杜比实验室新作：AI边看边猜观众哭不哭，1%标注媲美全量SOTA
电影放映前 ，最让人紧张的变量不是画面清不清晰、声音大不大，而是观众看到第 17 分钟会不会笑、第 42 分钟会不会哭、结尾字幕亮起来时会不会觉得这钱花得冤枉。
标签：数据集
共 128 篇
北大&字节提出UEAP-4k：专治画质增强“翻车”，AP50提升5.7个点！
刷短视频时，原图里正常的人脸经过平台"画质增强"后，可能变得僵硬或文字扭曲。这是平台在后台对用户生成内容（UGC）进行压缩、编码、解码、再增强的结果。
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。
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。
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%。
索尼AI联手UPF：旋律相似性人类vs机器谁说了算？
AI音乐抄袭怎么判？机器说了不算，人耳朵说了也不算？这篇论文拉来83位专业音乐人，花两个月时间打造了含1105次感知评估的MATCHA数据集，把旋律、和声、节奏、人声和音色五个维度拆开揉碎，第一次系统度量“人类听觉判断”和“计算相似度指标”之间的对齐程度，给AI音乐生成的可信评估立了一把新尺子。
同济大学提出RealCAD：拍照秒变可编辑CAD模型，真实域参数精度大涨14.7%！
今天这篇来自同济大学的RealCAD，一口气揭了图像转CAD领域两个老底：合成图与真实照片之间的"照骗"差距，以及DeepCAD数据表示里藏着的"刷分捷径"。论文不仅把问题讲透了，还给出了从表示、图像到特征的三层解法，真实域参数精度直接拉升14.73个百分点，值得一读。
KakaoBank新基准：财报电话会“言不由衷”AI听不出，语音回避检测F1最高仅58.5
当CEO在财报电话会上闪烁其词，AI能听出他声音里的“虚”吗？KakaoBank等机构构建的双标签基准DualEvasion揭示：大模型在文本回避检测上接近人类，但语音自信度检测最高F1仅58.5，距离人类表现差距巨大。
UW最新研究：VLM+MR给路痴导航，场景识别提升22%
方向感差不是智商问题，而是注意力投错了地方。这篇论文用20人的VR眼动实验抓出了路痴和认路高手的本质差异，再把这个差异翻译成VLM提示词，做成了混合现实导航系统——直接让场景识别率提升22%，地标回忆数量翻倍。导航软件终于开始考虑“让你记住路”而不是“替你走完路”了。
高棉语OCR新范式！一个模型同时搞定识别和分词，延迟大幅降低
高棉语这种低资源小语种，连词与词之间都没有空格，OCR完还得单独做分词。这篇论文直接端到端二合一，一个CTC解码器同时吐字符和词边界，合并任务延迟大幅下降，精度还不掉队。低资源语言NLP的工程落地，值得一看。
ITMO大学新研究：探索器便宜94%也能用
代码修复里最容易被忽略的，其实是“先去哪找”。这篇论文把仓库探索单独拎出来做基准，直接比较探索器的质量和成本，结论很实用：便宜模型未必差很多，但也不是谁都能省得漂亮。
