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。
视觉与图像
共 793 篇
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。
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。
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。
