无GPU也能跑：眼底增强新法把SSIM推到0.91
这篇工作不靠大模型、不拼训练数据，直接用“先调亮、再增强”的老办法把眼底图像做得更稳。更关键的是，它不是只在一张图上好看，而是把 DRIVE、STARE、CHASEDB1 三个数据集都跑了一遍，还给出统计检验和筛查速度，落地味道很足。
视觉与图像
共 793 篇
ONERA提出孔径掩模协同设计：湍流成像重建更稳了
地面望远镜最怕的不是“看不见”，而是“看见了也糊成一锅粥”。这篇论文很实在：不靠复杂自适应光学，直接把孔径掩模和重建算法一起设计，试图用更低成本把湍流里的高频细节捞回来。
ICML 2026这篇论文在问：地图对机器还重要吗？
地图到底是给人看的，还是给机器看的？这篇论文直接把这个老问题拉到多模态大模型时代重新拷问了一遍。2400张合成等值区域图、12000道题、22个模型，结论很实在： 地图没有过时，反而在高层次空间推理里更像“外挂” 。
7,147条样本实测：融合模型比单模态更稳
点击诱饵这事，最阴的地方不是“标题党”，而是标题和缩略图一起演戏。BanClickThumb把孟加拉语 YouTube 的这套“组合拳”做成了可复现基准，文本、图像、融合三条线一起比，结果很清楚：只看图不够，只看字也不稳，融合才更像正经干活。
World Translation登场：仿真到现实，靠“反向提取”补上动力学缺口
仿真到现实这道坎，难点从来不是“模型会不会猜”，而是“隐藏变量到底藏在哪”。这篇论文的思路很狠：既然前向历史不够用，那就从结果里倒着抠信息，再把仿真和现实的动力学特征做无配对翻译，路子新，而且实验也不虚。
ArtChart来了：艺术图表也要讲数学，双语基准首发
这篇论文最有意思的地方，不是“让图表更好看”，而是把“好看”和“正确”这对天生互相打架的目标，硬生生拉到了一张桌子上。它不只给出方法，还顺手做了一个双语基准和六轴评测，属于能直接拿来做后续研究的那种工作。
StructGen来了：多参考图像生成告别张冠李戴
多参考图像生成最怕什么？不是模型不够大，而是参考一多，语义就开始打架。StructGen 直接把参考图像做成“字典”，用标识符把人、衣服、场景钉死，思路很工程，也很实用。
不碰文本也能改记忆：LUCID揭开多模态智能体新漏洞
多模态智能体最怕的不是答错，而是把错的东西“记牢”。这篇论文直接把矛头对准长期记忆：攻击者只改一张图，就能在黑盒条件下把记忆系统带偏，而且五种后端都没能幸免。更关键的是，它把“检索被命中”和“模型真的信了”这两件事分开看，结论很扎实。
证据中心闭环框架：自动驾驶怎么测才算过关
自动驾驶测试最尴尬的地方，不是没工具，而是工具、场景、指标全都有，最后还是没人敢拍板“能上路了”。这篇论文直接去问了6个国家9家公司的实战派，把工业界到底怎么测、卡在哪、以后想怎么测，摊开讲明白了。
扩散去噪当视图？这篇论文把判别和生成一起做了
扩散模型平时最擅长“画图”，这篇论文偏要让它顺手把分类也干了。D3CL的思路很直接：把不同去噪步当成不同视图，再用LoRA轻量改造Stable Diffusion，结果判别和生成两头都没掉链子。
CMU+Apple提出RayRoPE：多视图位置编码终于统一了
多视图Transformer最怕什么？不是算力不够，而是位置编码“认不出同一块内容”。RayRoPE直接把patch绑到射线上，再让模型自己猜深度、补不确定性，结果就是：既要几何一致，又要多频细节，还能保持SE(3)不变。Apple Research这篇，属于把老问题拆开后重新装对了。🤨
腾讯PCG新方法：34K数据把视频感知拉升5.2%？
视频推理这事，很多时候不是“会不会想”，而是“看没看见关键帧”。这篇论文直接把矛头对准感知短板，用注意力把稀疏奖励拆成帧级、Token级信号，思路很硬，实验也够实。
