#计算机视觉

一篇手物交互重建的新论文，4D-HOF 不从噪声生成，而是从基础模型的粗估计出发做流匹配，速度和稳定性都更好。

MEND方法能检测并修正世界模型中的幻觉，AUROC达0.80，定位准确率0.87，提升预测准确性。

有人用 YOLOv8 直接看网页截图来抓钓鱼页面，准确率 92%，一张截图 100 毫秒出结果，思路挺新，做安全检测的可以看看。

手持视频拍糊了也能重建 3D 场景，这篇 ClearGS 靠加权监督加无参考修复，在 GS2E 和 GSOTM 上跑赢了现有方法。

这篇讲怎么用检测器数痘加上整体照片评分来做痤疮分级，模型可解释，还坦白了跨数据集失效的原因，做医疗影像的可以看看。

农业里的数穗数果问题有新解法了：只训 8.4M 参数就能一边数一边标出每个目标位置，零样本跨类别表现还比专门方法好 6%。

单目 RGB 就能算 3D 手部姿态，HO3D 上比 SOTA 准最多 37.1%，做手势交互的可以看代码。

OpenAI发布了GPT-6 Astra，API已开放，在计算机任务和视觉理解上表现优异。

官方一手@OpenAIDevs@OpenAIDevs11 个信源在谈原文

DiffSAC用扩散模型优化采样过程，只需评估几十个假设就能达到传统方法数万个假设的效果，大幅提升计算机视觉鲁棒估计效率。

这篇综述把物理遮挡、传感器级和后期处理这三类人脸去识别方法都串起来了，想入行或找方案的读这篇就够了。

这个AI agent能实时纠正健身动作，还能点视频里的商品，真的挺实用。

Ate-a-Pi@svpino原文

VibrantForests搞了个新框架，用卫星和激光雷达做出全美10米分辨率森林地图，比老模型更准，不饱和不回归均值。

可听声波让YOLO11误判

做计算机视觉研究或关注顶会动态的开发者，可以快速了解斯坦福SAIL实验室的最新工作，找到与自己方向相关的论文。

Stanford AI Lab@StanfordAILab原文

这篇论文点破了多视角目标关联领域的一个常见误区——用排名指标评估分配任务可能得出虚假结论。做多摄像头感知或目标关联的开发者，看完会重新审视自己的模型评估方式，建议点开了解如何用Sinkhorn归一化做压力测试。

做3D重建的团队终于有了一个能自动节省计算资源的特征选择策略——不用再手动调阈值或忍受均匀采样的浪费，直接集成到现有管线就能提升重建精度，值得一试。