ForgeDrive通过视觉-动作双向交叉条件生成，在NAVSIM上实现90.3 EPDMS，统一驾驶模拟与规划。
Xuchang Zhong, He Zheng, Chenxu Zhao 等
提出View-PNDF，通过选择性神经元实现多视角胸片报告一致性，显著提升生成质量。
Yucheng Chen, Jinjing Zhu, Yang Yu 等
引入“图灵式标签模仿游戏”框架，通过TTN实现零样本伪标签筛查，提升多模型性能。
Brent A. Griffin, Jason J. Corso
RTSM方法在稀疏标签的域适应目标检测中提升1.7到18.3 AP50。
Lijun Zhang, Ruinian Xu, Mudit Agrawal
提出BrainJanus模型，融合脑、视觉和语言模态，通过离散Token实现多模态理解与生成。
Haitao Wu, Qirui Zhang, Zhouheng Yao 等
VisReflect通过潜在视觉反射提升长视觉上下文中的细粒度感知，图像基准提升4.1%，视频基准提升1.8%。
Xiaoqian Shen, Mohamed Elhoseiny
提出Blind Gap和Visual Gain指标，揭示交通事故视频问答中的视觉依赖问题。
Sena Korkut, María Alejandra Bravo Sarmiento, Sanghwan Kim 等
LatEnt Noise maSk (Lens)通过减少冗余视觉信息提升多模态大语言模型的推理能力，提升了VQA数据集2.4-6.4分。
Kai Jiang, Ruishu Zhu, Siqi Huang 等
InnerZoom通过单次前向传递实现高效准确的GUI定位，显著提升了基准测试成绩。
Chen Liu, Ling Chen, Hanzhang Zhou 等
提出Nemotron-Labs-Diffusion-Image，结合可动态修正的离散掩码扩散模型，提升高分辨率图像生成质量，达成0.90的GenEval评分。
Shufan Li, Greg Heinrich, Hanrong Ye 等
通过冻结OpenVLA策略，使用线性探测器检测视觉分布转移下的故障信号，AUROC达0.972。
Dipesh Tharu Mahato, Rachel Ren
提出MultiDepth-3k基准，使用Laplacian视觉提示(LVP)探讨单目深度模型的几何层偏好，DAv2-L模型在ML-SRA上达到75.5%。
Xiaohao Xu, Feng Xue, Xiang Li 等
MIRROR利用Gromov–Wasserstein正则化，将语言中的关系几何结构迁移到视觉表示中，提升多模态关系推理。
Hong-Han Wang, Yuntao Wang, Hu Ding
提出一种自监督学习框架，仅用八张相位移图像学习次表面散射表示。
Arjun Majumdar, Raphael Braun, Andreas Engelhardt 等
TASKER算法通过任务驱动和场景感知的关键帧提取提升视频理解性能，EgoSchema提高2.0%。
Sunqi Fan, Qingle Liu, Runqi Yin 等
TrafficAlign通过视频合成场景，利用DSL验证，微调LLMs以匹配真实交通分布，提升自动驾驶模型安全性。
Zhi Tu, Liangkun Niu, Tianyi Zhang
提出DLGStream，通过双不透明度和变形场实现高效开放词汇自由视点流媒体，平均帧大小43KB。
Zhihui Ke, Yuyang Liu, Xiaobo Zhou 等
Ground4D结合VGGT几何初始化与动态高斯点云优化，实现单目视频的4D场景重建与高质量新视角合成。
Qing Zhao, Weijian Deng, Pengxu Wei 等
提出CoGS，基于分解的高斯点云方法，提升单目视频中人-物场景重建精度。
Jerrin Bright, John Zelek
Obliviate方法在自回归图像生成中有效删除概念，RAB基准上裸露率从91.58%降至3.15%。
Hossein Shakibania, Jonas Henry Grebe, Tobias Braun 等