新范式
自动驾驶这事儿，有个特别拧巴的现象：你看那些端到端大模型，在 benchmark（标准测试基准）上跑分一个比一个高，可一放到真实世界里，偶尔会像个刚拿驾照的新手一样，干出些让人血压飙升的事儿——比如老老实实闯个红灯，或者。
上交大等提出ForeWAM：机器人不生成视频也能“预见”未来，成功率96.7%
机器人操作正从“看一步动一步”走向“预见式决策”，但生成未来视频开销太大。上海交大等团队提出的ForeWAM，用一次KV预填充让动作模型“脑补”动态未来，不生成视频、不用未来观测，LIBERO成功率96.7%，动作延迟比Fast-WAM降67%。这篇论文值得细读。
西安交大M-Net：条件数+散度+旋度，医学分割新范式
纯数据驱动的医学分割模型已经够卷了，但几乎没人把线性代数和矢量微积分“硬塞”进网络。M-Net直接给出答案：把条件数、散度、旋度当先验注入U-Net，肝脏分割Dice比基线猛涨12.37%，还能端到端训练。想了解“数学+深度学习”还能玩出什么花活？这篇值得细品。
