中科院自动驾驶"错题本"：26毫秒现学现卖，Navtest冲到94.1
老司机最怕的不是路况差，而是同一个坑栽两次。这篇论文给自动驾驶大模型装上一个"失败记忆库"，用结构化解耦检索加上解耦LoRA测试时训练，让模型现学现卖、遇险纠偏，还把NAVSIM双榜SOTA收入囊中，代码已开源。
视觉与图像
共 717 篇
ACM MM'26最新：福州大学仅增0.07M参数，低光色彩还原不再跑偏
低光增强里"提亮容易、校色难"的老大难问题，这篇论文算是啃到点子上了。福州大学提出的CAGE框架，用可解释的颜色空间变换方案做色彩校正，还能像插件一样直接塞进现有模型里，成本低到可以忽略。在低光图像处理这个长期刚需的赛道上，这活儿干得漂亮。
遥感分割的黑盒难题，被熵中心XAI破解了？
深度模型在遥感分割里跑得欢，可它凭什么这么分？黑盒不拆，谁敢拿去搞灾情评估和土地利用监测？本文提出熵中心XAI方法，用熵不确定性给分割模型的决策画热力图，还顺手设计了一个H-SIT评估框架揪出“假重要区域”，在WHU数据集上把Grad-CAM、Score-CAM和Seg-Sobol都甩在身后，值得一读。
世界模型规划总翻车？VIScore三个维度直接定位病根
潜在世界模型越来越火，可学界一直缺一把能解释“为什么这个模型规划成功、那个却失败”的尺子。本文从SIGReg与VISReg的受控对比入手，把诊断对象从单一编码器扩展到编码器+预测器+规划器三件套，提出VIScore；相关度冲到0.75以上，校准误差还能低于常量拟合，属于世界模型方向稀缺的工具型工作。
扩散模型终于懂物理了！阳明交大×NVIDIA最新去雾：平均涨0.57dB
同样是扩散模型，凭什么HNDif去雾更猛？因为它不玩"纯噪声瞎猜"，而是把大气散射模型直接写进扩散过程：雾浓处多注噪声、雾淡处少注噪声，反向再联合去雾去噪。四个主流去雾骨干、六个基准数据集，平均PSNR提升0.57dB。想给自家去雾模型"插管提速"？这篇值得细读。
告别高精地图？循环注意力让视觉定位精度跃升32个百分点
自动驾驶定位一定要靠高精地图和昂贵传感器吗？长安大学这篇工作直接用普通摄像头+卫星图，把时序信息做成“记忆库”，平均误差从3.8米砍到1.57米，真实车辆零样本跑出96.86%的5米内召回。低成本方案又要卷出新高度了。
顶级会议新研究：让语音增强模型学会唱歌，原能力还不掉
一边是700小时的大规模语音增强数据，一边是只有35小时的歌声分离标注集，AI界“贫富差距”在这篇论文里被LoRA一招填平。只需6-12%额外参数，就能让语音增强模型“开口唱歌”，还稳稳保住原有看家本领，这买卖划算。
CVPR 2026新作：广西师大砍掉60%模板Token，跟踪精度只掉0.4%
多帧视觉跟踪里模板帧越堆越多，效果却可能越堆越差？ETCTrack用一个可学习的ATC模块把历史模板Token动态压缩60%，MACs直降21.4%，精度只掉0.4%，还在七个基准上拿下SOTA。代码已开源，看完这篇也许能重新理解“给Transformer减负”这件事。
告别昂贵遥操作？这家机构用"看视频"教手术机器人操作
手术机器人学动作，最缺的就是带标签数据。这篇来自中佛罗里达大学等机构的工作，首次把世界-动作模型（WAM）用到手术机器人上，在动作标签预算固定的条件下，用免费的无动作视频预训练就把闭环成功率从63.5%拽到77.8%，PegTransfer单任务直接涨了20个百分点。视频不要钱、标签贵上天，这条路子值得所有做医疗机器人的人看一眼。
最新研究：从84秒到0.05秒，独立研究者让VBGS实时重建提速1680倍
3D高斯泼溅做持续重建，最大痛点就是慢。这篇论文用空间截断变分推断加改进重分配，把每帧训练延迟从84秒干到0.05秒，1680倍提速还不掉质量，直接在RTX 3070 Ti上跑通。做机器人实时建图的读者，这篇相当值得看。
华中科大+地平线新作：流式视频生成FVD暴降36.6%，训练推理终于“对齐”了
视频生成要当世界模型，最大的坑就是训练时乱炖噪声、推理时要按顺序去噪。华中科大联合地平线这篇Stream Forcing把“训练节奏”做成课程：先广撒网、再精对齐，UCF-101上FVD直接降了36.6%，还能零样本飙到128帧。继2026年6月聊过NVIDIA+清华的Causal-rCM之后，这是又一篇把流式生成训练做扎实的工作。
代尔夫特理工新作：MoMQ让实时视频多路径传输延迟直降70.3%
多路径传输一直在“盲人摸象”——调度器只看字节，不懂视频帧的关键程度。代尔夫特理工这篇MoMQ，首次把MoQT的元数据变成路径调度规则，在Starlink+WiFi真实测试床上把P99.9延迟从384.7ms砍到114.1ms，实时视频终于能跑进150ms交互预算。想法巧妙，实验扎实，值得一读。
