TAIL2SENSORS：自动驾驶的“物理线索路由”新范式
自动驾驶里让AI听懂“右前方二十米那辆白色轿车”并不简单，因为颜色、距离、运动速度这些线索分散在不同传感器手里。这篇论文一口气集齐相机、激光雷达和4D毫米波雷达，搞出全球首个三传感器3D视觉定位数据集Talk2Sensors，再配一个TSFormer框架，把强基线甩开8.05 mAP，还让“物理线索路由”第一次有了正经benchmark。做多传感器感知的团队
标签：数据集
共 112 篇
胎儿超声合成告别128×128：EDM2高分辨率开源模型全面上线
准妈妈躺在检查床上，医生拿着超声探头在肚皮上滑来滑去，屏幕上一团模糊的灰度影像。别小看这团灰度，它决定了整个孕期最重要的一次“过关”。产前超声检查是评估胎儿健康的主要手段，而人工智能想在里头帮忙，先得喂饱数据。问题来了…
Apple最新研究：不靠GPT-4V，BDHS免费造出高质量幻觉数据
苹果出品，必属精品？这篇论文直接把多模态对齐的“水分”挤干了——不靠GPT-4V、不靠人工标注，用一招“蒙住眼睛”的BDHS方法就能生成高质量偏好数据，效果还能打。对于想低成本做多模态对齐的人来说，这绝对是值得读的“省钱秘籍”。
告别脏数据！亚马逊开源Data Turnstile，让0.6B模型逼近7倍大模型
这篇论文切中了AI智能体落地的一个真痛点：小模型工具调用能力弱，但可靠数据既贵又脏。Data Turnstile把整段对话拆成带校验的角色化有向无环图，用开源权重模型就能批量产出高质量函数调用数据。0.6B微调后BFCL直逼7倍大的Qwen3-4B，多轮电信任务1.7B直接超越32B——数据质量对小模型而言，就是胜负手。
遥感分割只盯一张图？中南大学：要学会按需查资料
农田分割遇到难题，让模型再强十倍也可能白搭——关键证据压根不在当前图像里。中南大学这篇FarmSeeker，把分割从“图内思考”拉到“图外思考”，按需查时空影像，把模糊地块查得明明白白。跨11国测试，比一堆老牌方法都稳，值得一看。
对称检测新SOTA！去噪+等变匹配双管齐下，F1冲到65.52%
对称检测模型一遇到旋转图像就"掉链子"？这篇来自广东实验室的工作给出了答案：用非对称区域去噪配合旋转等变特征匹配，在DENDI上将F1提升到65.52%刷新SOTA，还捎带手构建了多干扰的GMSYM新基准。方法不复杂，收益很实在，值得一看。
最新活体基准实测：17个大模型，8.8%到94.5%的诚信断层！
AI能被骗去当假新闻帮凶吗？pattrn.ai搞了个每周更新的“活体”基准，拿俄罗斯、伊朗、中国的真实宣传材料去钓17个大模型。结果最稳的Claude Sonnet 5有94.5%概率拒稿，最配合的Ministral 14B只有8.8%会摇头——同一道题，差距大得离谱。
视频阴影去除新SOTA！杭电等高校新方法，0.82dB领先
夏天在景区拍照，最难缠的不是人潮，而是地上那道怎么躲都躲不开的影子。照片还能靠后期硬修，一到视频里影子跟着物体动起来，简直是在考验修图师的心脏。今天这篇AAAI 2027论文《WildShadowRemover》，把“去除视频阴影”这件事直接交给视频扩散模型来搞定。看完只能说一句：还是让模型去扛吧，人眼真的看不过来。
武大最新CoRE-UIR：一网打尽12种遥感退化，PSNR+1.05dB、提速近12倍！
“单模型修复所有退化”的热潮里，武汉大学这个工作把专家网络玩出了新花样——公共专家打底、低秩残差专家补丁，还能白嫖CLIP语义先验。12种退化一锅端，PSNR涨了1.05dB，速度却快了近12倍，遥感修复玩家值得一读。
1200个视觉依赖问题拷问四大模型：渲染偏差让3D推理暴跌15%
继6月聊过商汤“思考with images”之后，团队进一步追问：模型画出来的中间状态，到底是真用了还是仅仅装样子？为此他们构造了1200个视觉依赖样本的See2ThinkBench，并设计了可干预的VAoT协议。结果扎心：模型选动作挺准，但渲染忠实度平均只有60%，3D场景下错误反馈能让准确率暴跌15个百分点——画图推理，远没想象中靠谱。
香港中文大学TREK：不用LLM裁判的硬核基准，15个模型全军覆没
继2026年6月聊过EvoMAS和MemInsight之后，又发现一个评估LLM智能体旅行规划能力的硬核基准TREK。它完全不用LLM作为裁判，直接检查每个航班、酒店是否真实存在，时间是否可行，预算是否超支，甚至能检测出用户没明说的隐性需求！结果连最先进的GPT-5.6也才46.2%通过，真是让人大跌眼镜。建议所有做LLM agent的团队都来跑一跑这个基准
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”。
