单目预训练+3D蒸馏，GeoLaV冲上SOTA
这篇论文最有意思的地方，不是又堆了一个更大的视频模型，而是反其道而行之：先拿单张图做几何预训练，再把3D教师的结构先验蒸馏进去。结果很直接——图像数据也能学出视频所需的空间一致性，最后还在多个基准上冲到SOTA。
视觉与图像
共 793 篇
暴露偏差也能自救？清华华为新方法把Flow Matching拉回正轨
训练看起来很“正经”，推理却偷偷跑偏，这就是 Flow Matching 里最烦人的暴露偏差。DEFAR 的思路很妙：不把偏差当噪声硬压，而是把它当反馈信号，让模型自己学会纠偏。
UFES新作：图像+表格Mamba做癌症分类
这篇工作最有意思的地方，不是单纯把Mamba搬进医疗场景，而是把图像和表格信息拆成两段来处理，既保留了诊断流程的直觉，又把解释性补了回来。PAD-UFES-20和NDB-UFES两套数据都跑了，结果不算“碾压”，但在召回率和可解释性上确实有看头。
视觉ToM新方法：PGD负样本让大模型少瞎猜
这篇论文的切口很狠：不去讨论“多模态大模型会不会推理”，而是直接问它们在只看视频时，能不能别靠语言偏见乱猜。VisionToM 不是简单微调，而是拿注意力头开刀，思路清楚，代价也低，适合真正想把可解释性做成工具的人。
2-甲基环氧乙烷新发现：双探测器直接看见左右手偏转
这篇论文最有意思的地方，不是“看见了手性”，而是把手性分子的左右差异拍成了时间序列。两束飞秒脉冲先把分子拧起来，再用双探测器把平面内旋转和出平面取向同时抓住，实验和模拟还对上了。
MVPruner让多视角VLM提速4.97倍
多视角自动驾驶 VLM 的老毛病很现实：token 太多，推理就慢；token 剪太狠，车就容易“看走眼”。MVPruner 的关键不是硬砍，而是先看哪个视角更杂、再看哪个 token 更有任务相关性，思路比较像老司机先扫全景、再盯关键路口。
AMD新方法HPP：34K帧视频也能程序化调试
长视频最怕的不是“看不懂”，而是“看得懂一点点，却被海量冗余帧淹没”。HPP把感知和推理解耦，让编码型大模型像程序员一样分层探测视频，思路很硬核，成本也更像工程方案而不是玄学。
80队参赛！URGENT 2026把语音增强卷到评测层
这篇不是单纯“拼模型”的比赛总结，而是把语音增强真正落地时最容易翻车的两件事摊开了：数据怎么选，模型怎么评。结果很直白——堆数据不一定赢，选对数据和评测方式才更像正经工程。
NTU新方法：LoRA做可变速率图像压缩，参数只增0.2%
可变速率图像压缩的老问题很现实：想要多个码率，就得养多套模型，存储和训练成本都不太讲武德。这篇论文把 LoRA 塞进深度图像压缩网络，做到训练时只动很少参数，推理时还能和主干合并，思路很干净，工程味也很足。
148.4nm连续波首次跑通！BaMgF4把核光钟光源做出来了
这篇工作最有意思的地方，不是“做出了多少瓦”，而是把一条通往核光钟的真空紫外路线，第一次用周期极化BaMgF4真正跑通了。功率只有pW级，但路线是对的，后面能不能放大，工程答案已经写在实验里了。
ICF去噪新框架：对数域自监督，PSNR冲到21.41dB
这篇论文最有意思的地方，不是“又做了一个去噪器”，而是把ICF图像里最难缠的乘性均匀噪声，硬生生改写成了对数域里的可学问题。更关键的是，它还老老实实把实现里踩过的坑摊开讲了，属于既能看理论，也能学落地的那种文章。
BM3D和Noise2Self都输了：ICF去噪新框架来了
这篇论文最有意思的地方，不是去噪本身，而是它把“乘性噪声”硬生生拧成了“对数域里的加性噪声”，再用自监督把训练目标做成等价监督学习。更关键的是，它不是纸上谈兵，最后真把 ICF 这种难缠图像的 PSNR 拉到了 21.41 dB。
