视觉大模型+LiDAR：ViCo3D把SOTA又抬高了
这篇最有意思的地方，不是简单把 DINOv2 往点云里硬塞，而是先把 LiDAR 变成 BEV 图像，再用视觉大模型补语义、用多尺度融合补细节，最后还把协同增益做到了更高。它回答了一个很现实的问题：协同感知里，特征不一定越像越好，能互补才是真本事。
标签：目标检测
共 39 篇
NeurIPS 2026新作ViCo3D：DINOv2让协同3D检测增益飙到1.8倍
V2X协同感知最烦的，不是“有没有信息”，而是“信息怎么不打架”。ViCo3D偏偏不去硬拗一致性，而是借DINOv2给点云BEV补语义，再做多尺度融合，结果协同增益直接拉满，思路很有意思。
东南大学ScanFocus：视频时空定位边界提升5.4%
这篇论文最有意思的地方，不是又堆了多少模块，而是很直接地指出：视频时空定位真正卡脖子的，往往不是“看不见”，而是“边界看不准”。ScanFocus把任务拆成粗扫和细抠两步，思路朴素，但对长视频定位很对症。
14个视频搞定AI尿检？这篇方法先把图拍清楚了
尿检这件事，卡住的往往不是模型，而是显微镜前那一步“得先拍出一张够清楚的图”。这篇工作很朴素：不用昂贵自动对焦，改成手动调焦录视频，再把最清楚的片段拼成全聚焦图，适合基层实验室看门道。
CVPR 2026新作PDD：医学异常检测最高提11.8%
医学异常检测最难的，不是模型会不会“找茬”，而是能不能在复杂解剖结构里别把正常组织也当成坏人。PDD的思路很直接：先把全局与局部先验拧成一股绳，再让两个学生学出差异化能力，确实比单流派蒸馏更像回事。
真实商店实测：非语言动作让机器人多接住15.3%对话
这篇论文最有意思的地方，不是把机器人“说得更像人”，而是先承认一件很现实的事：顾客很多时候根本没开口，机器人却已经该接话了。15.3%的回应由无声动作触发，这个数字很扎眼，也很适合拿来反思纯语音对话系统的盲区。
Thermal-Det来了：零样本热成像检测，AP最高提升到0.372
热成像检测最烦的不是“看不见”，而是“看见了也不知道它叫什么”。这篇 Thermal-Det 直接把开放词汇、语言引导和跨模态蒸馏塞进热成像里，还真把零样本检测做出了像样的结果，属于能落到真实场景的那种活儿。
国防科大SAMBA：散射引导Mamba，7个数据集领跑
SAMBA这篇很对路：它没跟着Transformer继续堆算力，而是直接把SAR的物理散射特性拉进自监督预训练里。结果就是，参数更轻，识别和检测还更稳，属于“懂雷达的人写出来的雷达基础模型”。
ImageNet经典：152层ResNet拿下SOTA
这篇论文最狠的地方，不是把网络堆到了152层，而是证明了“更深”本来不该更难训练。残差连接一出，深度网络终于不用跟梯度和退化问题死磕了。
ROBOVIS 2025新作：单帧预测人类多目标，CVAE还能生成多种走向
这篇工作最实用的地方，不是“猜一个目标”，而是直接给出 多个可能走向 。对机器人导航、人机协作和自动驾驶来说，这种“别把人想死板”的预测，才更像真实世界。
CVPR经典Mask R-CNN：FAIR开源实例分割基线
这篇论文把“先找框、再抠图”做得特别顺手：Faster R-CNN 负责定位，Mask 分支负责像素级分割，RoIAlign 负责把坐标对齐。看起来只是加了个小分支，结果却把实例分割这门活干得又快又稳。
UniTeD拿下NAVSIM 90.2：感知规划一起扩散
这篇论文把自动驾驶里最爱“各干各的”的感知和规划，硬生生塞进同一个扩散框架里一起去噪。再配上TTM和ARS两个补丁，既照顾时序，又盯住训练推理偏移，属于那种思路很顺、工程也不算太虚的方案。
