📚 学科: cs.* (计算机科学)
本周亮点：CS 领域聚焦于"规模化"与"跨模态应用"。SPAR 通过特征蒸馏解决了 ViT 高分辨率推理的效率痛点；LCA 展示了 3D 化身领域步入"大模型预训练"时代的潜力，能够处理全球规模人口的多样化特征。EventHub 则为缺乏标注数据的事件相机研究提供了极具价值的合成数据路径。
SPAR: Single-Pass Any-Resolution ViT for Open-vocabulary Segmentation
提出 SPAR 框架，通过特征回归损失将滑动窗口教师模型的空间推理能力蒸馏到单次推理的学生模型中，无需改变架构或像素级监督。在开放词汇分割任务中将基准性能提升了 10.5 mIoU，甚至超越了教师模型。
Large-scale Codec Avatars: The Unreasonable Effectiveness of Large-scale Avatar Pretraining
首次提出 3D 化身建模的"预训练+微调"范式，先在 100 万个野外视频上预训练学习广泛的外观和几何先验，然后在高质量策划数据上进行后训练。LCA 能够处理各种发型、服装和人口特征，同时提供精细的面部表情和手指关节控制。
EventHub: Data Factory for Generalizable Event-Based Stereo Networks
提出 EventHub 框架，利用神经渲染技术从标准彩色图像中导出代理标注和代理事件，无需昂贵的有源传感器提供真值标注。该方法使得事件立体模型获得了前所未有的泛化能力，并显著提升了 RGB 立体基础模型在夜间等挑战性场景下的准确度。
📚 学科: eess.* (工程与系统科学)
本周亮点：EESS 领域的亮点在于 AI 架构对复杂物理信号的处理。GAP-URGENet 通过生成与预测的结合拿下了 URGENT 2026 挑战赛冠军。Transformer 在土木工程健康监测中的成功应用，再次证明了注意力机制在时序建模中的通用性。
GAP-URGENet: A Generative-Predictive Fusion Framework for Universal Speech Enhancement
提出 GAP-URGENet，一种为通用语音增强设计的生成-预测融合框架。集成了一个生成分支（在自监督表示域进行全栈语音恢复）和一个预测分支（进行频谱域增强），并通过后处理模块融合输出。该融合方法显著提高了鲁棒性和感知质量。
Transformer self-attention for Wind Structural Health Monitoring
探讨 Transformer 方法在风致结构响应预测中的应用，为桥梁健康监测提供数字孪生组件。在挪威 Hardanger 大桥的真实数据测试中，该模型在非平稳风场和复杂交通条件下表现出优于传统方法的精度，展示了 Transformer 结构在韧性基础设施管理中的潜力。
📚 学科: astro-ph.* (天体物理)
本周亮点：天文领域本周在观测精度上取得了突破。利用引力透镜技术，研究者得以在 80 亿年前的星系中观察到类银河系特征，这对星系演化理论提出了挑战。超大规模的红巨星星震学目录则为恒星物理提供了扎实的数据支撑。
Milky-Way-like stars in a galaxy core 8 billion years ago
报告了一个已知最小的四重透镜类星体，其透镜星系位于红移 1.055 处。通过贝叶斯分析发现该星系核心的初始质量函数与银河系一致，排除了"底部重"函数。这表明星系核心要么增长缓慢，要么经历了早期破坏性事件改变了恒星构建，挑战了传统观点。
Asteroseismic Diagnostics for 16,000 Red Giants
开发了一套自动化流程，对约 1.6 万颗 Kepler 红巨星进行了星震学诊断，测量了 p 模相移和小频率间隔。这是迄今为止最大的同类同质目录。研究发现 dν02 可以有效区分红群聚星和次级群聚星，而 ε 的测量揭示了恒星演化模型在近表面层建模中的缺陷。
📚 学科: stat.* & q-bio.* (统计与生物信息学)
本周亮点：跨学科研究中，"反事实分析"与"扩散模型"成为关键词。脑科学研究开始从"观测相关性"转向"预测干预结果"。统计学则巧妙利用了扩散模型的数学特性来解决因果发现中的非凸优化难题，思路新颖且实用性强。
Counterfactual Analysis of Brain Network Dynamics
引入统一的反事实因果分析框架，将病理破坏和治疗干预建模为网络流上的能量扰动问题。基于 Hodge 理论，将定向通信分解为耗散和持久成分，从而能够系统地分析当某个路径受损时脑网络如何重新配置，为量化复杂脑系统的韧性、补偿机制和控制能力提供了理论基础。
Smoothing the Landscape: Causal Structure Learning via Diffusion Denoising
证明扩散模型的去噪评分匹配目标可以平滑梯度，从而实现更快、更稳定的收敛。提出 DDCD 框架，利用扩散过程的逆向去噪来推断参数化的因果结构（DAGs），而非生成数据。实验证明其在合成数据和真实世界案例中均具有极具竞争力的性能。