首次把DPO用到视频配音，CLIP分数冲到13.65
视频配音总是慢半拍？清华联手上海AI Lab把RLHF里的偏好优化搬进了视频配音任务，音画同步和听感双双拉满，还顺手解决了重建损失"听着对、感觉不对"的老毛病。
视觉与图像
共 717 篇
医学分割新范式：把JEPA搬进KAN函数空间，UUEKAN也被甩开
KAN架构虽然把可学习的函数搬到了每条边上，但训练时却只盯着聚合后的节点输出，边函数本身一直缺一个直接的优化目标。哈工大与港大这篇FS-JEPA，直接把自监督预测学习搬进了KAN聚合前的函数空间，用多半径签名当预测目标，把最强KAN方法平均Dice拉高2.25个百分点，思路清奇又扎实。
图像配准｜仅2分钟+零真值，韩国团队让3D大模型位姿、深度更准更一致
VGGT、DA3这类3D视觉基础模型，前向一次就能出位姿、深度和点云，但训练时没做显式多视角几何约束，结果经常“自相矛盾”。本方法把特征匹配得到的2D像素对应点当作伪真值，在测试时给模型补上显式几何约束，单场景最快2分钟完成自适应，6个模型、4个数据集位姿与几何估计全部一致提升，主打一个即插即用。
UCLA最新：体积视频流实时“隐身术”，私物秒删还能保持30FPS？
想象你在家里开着VR远程会议，头顶一圈RGB-D相机从六个角度同时拍摄。你以为自己只是坐着聊天，实际上，你手边的手机、墙上的照片、桌上的文件，甚至镜子里一闪而过的倒影，都正被多台相机同步捕捉，并实时融合成一个可自由旋转视。
美团&南信大新框架RAGSieve：RAG投毒攻击成功率67.4%→14.0%
RAG系统的知识库就像一面可以随时被外人涂改的墙——只要往里面塞几篇精心构造的文档，AI助手就可能一本正经地输出攻击者想要的错误答案。南京信息工程大学与美团提出RAGSieve，不给模型加补丁、不依赖干净语料库，而是用“自己身边的检索结果”当参照物，把攻击成功率从67.4%压到14.0%。
巴西团队最新预测：π介子一撞，已知强子分子变身更重三体结构？
强子世界也玩“套娃”？LHCb发现的Tcc(3875)本身已经被认为是D-D*强子分子，巴西团队这回来了一手“分子上再叠积木”：把一颗π介子扔向Tcc，用相干固定中心近似算了一通，预言在4055 MeV附近出现近阈值类共振增强。思路清奇，结果还会更清晰。
ECR 2026新研究：扩散模型给CBCT做"翻译"，FDK重建输入让合成CT质量飙升20dB
放疗中反复CT辐射剂量高，低剂量CBCT图像质量又不够用？这篇ECR 2026论文用条件扩散模型做CBCT到CT合成，还专门较真了“输入图像怎么表示”这件事——结果发现，看似更粗糙的FDK重建反而能让扩散模型发挥更大潜力，PSNR相对提升超过20dB，思路很值得借鉴。
多模态检测也能减肥？Qwen2.5-VL当裁判，剪掉70%参数依然能打
多模态目标检测要落地，先把“双分支胖模型”瘦下来。InterPruner首次把结构化剪枝搬到RGB-红外检测上：剪掉一半通道，FLIR精度反而涨0.6%，70%剪枝率下依然稳得住。轻量化的正确姿势，这篇给了一个参考答案。
去噪+分类一体两吃：这家新方法给USV分析送来“干净耳朵”
夜深人静，研究员对着硬盘里几十TB的野外小鼠录音发愁：录音里除了小鼠50kHz以上的超声“对唱”，还有空调、风扇、鼠笼碰撞、脚步等各色噪声，信号早被压到墙角。
水下照片不再蓝绿蒙蒙？这个合成数据让特征匹配暴涨近7倍
水下照片总是蓝绿蒙蒙一片？印度理工学院这次把海洋光学的"家底"全搬进了合成数据——十种Jerlov水体、深度依赖辐照度、生物荧光一次建模到位。合成数据FID比最强竞品直降46%，四个增强架构跨六个真实数据集全面反超。搞水下视觉的朋友，这份物理知识+数据工程的双拼值得仔细品品。
多语言文生图被曝"语言不平等"！LingT2I基准：10种语言33K提示词，通义千问也翻车
这几年文生图模型卷得飞起，从扩散模型到自回归模型，画质越来越惊艳，英语提示词玩得风生水起。无论是谷歌的Nano Banana，还是阿里的Qwen-Image，你用英语输入"一只在沙滩上戴墨镜的柯基"，出图效果基本都能当壁。
两张模糊图就能重建3D？PSNR暴涨2.11dB新方法出炉
当只有两张随手拍的模糊照片、还没有相机位姿时，3D重建还能做吗？本论文不仅做了，还用级联的2D→3D引导把Deblur-NeRF真实场景PSNR提升了1.19dB、合成场景提升了2.11dB。这种极简输入设定对XR、手持设备3D内容生成非常有吸引力。
