复旦携手小红书最新：给文字渲染装上“定位锚”，生成长文准确率暴涨10.3%
让AI准确渲染又长又密的文字，是图像生成的“最后一公里”。复旦携手小红书放出一招“位置锚定”新设计，把文字准确率直接拉高一大截，海报再密也不怕了。
视觉与图像
共 793 篇
图像生成｜别只卷画质了！新基准专测"逻辑作画"，最强开源模型不到32分
当所有文生图评测还在卷画质和指令跟随，UIUC这次直接把“答案藏在图里”的推理题丢给模型。2000道题、9个主流生成模型，最强Gemini 3 Pro也只拿64.6分。想看生成模型到底有多少“真推理”，这片试金石值得收藏。
视频生成不懂物理？川大新框架用事件链思维，物理正确率暴涨至72.5%
大模型生成视频"看起来美，动起来假"的顽疾有解了。这篇来自四川大学的工作，不去堆算力，而是给视频生成装上"物理事件链"大脑，用可量化的物理公式约束每个中间状态，在PhyGenBench上把物理贴合度均值提升到72.5%，值得做视频生成与世界模型的朋友细读。
西南科大新研究：去掉文本Dice从91.61%暴跌至40.76%，医学图像分割真的离不开文字？
每次看到给医学图像分割加文本引导的工作，龙哥都会问一句：那行文字到底起多大作用？这篇论文用5个预训练医学视觉语言模型和4种融合算子做了系统性交叉实验，还提出一个轻量诊断工具做证据解耦，把“换融合头不涨点、去文本却崩盘”这类反直觉现象掰开揉碎了讲清楚，值得做多模态医学影像的读者花几分钟细读。
首尔大学新框架：语音合成“中英混读”不尬了，外语短语零成本母语腔
一个韩国人用中文说“昨天吃了sushi”，sushi到底该按中文腔读还是日文原味读？首尔大学这篇论文，专治语音合成里的“中英混读尴尬症”：不加训、不加模块，光靠推理阶段的巧劲，就能让夹在句子里的外语短语瞬间回到母语腔。
北大&Galbot新作：VLA换台就懵？严格零样本跨本体迁移，最高提升18个点
跨本体泛化是VLA从“会干活”走向“干得了所有机器人”的必经关卡，但“零样本”这个词在圈里长期被用得很随意。本论文用严格受控的基准把四种本体变化拆开细测，给出可复现的量化结论：换表征涨15个点、扩源多样性涨18个点、仅5%目标本体预训练数据再涨13.4个点。做机器人的朋友读完能少走不少弯路。
西安交大新作TempoGround：流式目标不再“跟丢”，3D指标均提升7.5
视频流一帧一帧地来，模型能不能不串号、不手抖、不跟丢？西安交大联合EngineAI提出TempoGround，让视觉语言模型在流式输入下连续输出稳定的2D/3D框，3D精度平均提升7.5。这套“状态感知课程预测+强化学习”的组合拳，值得做具身智能和多模态感知的同学认真看一眼。
代码生成｜代码投毒新攻击：仅污染0.7%语料，让大模型乖乖写出漏洞代码
分东西还要分任务？谁拿了好东西，谁多干了活，算法能分得大家都别红眼吗？一群做理论的人把这事儿掰扯清楚了——给每个参与者不同"权重"时，四校联合研究终于破解了混合了吗哪的难题，首次给出通用的高效分配方法。
低剂量CT去噪告别配对数据！物理驱动新框架：17项指标反超监督基线
低剂量CT（LDCT）的临床价值不用多说——辐射剂量降低了，患者风险下来了，可图像里的噪声就上去了。泊松-高斯混合噪声趴在投影数据里，重建出来的图像出现条纹和伪影，直接影响医生下诊断。传统去噪方法靠人工先验，效果有限；
视频面试AI评分91.5%？8B小模型超GPT-5.4还带证据链
想象一下这样的场景：你精心准备了半个月的面试，对面坐着三位表情严肃的考官。他们一边听你自我介绍，一边在打分表上勾勾画画——逻辑思维、表达能力、应变能力、专业素养……十八个维度，每个都得给出0到2分的评价。
图像生成｜东京大学最新研究：全景图生成提速15倍，质量反而更高？
生成一张360度全景图要等半小时？东京大学团队把时间压缩到2分钟，画质还更好，凭什么？
胶囊内镜图太糊看不清？无监督Transformer超分方案让病灶细节放大4倍还更清晰
无线胶囊内镜拍出来的图常常模糊不清，而真实场景下几乎不可能拿到一一配对的清晰与模糊图对。这篇来自印度SVNIT与挪威NTNU的工作把Transformer放进无监督GAN里做四倍超分，还顺手提出了一个内镜专用的无参考画质指标，代码与预训练模型均已开源，值得做医学影像增强的读者仔细看看。
