暗夜卫星图越修越糊？HALO双先验焊死注意力，8大基准SOTA
卫星半夜拍的地球照片，又黑又糊还布满噪点，现有增强方法越修边界越糊、颜色越偏。这篇HALO把DINOv3语义先验和Depth Anything 3几何先验直接焊进注意力矩阵，用“正同质偏置+负异质惩罚”把特征聚合钉在物理边界内，8大基准全面领跑，低光遥感增强终于有了靠谱的新思路。
标签：目标检测
共 39 篇
5步扩散+状态空间交互：弱监督显著检测首次全面超越全监督
弱监督显著检测一直面临标注稀疏的困境，上海大学团队直接请出SAM把涂鸦变成高质量像素级伪标注，再搭配Mamba+扩散模型做精修。7个数据集上碾压所有弱监督方法，甚至干翻了不少全监督方法。这是一套有工程潜力的弱监督方案，值得细读。
武汉理工最新研究：乡村自动驾驶合成数据最佳配比1:0.5，YOLO11m精度0.758
中国乡村道路的自动驾驶一直是个“数据荒漠”。这篇论文不光造了个包含14类乡村特有害物的数据集，还系统测了13个检测器，用实验打脸“合成数据越多越好”的朴素直觉——最佳比例是1:0.5！对于想低成本落地乡村自动驾驶的团队，这份报告就是现成的“避坑指南”。
FOCUS实证：数据扩展才是王道，蒸馏在轻量模型上贡献有限
别小看“数据扩展+教师再微调”这个组合拳。这篇工作老老实实地把视频帧抽出来补足稀有物种，再让教师自己先学一轮，就让轻量学生逼近大模型97%性能，在Jetson Orin Nano上跑出3.19ms一图。更关键的是，它用5次种子对比告诉你：蒸馏本身贡献有限，别被花哨术语带偏。
OVOD-Agent：无大模型也能做视觉推理？
开放词汇目标检测最尴尬的地方，不是“看不见”，而是“看见了却只会机械对词”。这篇论文把检测器改造成会做视觉推理的轻量代理，还尽量不把系统搞成大模型重灾区，思路很对路。
何恺明团队这篇ResNet论文证明：跳连别乱改，1000层才能稳住
这篇论文不靠花活，专盯一个老问题：为什么残差网络一加深就训练不顺。结论很直接——跳连和加法后激活别乱动，保持“直通车”最重要，1000层网络才有机会真的跑起来。
YOLOv8n多种子实测：真实数据更能打
合成数据不是万能药，校园垃圾检测这篇论文把“多造图就涨点”的幻觉直接按在地上摩擦。它最值钱的地方，不是跑赢了谁，而是用多种子评估把“看起来有效”的方法拆穿了。
NICO抓取实测：校准模型主场96.7%，全桌面72.7%
抓取这件事最烦的地方，不是“看见了”，而是“看见之后还抓不准”。这篇论文把低成本校准、YOLO识别、立体视觉和视觉反馈串成一条流水线，结果很实在：校准模型在熟悉区域很猛，视觉反馈在全桌面更稳。
重识别训练别再单挑，VLA-ReID改成整帧对抗
多目标跟踪最怕的不是“没看到”，而是“看到了却认错了”。这篇 VLA-ReID 直接把重识别从单样本比对改成整帧候选集竞争，再用共同外观抑制把一群长得差不多的目标硬生生拉开差距。
厦门大学新方法：跨图像提示让SAM3更懂伪装目标
伪装目标分割最烦人的地方，不是模型不够大，而是提示一旦打偏，结果就直接跑偏。GFR-SAM干脆把“点提示”换成“跨图像示例”，再用过滤和细化兜底，思路很顺，工程味也很足。
华为诺亚这篇PUe：有偏标记也能纠偏
这篇论文盯住了PU学习里最烦人的那个坑：标注不是随机来的，而是“挑着标”的。PUe的思路很朴素——先估计偏差，再把权重掰正，最后让分类器少吃冤枉亏。
SSIM筛图替代去噪？CURE-OR结果更强
这篇论文的思路很“反直觉”：不是把坏图硬修好，而是先把明显拖后腿的低质图筛掉。对自动驾驶、目标识别这类任务来说，这种“减法思维”往往比盲目去噪更实用。
