CVPR 2026：当降熵成为陷阱，SPOT-E用锚点保住证据
大模型能说会道，但遇到要细看图表、小字的地方，经常"看走眼"还"自信满满"。孙海伦团队从"答案熵"入手，发现模型在不确定时会表现出更高熵值，但盲目降熵反而让模型走上捷径。SPOT-E巧妙设计了一个视觉"聚光灯"，配合强化学习，只调光照不调模型，让GPT-4o和开源模型在多个密集证据任务上获得稳定提升，思路清奇又实用。
视觉与图像
共 793 篇
Fraunhofer研究所新作：用「概念流树」替代扁平瓶颈，信息泄露减少40%！
概念瓶颈模型(CBM)一直在“可解释性”与“信息泄露”间走钢丝——模型学会用“车门”、“挡风玻璃”来识别猫？Fraunhofer研究所这篇论文用“层次化决策树”把概念空间拆成多个局部子空间，让每个预测只走自己的专属路径，从根本上堵死了信息泄露的后门！效果还跟平铺直叙的CBM不相上下。
Nebraska & Texas A&M提出SCOPE：一招用分布CDF设计「万能」小波收缩规则，效果吊
小波去噪的收缩规则设计，一直有点“玄学”的味道，要么是硬阈值、要么是软阈值，再不然就是各种花式变体。内布拉斯加大学和德州农工的研究者们另辟蹊径：直接用概率分布的CDF来构造收缩规则！参数少、可解释性强，性能还能跟贝叶斯和SURE流派掰手腕。想学一手“数学魔法”的赶紧上车。
快手KDD 2026新作：冷启动推荐告别“噪音”，线上指标最高涨近3%！
从快手真实场景痛点出发，直击冷启动推荐中隐式反馈的噪音问题。DIF方法思想巧妙（用内容相似的温物品做伪标签），理论扎实，落地强悍（线上指标全面大涨），是工业界和学术界都非常值得一看的佳作。
CVPR 2026接收！QR-Prompt把残差变提示，少样本增量学习性能飙升
少样本增量学习（FSCIL）一直是个“鱼和熊掌”都想兼得的难题，既要记住旧知识，又要快速学会新类别。CVPR 2026的这篇QR-Prompt，把VLM的残差特征做成“小纸条”，既稳定又灵活，在三个基准数据集上都刷了新SOTA。对于搞小样本、增量学习的朋友，这篇是必读品了。
告别复杂建模！数据驱动生成机器人手，通用手误差仅0.24mm，专用手成本大降9成
当别人还在苦苦帮你设计的机械手找动作重定向算法时，这篇论文直接让数据决定手本身该长什么样。用400万帧人类指尖运动作为“训练数据”，通过逆向运动学，低门槛地生成出硬件与控制的联合最优解。一个通用手精度吊打商用产品，专用手还能用被动关节省钱减重。妥妥的实用主义顶刊范儿。
只需3分钟！台交大新作JanusMesh：零样本生成3D视觉错觉，一个模型秒变两种物体
3D视觉错觉生成一直是个「看着悬乎、做着更悬」的课题。以往的方法要么慢得像蜗牛（40分钟一个），要么生成的东西满是拼接缝和色彩过曝。台湾阳明交通大学这次祭出的JanusMesh，直接把时间压缩到3-5分钟，而且不需要针对每个形状做优化训练，真正做到了零样本！更关键的是，它生成的模型从各个角度看都完整无漏，只在特定视角才「变戏法」，效果相当惊艳。对于做3D内容
FlashRT开源：27倍加速，边缘AI推理告别“重计算”，秒变“快照恢复”
当机器人每次重启都要重算大模型，或边缘设备LLM冷启动慢到怀疑人生，这篇论文给出了天才解法：把整个推理的“当时状态”像游戏存档一样快照，下次直接读档。FlashRT通过“执行状态胶囊”，让低延迟、小批量的边缘AI服务延迟狂降27倍，并在LLM、TTS、机器人策略上统一了这套机制。简单说，就是让AI推理变得像按快门一样快。
上海交大新作SANA-SR：32倍压缩+线性注意力，图像超分19毫秒搞定，效果还更强！
超分模型想要又快又好？上海交大奖池团队直戳痛点：不是先验不够强，而是token太拥挤、交互太贵了！他们祭出32倍压缩+线性注意力的大杀器——SANA-SR，单步推理19毫秒搞定，输出效果还吊打一众多步SOTA。这个思路，绝了！
北卡罗来纳大学夏洛特分校最新研究，ACE模块让VLM调用减少75%
长视频问答（LVQA）一直是个“烧钱”的活，把一小时的视频全喂给大视觉模型，光是token就能上百万。而TIMEPROVE给出的策略很聪明：先派轻量级的动作检测器去“探路”，生成几个高概率的答案假设，最后才让大模型去“拍板”验证。结果呢？效果涨了7.3%，成本却降了93%。这种“先猜后验”的思路，值得每个做视频理解的人关注。
仅用7%成本就吊打全场？北卡大学提出TIMEPROVE，让长视频问答学会“先找证据再说话”
长视频问答一直是个“贵”且“难”的活儿——处理一小时视频，光视觉token就超200万。北卡大学夏洛特分校的TIMEPROVE，提供了极其优雅的解决思路：先用轻量级的动作检测模块“侦察”出关键证据片段，再只把这些精挑细选的短片段送给VLM做“终审”。结果准确率涨了7.3%，VLM调用次数锐减75%，推理成本暴跌93%！这简直就是给LVQA这个“烧钱”领域的一
机器人视觉新范式：不再看图识字，而是看“手”学动作
传统视觉编码器（如CLIP、DINOv2）再强大，也是用猫狗图片、风景照训练的，它根本不知道“抓杯子”需要看哪儿。这篇UC Berkeley和NVIDIA的CAIP，用地表最强的“人类第一人称操作视频”（Ego4D等）作为训练数据，让视觉编码器学会了看“手”和“物体接触点”。这招“用人类手部姿态代理机器人动作”，直接让灵巧操作任务成功率飙升30%，而且抗干扰
