U-Net分割血管总断条？UI-VISA让区域生长给血管“接骨”，clDice显著提升还快3~5倍
要说清楚这篇论文在解决什么问题，得先从一张血管造影图说起。
视觉与图像
共 793 篇
视频推荐只会"哪里相关"？反事实测试揭开"是否真有证据"的谎言
推荐系统平时只知道"你爱看什么"，却说不清"视频里哪一秒、哪个画面真正打动你"。这篇论文设计了一套反事实测试：把证据片段替换掉，看模型还坚不坚持原先的判断。结果扎心——不少模型定位很准，但证据判断相当糊弄。值得所有做视频推荐、时间定位和可解释推荐的读者一读。
多智能体还在"群聊"误诊？华南理工新框架把会诊画成推理图，转诊准确率飙到95.3%
一堆AI医生会诊，居然还会“抱团跑偏”？把肺癌晚期患者往肿瘤科一推，完全无视血氧已经掉到危险线。华南理工等机构最近祭出新框架MASGR，把松散群聊升级成结构化推理图，再请来“仲裁官”把关，转诊准确率一口气顶到95.3%。
三阶系统实测：时空变换让控制抖动量直降99%，安全性不缩水
这篇论文把CBF/HOCBF/ECBF的老底掀了——它们本质是"零记忆"的瞬时高通滤波器，噪声一上来控制器就疯狂抖动甚至直接失能。作者提出的时空变换用"有记忆的卷积内核"替掉"瞬时微分"，理论和实验双杀：控制总变差降99%，安全率照样100%。做机器人落地的朋友值得重点读。
南开&大疆EyeControl：随手画几笔，AI修图让主角“破墙而出”！
拍完照片，别人看主角还是背景杂物？调亮度、加对比度、局部压暗……折腾半天，效果不佳。
Apple实测：世界模型多塞2.4亿参数，技能发现反而四连跌
在机器人学习圈子里，长期存在一个有点“程序员味”的执念：能不能别让模型把每个动作都当成一行新代码来背，而是像人写程序一样，先把“拿起”“放下”“对齐”这类子技能抽成函数库，遇到新任务直接调用？
眼动就能让AI分割医学图像？零样本息肉分割Dice 88.1%，追平全监督
医学图像分割被昂贵标注卡脖子多年，GazeRefine却用医生眼动当提示，在不需要任何训练的前提下把息肉分割做到88.10% Dice，一脚踩到全监督nnU-Net脚后跟。想让AI指哪打哪还不炼丹？这篇值得一读。零样本、免训练、免标注，核心思路极清爽：眼动点一下，冻结特征自动“长出”掩码。适合所有关心医学图像落地成本与交互分割效率的读者。
做多模态总被“缺数据”折磨？这个开源工具要把坑全填平
多模态数据香是香，可一到真实世界就缺胳膊少腿。这篇Nature Communications没有堆新算法，而是把“缺数据”这件事系统拆解，做了一个Python包iMML：25+种方法、六类任务场景验证，还把MATLAB/R老代码重写成Python提速近10倍。做多模态研究的朋友，值得先收藏再看。
一条指令18个目标，Qwen/Flux靠“导演”终于不翻车
设计师一条需求写上200字，AI画图却常常翻车？本文提出LGBench基准，把长指令拆成18-22个目标，暴露出现有模型的脆弱；而VisionDirector像导演一样规划、执行、验证、回滚，让Qwen、Flux等模型在GenEval和ImgEdit上双双刷新SOTA，编辑轮数还减少了26%。
CVPR 2026中山大学新作：人形机器人告别模仿秀，学会真交互，成功率75.4%
这篇CVPR 2026论文把“人形机器人与人握手拥抱”这个老大难问题拆成了数据与策略两半：先用PAIR把海量人人交互视频变成物理一致的人机交互数据，再用D-STAR把“何时动”和“往哪动”解耦开，仿真平均成功率75.4%，还真正跑上了宇树G1真机。做机器人交互落地的人，值得细读。
告别盲搜！中科院新记忆框架让机器人学会"推理式找物"
真实环境里，物体总被挪来挪去，机器人拿着旧地图找东西就会扑空。中科院软件所提出HitMem，用层次化时间3D记忆给记忆加“保鲜期”，再结合外部轨迹和语义常识做推理式检索，让机器人像人一样顺着线索找东西。在Dyna-THOR基准上总体成功率51.67%，远超DynaMem的35%。
视频异常检测告别光流！朱拉隆功大学YOLO+CLIP飙到51FPS
视频异常检测一直是监控系统的刚需，但以往方法又要光流又要姿态估计还要密度评分，管线拖到只有15FPS根本跑不动实时。这篇来自朱拉隆功大学的工作把整个流程砍到只剩YOLO+CLIP两个模型，不依赖光流、不用密度估计、不需要异常样本标注，端到端跑出51.39FPS，直接3.36倍提速。做法不炫技，但工程和产品层面很能打，部署友好的路线值得一看。
