声学干扰不再愁：UCLA频带特征让推荐准确率飙升18个点
传感器协同跟踪的老问题：摄像头这类高成本传感器，到底该让哪几个节点开机？UCLA这篇论文把“选传感器”当成“做推荐”，用双塔MLP加声学频带特征，在真实外场干扰环境下把命中率从80.4%拉到98.4%，每次决策的在线计算只要约1毫秒。思路跨界又好落地，值得一读。
视觉与图像
共 717 篇
控制变量法实测18个视觉骨干 VMamba险胜Swin
想象一下：你正坐在家里吹着空调，屋顶光伏板正在发电。突然一片云飘过来，光伏输出瞬间掉了一半；云飘走，输出又瞬间拉满。这种"过山车式"发电曲线，正是光伏并网最大的痛点。
中科院新Agent：AI City 2026三赛通吃，FETV斩获亚军
一个统一框架同时接管监控、鱼眼和行车记录仪三类交通视频，在AI City 2026出战三个赛道，FETV与第一名只差0.0007。这套「观察-推理-行动-验证」的智能体工作流拆解起来很有嚼头，适合所有对多模态视频理解与跨域泛化感兴趣的读者。
密歇根州立大学最新研究：两阶段框架精准识别透明隐形眼镜，虹膜识别EER直降28.3%
透明隐形眼镜正在悄悄拉低虹膜识别的准确率，却因为“看不见”而长期被忽视。本文不仅量化了这个威胁，还用一个两阶段框架加分数校准，把识别错误率最高降了28.3%，思路相当务实。
最新天文观测：螺旋星云外围现22个弓形激波，恒星遗骸融入星际介质仅需约1万年
恒星死亡后留下的残骸如何融入星际介质，一直是天文观测的盲区。这篇论文用全新的MOTHRA望远镜阵列，在螺旋星云外围一口气拍到22个弓形激波，把碎片瓦解时标锁定在约1万年。一张图胜千言，新望远镜的第一份科学答卷就如此惊艳，值得一看。
把CT、胃镜、化验单喂给AI后，胃癌诊断AUC涨了6个点
胃镜、CT、化验单、报告，医生从来不是单看一样就下结论。Gastric-X把这个真实逻辑搬进了AI基准：四期CT+内镜+生化指标+报告全部对齐，还配了2.6万条VQA。想让医疗VLM真正学会"综合判断"，这份基准值得一读。
告别t-SNE老套路：TabSOM用SOM一鱼两吃，布局解释全搞定
表格数据是工业界和医学界的主力军，却一直被深度学习冷落。这篇论文用自组织映射把表格编码成多通道图像，不仅让CNN在四个医学数据集上排名第一第二，还把方差压到全场最低，顺带给出两个可解释性工具。思路清爽，值得一读。
北航北邮提出GeoUP：一个骨架统一三大3D感知任务，五大驾驶基准SOTA
自动驾驶3D感知，向来是深度、检测、占用各学一套。北航与北邮提出的GeoUP，直接把视觉几何基础模型VGGT改造成统一3D感知骨架，一个模型三大任务全包，在nuScenes、Waymo、Argoverse 2、KITTI、DDAD五大基准拿下SOTA。思路清奇，落地潜力值得关注。
上海交大最新基准：视频画质高≠机器人操作迁移成功，11个模型实测最高84.6
你第一眼看到的那种画面流畅、动作丝滑的机器人操作视频，可能只是“好看”，并不是真的“会干活”。上海交大与上海AI实验室等提出的H2R-Bench基准，把11个主流视频生成模型拉到真实的人类演示数据上逐一“体检”，结果发现视频画质与跨实体迁移成功率的相关系数只有0.14。想搞清楚视频生成模型到底能不能帮机器人学数据，这篇必读。
六种LM语音增强范式首度同台PK：CNAR拿下全场最佳
这篇文章最值得读的地方在于，它第一次把六种基于语言模型的生成式语音增强范式放进同一个框架里公平对比，并同时报告了侵入式和非侵入式两类指标。结论也很干脆：连续域全面胜出，连续非自回归（CNAR）综合最佳。想快速了解这条赛道竞争格局的读者，这份地图比单看某个SOTA更省时间。
跨域分类不用纠结：MLLM当调度员，让每张图找到最懂它的专家
做AI的都知道，图像分类这活儿，看着简单，做起来全是坑。尤其是当你把模型从实验室搬到现实世界，面对的不是单一数据集的“温室环境”，而是医疗影像、卫星图、人脸表情、日常物体照片混在一起的“修罗场”。
最新图像配准算法：不靠深度学习，亚像素误差降近5倍
图像配准要做到亚像素精度，传统傅里叶-梅林方法经常"差口气"。这篇论文把辅助函数方法无缝融入傅里叶-梅林框架，缩放、旋转、平移误差全面下降，还不靠深度学习，适合资源受限的落地场景。
