高棉语OCR新范式！一个模型同时搞定识别和分词，延迟大幅降低
高棉语这种低资源小语种，连词与词之间都没有空格，OCR完还得单独做分词。这篇论文直接端到端二合一，一个CTC解码器同时吐字符和词边界，合并任务延迟大幅下降，精度还不掉队。低资源语言NLP的工程落地，值得一看。
视觉与图像
共 793 篇
南大SPLG-Mamba：让遥感显著目标检测告别“缺胳膊少腿”
这篇论文精准踩中当前视觉领域两大热点：Mamba架构与遥感显著目标检测。南京大学团队用“平滑-细节分治”的思路，把局部Mamba留给浅层细节、全局Mamba留给深层语义，配上门控跨尺度融合，在三大基准上全面刷新SOTA，窄目标F指标涨幅直接冲到1.46个百分点。代码已开源，适合想做遥感分割、结构保持任务的读者直接复现上手。
PCI评估AI落地前，先搞懂这1分能改变什么
这可能是影像AI圈最该细品的一类研究：不看Dice涨了多少，而是问Dice涨了之后，医生做决策到底变没变。荷兰团队用10例增强CT、4位专家、1个nnU-Net模型，外加一套概率模拟，把分割边界差异直接翻译成临床评分差异。结论相当反直觉——几何差异不小，但rPCI总分平均波动不到1分，决策翻转全挤在PCI 20这个生死线附近。不卷精度的论文，反而把精度指标的
4.9倍吞吐反超SODiff，JPEG修复终于不挑硬件了
先聊一个很多人每天都会碰到、但完全没意识到的问题：你手机相册里那一张张照片，绝大多数都是JPEG格式。JPEG为什么能统治世界这么多年？因为它用一个巧妙的"分块变换+量化"策略，用很小的体积换来了还算能看的画质。
新范式！大模型自主设计质量多样性算法，机器人零干预学技能
想让机器人掌握一项新技能，传统做法是让专家手动设计各种评估函数和多样性指标，费时费力还经常翻车。这篇论文的思路很野：直接把自然语言任务描述丢给大模型，让大模型自己设计整套质量多样性算法的参数。结果如何？4个操作任务上生成的可用技能数量是专家方案的近70倍。
根特大学最新研究：频谱自适应损失让高频重建误差直降15%
语音增强有个老毛病——噪声压下去了，说话声的高频细节也跟着"缩水"了。根特大学这回不堆模型，而是从损失函数下手，让网络学会按频率和语音能量"区别对待"，高频重建误差直降15%以上。方法轻巧，思路值得一看。
零样本也能修！芬兰新方法让InSAR相位恢复时空残差直降68%
InSAR相位恢复一直靠固定滤波器硬扛，可每一对影像的几何参数都不一样，这就像用同一副老花镜看所有距离的物体。芬兰团队提出FiLM-GPNet，给网络装上“几何调节旋钮”，时间残差直降68%，而且换个城市不用重新训练，零样本直接上手。
发票拍照总翻车？华南理工精准恢复关键区域，让文档问答更靠谱
拍文档照片最怕什么？阴影、模糊、歪斜、摩尔纹——哪怕是最强多模态模型也会当场翻车。直接拿恢复工具全图修一遍？可能越修越糟糕。华南理工这篇论文给了个聪明的解法：让模型自己判断“现在能不能答”，不能答再精准修复，修坏了还能自动回滚。全程免训练，效果逼近人类专家。
10%合成图像就够？nnU-Net心脏分割MRI提升0.27个百分点
全心脏分割（ Whole-Heart Segmentation，WHS ）是医学影像分析中的一项经典任务：给定一张心脏区域的CT或MRI扫描图，模型需要把七个关键结构完整勾画出来——左心室心肌（ Myocardium，M。
5.3倍参数压缩还更强？交大PixelIR单步超分效率杀疯了
聊超分绕不开一个千古难题：又想马儿跑得快（细节丰富、观感锐利），又想马儿不吃草（结构保真、贴合原图）。这两件事在底层视觉里长期互相打架，逼着研究者要么偏科要么和稀泥。
机器人｜Veo 3零训练完成分割推理，视频模型就是视觉基础模型？
大模型靠语言"封神"，但如果视觉才是通往AGI的真路呢？OpenAI、DeepMind、斯坦福等21位学者联合发布白皮书，正面挑战"语言中心主义"——看完这篇，你对AGI路径的理解可能要重构。
LAION-BVD开源：1000万小时视频，多模态预训练一次喂饱
当开源视频数据集还在几百万视频级别徘徊时，LAION直接把数字拉到了8000万视频、1000万小时，还一口气验证了视频、音频、图像三种模态的预训练效果。这种级别的数据弹药，对做多模态研究的团队来说，值得好好研究。
