零样本图像描述卡壳3年？3个检查点把CIDEr拉到117.6，无需任何配对数据
零样本图像描述三年没挪窝，这篇论文用多检查点对齐评分框架，推理阶段把CIDEr从108.0干到117.6。不重训描述器、不吃配对数据，全靠把评分器插在更多位置上——早该这么干了！
视觉与图像
共 717 篇
TAIL2SENSORS：自动驾驶的“物理线索路由”新范式
自动驾驶里让AI听懂“右前方二十米那辆白色轿车”并不简单，因为颜色、距离、运动速度这些线索分散在不同传感器手里。这篇论文一口气集齐相机、激光雷达和4D毫米波雷达，搞出全球首个三传感器3D视觉定位数据集Talk2Sensors，再配一个TSFormer框架，把强基线甩开8.05 mAP，还让“物理线索路由”第一次有了正经benchmark。做多传感器感知的团队
暗夜卫星图越修越糊？HALO双先验焊死注意力，8大基准SOTA
卫星半夜拍的地球照片，又黑又糊还布满噪点，现有增强方法越修边界越糊、颜色越偏。这篇HALO把DINOv3语义先验和Depth Anything 3几何先验直接焊进注意力矩阵，用“正同质偏置+负异质惩罚”把特征聚合钉在物理边界内，8大基准全面领跑，低光遥感增强终于有了靠谱的新思路。
胎儿超声合成告别128×128：EDM2高分辨率开源模型全面上线
准妈妈躺在检查床上，医生拿着超声探头在肚皮上滑来滑去，屏幕上一团模糊的灰度影像。别小看这团灰度，它决定了整个孕期最重要的一次“过关”。产前超声检查是评估胎儿健康的主要手段，而人工智能想在里头帮忙，先得喂饱数据。问题来了…
中科院零训练AI文本检测：EchoPrompt一句前缀识破机器写作
AI写得越来越像人，怎么零训练识破它？中科院团队从“生成机制”入手，给文本加上一句通用助手前缀，没想到机器文本立刻“自我暴露”——无需任何训练，检测精度直接刷新SOTA，甚至比不少训练过的检测器还猛。值得一看的“机制级”AI文本检测新思路。
图像去噪｜上海交大新方案：去噪模型砍掉90%参数，画质几乎无损
手机拍完照，噪点糊一脸？上海交大这个LiteKD-Net给出一个相当务实的答案：把重型去噪网络的参数砍掉90%、推理提速近2倍，再用知识蒸馏把画质“回填”回来，最终效果直逼大模型。做移动端部署的团队，这篇值得一读。
Apple最新研究：不靠GPT-4V，BDHS免费造出高质量幻觉数据
苹果出品，必属精品？这篇论文直接把多模态对齐的“水分”挤干了——不靠GPT-4V、不靠人工标注，用一招“蒙住眼睛”的BDHS方法就能生成高质量偏好数据，效果还能打。对于想低成本做多模态对齐的人来说，这绝对是值得读的“省钱秘籍”。
CMU等四校联手：可微分物理笔刷，让AI生成手写还能操控机器人直接写出来
想象一下，AI 不仅能模仿任何人的笔迹生成手写图片，还能把笔画轨迹直接发给机器人，让它拿着笔在纸上写出来——在线轨迹和离线图像向来是两条平行线，这篇来自 GIST、CMU、延世大学等机构的论文用一个六参数的可微分物理笔刷模型，硬是把它们捏成了同一件事。
香港科技大学提出LiveLight：视频重光照首次实时化，交互式打光边播边调
实时移动光源，画面即刻响应——LiveLight 让视频重光照从『渲染后等待』变为『边播边调』。香港科技大学联合多家机构提出首个基于扩散模型的实时流式视频重光照框架，仅用4步采样跑出15.78FPS还把质量做到SOTA，视频编辑领域值得重点关注的方向性工作。
视频生成｜复旦快手新研究：同一个PE写两边，T2V多事件生成全面涨点
如果你在公众号里刷到过AI视频生成的翻车现场，大概率见过这种名场面：你明明输入的是“一只熊推开树桩、找到食物、抓住老鼠、吃掉它”，生成的视频里熊只做到了一半就停下来，甚至干脆把树桩忘了。这不能全怪视频生成模型“笨”。真…
ACM MM 2026：北大EchoCache让音频驱动视频生成提速2.46倍，还更稳？
继北大CRAFT之后，又是北大团队！这次他们让音频驱动的视频生成告别“傻快”——只用声音的能量分布，就能精准指挥算力花在刀刃上，2.46倍加速还保住了画质。这招“听声辨位”，值得所有搞视频生成加速的玩家看一看。
UC San Diego最新实测：AI超分热成像三维重建，清晰度暴涨却更“不准”？
每次去佛罗伦萨，游客都在仰头看大卫像，而真正的“老司机”却在用热成像扫墙面。UC San Diego团队在千年凉廊上做了一场“硬核实验”：把AI超分拉来重建三维热像模型，结果耐人寻味——
