电子科大这篇实时水下增强，真把频率用明白了
水下增强最怕两件事：一边要快，一边还要好看。本文偏偏把这两件事同时拿下了，4.23K 参数、600+ FPS，还把频率先验塞进了可重参数化卷积和轻量注意力里，挺会省钱，也挺会办事。
视觉与图像
共 793 篇
4.23K参数冲SOTA！这篇水下增强把频率先验玩明白了
这篇工作最有意思的地方，不是“又加了个注意力”，而是把频率先验和重参数化卷积硬绑在一起，还尽量不增加推理成本。对超轻量水下增强来说，这种思路比单纯堆参数更像正经做工程。
中科大西湖大学新作：8.9M参数去模糊还更强
盲去模糊最烦的不是“模糊”，而是模糊里混着真纹理和假纹理，模型一不小心就把该保的细节也抹掉了。CogSENet的思路挺狠：先让网络学会“看场景”，再用频率分解把结构和细节拆开，最后拿连续模糊场去适配非均匀退化，工程味很足。
阿里联合港科大新作UNIGP：一张图同时搞定生成和感知
这篇论文最有意思的地方，不是“能做很多任务”，而是它真把生成和感知这对老冤家塞进了同一个扩散框架里，还尽量不把原本的生成先验搞丢。DUGP 这招“只复制图像分支”的思路很克制，实验也说明它不是花架子。
少量样本就能补齐数据鸿沟？AstraZeneca这篇很硬
AstraZeneca这篇工作很实在：不搞端到端硬训练，而是用一个轻量对齐模块把病理图像和RNA嵌进同一空间，再把“基因集”变成可查询的开放词汇提示。结果不只是在检索上提升明显，还能在临床试验和跨队列迁移里站住脚，属于能落地的那种新思路。
SA-Homo新方法：8倍尺度差异也能稳住
单应性估计看着像“老题”，但一碰到尺度差异就容易翻车。SA-Homo的思路很直接：先用重模块把大尺度错位拉回来，再用轻模块做精修，工程味很足，HMSA数据集也补上了真实痛点。
OWMDrive来了：4D世界模型让自动驾驶先看见未来
这篇论文最有意思的地方，不是又堆了一个规划器，而是先让车“脑补未来场景”，再去做轨迹生成。对遮挡多、交互复杂的驾驶环境来说，这种先预测世界再决策的思路，比只盯着眼前画面靠谱得多。
nuPlan上新方法涨分23点：闭环错误变教材
自动驾驶最难的不是“会开”，而是“开错了怎么补课”。R2LPL把闭环里的错误当成教材，再用终身学习把知识存住，思路很务实，尤其适合关心落地和长期迭代的人。
NeurIPS 2026新作：扩散模型换个散度，30%污染下FID直降15点
扩散模型最怕的不是算力，而是数据里混进来的“脏样本”。这篇论文很实在：不改大结构，只把去噪损失换成散度诱导的加权形式，就把鲁棒性做出来了。
上海交大等提出VDeAR：LDCT去噪首次用上视觉自回归，细节更稳
低剂量CT去噪最怕两件事：一是把噪声抹掉，二是把病灶也顺手抹掉。VDeAR偏偏换了个思路，用视觉自回归做下一尺度预测，再拿残差细化器补高频细节，思路挺新，结果也挺能打。
![[3,1]到[4,1]：测量噪声不是越加码越赚](/PaperDaily/assets/20260630-8e969ccb1b13/8a3d0d1f1f809959c69e.jpg)
[3,1]到[4,1]：测量噪声不是越加码越赚
量子计算里最烦人的噪声，不一定来自“算错了”，而是“读错了”。这篇工作把重复码直接搬到读出环节，在IBM超导和Quantinuum离子阱上做了跨平台实测，结论很实在：同样是加冗余，硬件底子不同，收益能差出一大截。
人民大学+智谱AI新作：训练用思维链，推理直接跳过
这篇论文最有意思的地方，不是把机器人做得更“会说”，而是把“会想”和“会动”拆开了。训练时让模型认真做具身思维链，推理时又把这层思考直接跳过，工程味很足，值得细看。
