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。
标签：目标跟踪
共 19 篇
五种姿态估计器实测短跑：RTMPose-M平均6.99度成黑马
跑姿分析一直被认为是专业实验室的专利，动辄几十万的设备劝退了大多数人。这篇论文用五个成熟姿态估计模型+后处理，把髋膝关节角度估测误差压到5.3°，还配套了网页演示平台，属于典型的低成本高性价比工作，做运动科学和姿态估计的朋友值得一读。
萨马拉大学实测GPS接收机：三个关键参数调好，跟踪精度提升近50%
GNSS接收机的跟踪环路，一直是导航接收机设计中“牵一发动全身”的地方。这篇来自萨马拉大学的论文，没有堆砌高深理论，而是老老实实把积分间隔、相关器间距和滤波器参数这三个工程变量的实测结果摆出来，还附带了FPGA实现的经验教训。想搞懂GPS接收机怎么调优的同学，这篇值得花十分钟细读。
告别偏科！DeepMind视频模型首次兼顾动作与结构双能力
视频模型看懂动作却丢了空间结构，图像模型擅长几何却不懂运动——DeepMind用一套循环掩码自编码器RVM把两边的好处全占了，只靠像素重构损失，小模型还不需要蒸馏，参数效率最高领先30倍。这事儿有点意思，值得花三分钟读一读。
声学干扰不再愁：UCLA频带特征让推荐准确率飙升18个点
传感器协同跟踪的老问题：摄像头这类高成本传感器，到底该让哪几个节点开机？UCLA这篇论文把“选传感器”当成“做推荐”，用双塔MLP加声学频带特征，在真实外场干扰环境下把命中率从80.4%拉到98.4%，每次决策的在线计算只要约1毫秒。思路跨界又好落地，值得一读。
CVPR 2026新作：广西师大砍掉60%模板Token，跟踪精度只掉0.4%
多帧视觉跟踪里模板帧越堆越多，效果却可能越堆越差？ETCTrack用一个可学习的ATC模块把历史模板Token动态压缩60%，MACs直降21.4%，精度只掉0.4%，还在七个基准上拿下SOTA。代码已开源，看完这篇也许能重新理解“给Transformer减负”这件事。
CVPR 2026最佳论文！Google DeepMind新作D4RT：动态4D重建效率吊打各路大神，2
Google DeepMind把动态4D重建做成了"点单式"服务：一段视频编码一次，任何时间、任何空间位置的3D坐标随查随到。200+FPS位姿估计、18-300倍跟踪提速，CVPR 2026最佳论文的含金量，龙哥带大家一探究竟。
安徽大学SCDT：统一去噪框架，专治RGB-T跟踪模态缺失
医生看病是逐步问诊、看检查单、更新诊断假设的过程，但现有的AI评估全是单轮问答，完全不接地气。这篇论文搞了一个1089例真实病例的多轮诊断基准，把15个模型按真实临床流程从头考到尾。结果发现推理模式反而帮倒忙，医疗微调在小模型上有用、大模型反而没优势。想了解AI在临床诊断中到底几斤几两？这篇必须读。
零参数推理！QueenVIS用两个辅助头搞定视频实例分割
视频实例分割通常需要昂贵的视频标注和复杂的时序建模，但QueenVIS仅用单帧图像训练就拿到了接近SOTA的结果。它通过两个轻量辅助头把外观和空间先验注入Transformer查询，推理时零参数开销，在长视频上提升10.3 AP，简直是为标注稀缺场景量身打造。方法干净、实用，值得工程团队关注。
图像训练逆袭！QueenVIS视频分割零参数涨10.3 AP
视频实例分割的“天价标注”让人头疼，QueenVIS却告诉你：只用单帧图像训练，效果堪比视频监督！它通过两个超级简单的辅助头（特征预测+中心预测）把外观和空间先验注入查询向量，推理时零开销、零参数增加。在YouTube-VIS长视频上直接飙了10.3 AP，比很多视频监督模型还稳。代码已开源，值得一试！
SA-FARI来了：741站点、99物种、1.6万轨迹
野外多动物跟踪最缺的不是模型花活，而是“像样的数据考场”。这篇工作直接把考场搬到了4大洲、741个站点、99个物种上，还顺手把分割级标注做到了能真刀真枪测跟踪。
VLA-ReID让蜜蜂不再脸盲：HOTA提升1.1
多目标跟踪最怕的不是“看不见”，而是“看见了也分不清”。这篇论文直接把 re-ID 的训练方式改成和推理同一套“整帧竞争”逻辑，再用共性外观抑制去压蜜蜂这种高相似目标的混淆，思路很对症。
