东京大学与D-Robotics低光机器人操作：成功率从0升至66.5%
论文基本信息 原文标题： RawVLA: Embodied Neural Image Signal Processor For Robotic Manipulation 首次公开： 2026年9月29日 署名单位： 东京大学、D-Robotics、南洋理工大学、东北大学、香港科技大学（广州） 原论文： https://arxiv.org/abs/2609.3
最新文章
共 1811 篇
I2WM与东京大学RAW目标检测：跨传感器精度提升9.25点
论文基本信息 研究对象： 传感器原始信号（RAW） 原文标题： RAWild: Sensor-Agnostic RAW Object Detection via Physics-Guided Curve and Grid Modeling 首次公开： 2026年5月7日 署名单位： I2WM、东京大学、日本理化学研究所 会议： NeurIPS 2026 原论
独立研究者TRACE推理代理：根因诊断准确率从15.9%升至75.7%
论文基本信息 方法名称： 合成奖励因果探索训练框架（TRACE） 原文标题： TRACE: Training Reasoning Agents for Causal Exploration with Synthesized Rewards 首次公开时间： 2026年9月9日 署名单位： 独立研究者 作者： Rui Sun、Zhan Shi、Bing He 研
博世与弗赖堡大学自动驾驶规划：INTERACT在高交互场景最高提升7.80分
论文基本信息 方法名称： 交互感知轨迹规划框架（INTERACT） 原文标题： INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement 首次公开时间： 2026年9月25日 署名单位：
香港科技大学病理图分割：自然语言覆盖160类目标，总体Dice达0.671
方法名称： 自然语言提示病理图像分割模型（PathSegmentor）
南开大学真实图像超分：双输入让一步扩散兼顾细节与感知质量
论文基本信息 方法名称： 双输入与负样本感知特征微调真实图像超分方法（D N F-S R） 原文标题： D N F-S R: Dual - Input and Negative - Aware Feature Fine - Tuning for Real - World Image Super - Resolution 署名单位： 南开大学计算机学院视觉计算
阿里与北大多主体视频生成：DIAL让人脸相似度31.81%升至60.64%
论文基本信息 方法名称： 双阶段内生注意力利用方法（DIAL） 原文标题： Harnessing Intrinsic Subject- Aware Attention for Controllable Multi- Subject Video Generation 首次公开： 2026年9月10日 署名单位： 阿里巴巴集团、北京大学 研究领域： 多主体参考图
北京理工大学与北大3D高斯泼溅：压缩100倍仍快12倍、峰值信噪比高1.3dB
论文基本信息 方法名称： 质心Voronoi高斯简化方法（CVT-GS） 原文标题： CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation 首次公开： 2026年9月8日 署名单位： 北京理工大学、北京大学 研究领域： 3D高斯泼溅场景简
澳门科技大学动态3D重建：5fps仍用事件流补全运动，PSNR达29.37 dB
论文基本信息 方法名称： 事件驱动马尔可夫链高斯泼溅方法（EdMCGS） 原文标题： EdMCGS: Event -Driven Markov Chain Gaussian Splatting for Extreme -Low -Frame -Rate Dynamic Scene Reconstruction 中文概括： 用事件流驱动马尔可夫状态转移，在极低
巴塞尔大学膝关节MRI超分辨率：把单个角度变成连续曲线
论文基本信息 名称说明： 连续滑车沟角测量系统（SA-Profile）；滑车沟角指标（SA） 技术说明： 超分辨率技术（Super-Resolution）；磁共振成像技术（MRI） 原文标题： SA-Profile: Automated Sulcus Angle Profiling from Super-Resolution MRI 首次公开： 2026年9
上海交大×中国电信统一多模态生成：让模型从自己的图像中学习
论文基本信息 原文标题： 受约束的自我改进（Self-Evolving）——Dreaming in Flow: Generative Grounding Feedback for Self-Evolving Unified Multimodal Models 首次公开： 2026年9月8日 署名单位： 上海交通大学、中国电信人工智能研究院、中国科学技术大学
Meta×中佛罗里达大学多模态检索：3.1B激活参数做到70.4分，算力还能再省50%
论文基本信息 原文标题： MoEMB: Scaling Universal Multimodal Embeddings with Efficient Mixture-of-Experts Models 中文概括： 用稀疏专家扩展通用多模态向量模型，并让不同输入动态使用不同算力 署名单位： Meta AI、中佛罗里达大学 首次公开： 2026年9月8日 原论文
