江苏大学ACM MM新作：图像恢复"按需使劲"，LPIPS降12.8%
图像修复这事儿，有点像老小区改造：有的地方墙皮脱落要重刷，有的地方只脏了一小块。可现在的扩散修复模型偏爱"一刀切"，全图一样的约束力度、一样的步长节奏，既不省算力还容易把好区域修出问题。江苏大学这篇ACM MM 2026论文，用局部认知不确定性给模型装了一双"会看重点的眼睛"，该补的补、该跳的跳，LPIPS平均降12.78%、采样时间省8.42%，还能即插即
标签：涨点神器
共 119 篇
快手港城大新作HD-REC：生成式跨域推荐的新范式
图2：HD-REC整体架构。（a）HDQ通过全局共享粗粒度量化和自适应路由细粒度量化构建语义ID。（b）DAS MoE结合常驻共享专家与动态选择的特化专家。
零样本图像描述卡壳3年？3个检查点把CIDEr拉到117.6，无需任何配对数据
零样本图像描述三年没挪窝，这篇论文用多检查点对齐评分框架，推理阶段把CIDEr从108.0干到117.6。不重训描述器、不吃配对数据，全靠把评分器插在更多位置上——早该这么干了！
OTFS-GFRA联合估计新范式：结构化稀疏先验带来全场景性能增益
高铁上视频卡成PPT？低轨卫星物联网连不上？这篇南洋理工联合西电、UCD等机构的最新工作，用一套结构化稀疏感知的SS-EP算法，把OTFS免授权随机接入的联合活跃用户检测与信道估计性能，直接推到了逼近理想上限的水平，而且人家还保留了可承受的复杂度。搞6G高移动接入的，这篇值得认真读一下。
多元时序预测新损失CvLoss：114组对比111胜，零推理开销
多元时间序列预测最被忽视的角落，其实是未来变量之间"一起涨跌"的结构关系。这篇来自悉尼科技大学、清华和港科大广州的工作提出CvLoss，一个即插即用的损失正则项，不改模型结构就能在114组受控对比中拿下111胜，推理还零开销。
中南财大首个SNN全能修图：31.6dB媲美ANN，能耗仅1/5
脉冲神经网络历来以“省电”闻名，可让它直接处理静态RGB图，就像让旱鸭子下水——有点为难它。中南财大等机构这次直接把SNN拉进全能图像修复赛道：性能追平ANN，能耗只有人家的五分之一，16.8mJ就能搞定一整套修复流程。
百度等揭示投机解码"有损加速"陷阱：任务越难，质量掉得越狠！
大模型推理加速是刚需，但"放水"换速度的代价到底是什么？这篇来自百度等团队的工作把有损验证方法扒了个底朝天，用严谨实验揭示了一个反直觉结论：任务越难，截断式验证的质量掉得越狠。看完这篇，再也不敢随便用"有损加速"了。
比单图SR强太多？多视图+序列人脸超分还能顺便提升Re-ID
人脸超分一直有个尴尬：单张低清图怎么补也补不出真实五官。这篇韩国三校合作的工作干脆“摇人”——把同一个人的多张低清监控图凑在一起，用Transformer把身份特征统一起来，再靠级联网络一步步把脸“画”清晰，顺便把行人再识别也推进了一把。思路简单粗暴，效果却很能打。
西南大学新方法：Titans+卡尔曼滤波，冷启动推荐效果飙升2%+
冷启动推荐一直是个老大难问题，新物品刚上线，缺反馈、随时间变化，模型到底该信谁？西南大学的这项研究脑洞大开，把Titans的记忆机制和卡尔曼滤波的时序建模结合起来，用后验协方差作为“不确定性信号”来引导静态语义和时序特征的融合。这一招让推荐效果直接起飞，非常值得关注。
东南大学提出DREvo：5个基准测试全面领先，平均提升16.2%
继2025年6月推过智能体基准评测之后，龙哥又盯上了智能体自演化的“可靠性”痛点。东南大学这篇DREvo，把历史经验当作“过期货”来查保质期，还能自动提炼出下一步修改方向，五个基准全超之前方法，平均提升16.2%，自我进化终于不再原地打转！
零参数推理！QueenVIS用两个辅助头搞定视频实例分割
视频实例分割通常需要昂贵的视频标注和复杂的时序建模，但QueenVIS仅用单帧图像训练就拿到了接近SOTA的结果。它通过两个轻量辅助头把外观和空间先验注入Transformer查询，推理时零参数开销，在长视频上提升10.3 AP，简直是为标注稀缺场景量身打造。方法干净、实用，值得工程团队关注。
图像训练逆袭！QueenVIS视频分割零参数涨10.3 AP
视频实例分割的“天价标注”让人头疼，QueenVIS却告诉你：只用单帧图像训练，效果堪比视频监督！它通过两个超级简单的辅助头（特征预测+中心预测）把外观和空间先验注入查询向量，推理时零开销、零参数增加。在YouTube-VIS长视频上直接飙了10.3 AP，比很多视频监督模型还稳。代码已开源，值得一试！
