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。
视觉与图像
共 793 篇
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。
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。
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。
