ACM MM 2026：让AI"听声作画"不再是玄学！中科大联合电信AI构建32.3万高质量数据集
音频生成图像终于有了像样的"教材"！中科大联合电信AI研究院打造的A2I-Set数据集，32.3万组高质量三元组，配合FAT-Fusion的AudioCanvas模型，让"听声作画"不再是鸡同鸭讲。数据开源的诚意之作，值得细品。
视觉与图像
共 717 篇
商汤新研究：AI先规划再看视频，token省90%，长视频理解还能更强？
看长视频最怕"看多少、看哪里"的选择困难。商汤这篇EVA直接用强化学习把"先规划再看片"的训练出来，多个长视频基准提升6-12%，视觉token还省得惊人。让AI学会"聪明地看"，这个方向值得重点关注。
UIUC提出FinATOM：无头token直接炒股，ETF组合夏普1.428→1.529
同样一个因果语言模型，不加回归头、不加策略头，只靠输出token就把三步收益预测和五ETF动态配置全干了；池化净夏普从1.394提到1.494，2025年多模态优势最猛。想看看语言模型怎么绕过"换任务就换头"的套路直接当金融决策接口？这篇值得一读。
ACM MM 2026中科院新作：矿区端到端驾驶，碰撞率直降75%！
城市道路的自动驾驶已经卷成红海，矿区这种“路不成路、灰比雾厚”的硬骨头却少有人啃。中科院团队让规划器学会区分“看得见的安全”与“看不见的风险”，碰撞率直降七成多，这波操作值得研究！
字节等发布RGBA视频生成新作：跳过35%透明token，1.2倍提速画质不降
游戏行业离不开RGBA动画，但“先生成RGB再抠图”的老路子，一到半透明边缘就翻车。字节联合北大清华带来一个反直觉方案：既然alpha本身就是可见性信号，那干脆用它来跳过计算——用2.4K个游戏资产视频训练RGBA生成器，1.2倍提速，FVD 174.4，质量几乎无损。
告别无穷受试者实验！UIC用PS视觉模型秒测散点图感知
这篇论文把图形感知领域的老底给掀了——四十年跑实验攒下来的编码排名，被一个彩虹色图的反转案例直接打脸。作者主张别再做无穷无尽的受试者实验，而是把可视化当作图像，用视觉计算模型来评估。用散点图相关性判断做验证，模型居然复现了人类感知曲线。想搞明白人到底怎么看图，这篇值得细读。
最新理论证明：展开网络只相当于多项式滤波器，图像去噪还能这么玩？
算法展开（Algorithm Unrolling）一直是可解释深度学习的招牌做法，把迭代优化变成可学习的网络。这篇论文却给这个招牌泼了一盆冷水：图拉普拉斯去噪器的展开网络，无论怎么学，都只是多项式图滤波器，而且可达集还是测度零的严格子集——值得所有做可解释深度学习的人看一眼。
北大东北大学最新CoInS-Net：医学插值分割一步到位，PSNR最高涨1.67dB
医学影像里，插值和分割各干各的，就像分手后非要各自忙活，结果边界糊了、病灶漏了。这篇论文让两个任务在一套网络里双向打配合，四个数据集上插值PSNR最高涨1.67dB、分割Dice最高涨2.9个百分点，推理还省了一半时间，临床落地够实在。
六种音频编码器正面PK！澳洲高校首次系统性评测：从分类到推荐，谁才是音乐推荐的最优解？
分类任务的学霸，放到推荐系统里可能就成了学渣，这事儿你敢信？澳洲高校团队把六种主流音频编码器拉到KNN、SASRec和TIGER三种推荐范式下正面对决，还顺带拆解了语义ID的量化玄机。音频推荐选型，看这篇就够了。
密歇根大学提出PE-Mamba：双向Mamba扫描，AI假图检测冲到96.6%！
AI生成的假图肉眼越来越难辨，可检测器却还停留在“加权平均”的老路子。本文提出的PE-Mamba，把Transformer层间特征当有序序列，用双向Mamba扫描来聚合取证线索，只训练1.3%参数就把主流假图检测基准刷到新SOTA，思路清奇又实用。
机器人｜光纤定位器越做越小，电机先撑不住了？混合R-θ方案给出新答案
天文仪器不只是反射镜和CCD，光纤定位同样硬核。这篇论文将DESI久经考验的旋转机构与压电弯曲驱动结合，以极简结构实现140V下6mm偏转、闭环2μm精度，为下一代高密度光谱巡天提供了一个相当务实的新选项。
武大PROTEUS：水下图像恢复新SOTA，仅2.6M参数登顶U90
水下照片又绿又灰还带雾？武汉大学等机构的最新PROTEUS让你一键还原！它把“退化信息”从累赘变成向导，既用它引导特征调制，又用它控制跳跃连接复用。仅2.61M参数，U90的PSNR刷到25.50dB，LPIPS更是把第二名从0.086打到0.081，轻量又能打，值得一读。
