同济大学提出RealCAD：拍照秒变可编辑CAD模型，真实域参数精度大涨14.7%！
今天这篇来自同济大学的RealCAD，一口气揭了图像转CAD领域两个老底：合成图与真实照片之间的"照骗"差距，以及DeepCAD数据表示里藏着的"刷分捷径"。论文不仅把问题讲透了，还给出了从表示、图像到特征的三层解法，真实域参数精度直接拉升14.73个百分点，值得一读。
视觉与图像
共 793 篇
2026最新：把亮度映射塞进迭代，图像去噪增强一步搞定
拍照一时爽，后期火葬场——尤其拍到过曝夜景人像，想从高光里捞细节时，灵魂拷问就来了：先降噪还是先调亮度？先调亮度吧，暗部噪点会被放大；先降噪吧，过曝区域的细节又未必救得回来。传统玩法无非这两种，顺序任选，各有代价。
幻觉检测最新方案！Pearson 0.413+干净IoU 91.3%，速度还快120倍
多模态大模型天天一本正经地胡说八道，怎么精准揪出幻觉片段还给出靠谱置信度？这篇论文把判别式标注器和生成式VLM拧成一股绳，Pearson 0.413、干净响应IoU超91%，推理还快120倍，值得一读。
ACM MM 2026：让AI“看清”每一个目标！中科院提出SSDE，十个基准全面SOTA
当一句"穿红衣服的人"出现在一群长相相似的人堆里，AI如何精准锁定目标？中科院自动化所最新研究给出了答案：从语义和空间两个维度同时增强判别力，让AI在多目标、无目标等复杂场景下也能看得清、找得准。这项发表于ACM MM 2026的工作在十个基准上全面刷新SOTA，值得每一位关注多模态理解的研究者细读。
乌尔姆大学最新：一张公式揭示相位噪声如何绞杀量子干涉
量子霸权最怕什么？不是经典算法变强，而是自己身上的噪声先叛变。这篇论文用张量网络把高斯玻色采样的概率拆成“经典 dimer 模型 + 干涉扇区”，然后一刀一刀展示相位扩散如何掐死多体干涉，还顺手揭示了“光子越多越脆弱”的反直觉结论。量子计算实验的人必读，做理论模拟的也值得一看。
KakaoBank新基准：财报电话会“言不由衷”AI听不出，语音回避检测F1最高仅58.5
当CEO在财报电话会上闪烁其词，AI能听出他声音里的“虚”吗？KakaoBank等机构构建的双标签基准DualEvasion揭示：大模型在文本回避检测上接近人类，但语音自信度检测最高F1仅58.5，距离人类表现差距巨大。
图像去噪新范式：软直方图驱动扩散，混合噪声一网打尽
把软直方图和扩散滤波硬凑成一对，居然在高斯+脉冲混合噪声上打出了漂亮的组合拳。方法推导干净利落，没有堆砌花活，适合想从变分视角理解鲁棒去噪底层逻辑的读者花十分钟读一读。
KAIST最新：AI整图重绘也能精准定位篡改，IoU达0.92
当扩散模型把整张图都“重画”一遍，你还能看出哪里被改过吗？现有主动防篡改定位方法在“全再生”场景下集体崩盘，AUC直接掉到0.5左右。KAIST这篇APT论文第一个系统研究该问题，用潜空间锚点对齐扰动把FR场景定位IoU做到0.92，碾压最强基线WAM（0.84），且能泛化到未知篡改类型。想搞懂AI取证下一个赛点，这篇值得读。
东北大学开源RegionCache：多轮图像编辑最高提速2.55倍
东北大学提出RegionCache，专治多轮图像编辑的重复计算病：连续编辑轮次中平均81%-92%区域根本不变，却每次都把整张图重新生成一遍。RegionCache用跨注意力把“没变的语义”映射到“没变的区域”，直接复用缓存隐藏状态，只重算真正被改的地方，在PixArt-α上拿到1.43-2.55倍端到端加速，画质基本不掉。有代码，值得跑一跑。
UW最新研究：VLM+MR给路痴导航，场景识别提升22%
方向感差不是智商问题，而是注意力投错了地方。这篇论文用20人的VR眼动实验抓出了路痴和认路高手的本质差异，再把这个差异翻译成VLM提示词，做成了混合现实导航系统——直接让场景识别率提升22%，地标回忆数量翻倍。导航软件终于开始考虑“让你记住路”而不是“替你走完路”了。
29个检测器12个数据集实测：自动驾驶存储减负新范式
这篇文章切入角度很刁钻：别人都在优化模型算力，它却盯上了摄像头到内存的搬运能耗。用一个带语义感知的存储编码器，在保护行人检测精度的前提下，把前视相机接口能耗砍掉约36%，而且跨29个检测器、12个数据集验证，落地感很强。
阿里7B开源原生音视频生成：2K级效果对战33B大模型
视频生成卷到今天，画面早就不稀奇了，但大部分模型要么不出声，要么声音是后期硬贴上去的。阿里DreamX团队直接把声音和画面“打包生成”，还只用了7B参数就敢对标22B/33B的大块头，并且开源了2K精炼器，值得想搞多模态生成的朋友细品。
