Deep-VRM通过残差注入实现全谱法医信号感知，在GenImage数据集上达到97.42%准确率。
Kaiqing Lin, Zhiyuan Yan, Ruoxin Chen 等
Metis采用分离视频生成与动作预测的Transformer架构，实现高效自主驾驶与城市导航。
Jingyu Li, Zhe Liu, Dongnan Hu 等
提出TAG，将视频转为结构化时间图，利用VLM实现零-shot动作识别，显著优于传统方法。
Bessie Dominguez-Dager, Francisco Gomez-Donoso, Miguel Cazorla 等
提出非均匀时间步调调度策略，有效降低扩散反演误差，提升图像重建与编辑精度。
Shangquan Sun, Ting Gong, Zhirui Liu 等
CausalDrive利用无未来布局条件的实时因果世界模型，实现交互式自主驾驶模拟。
Tianyi Yan, Huan Zheng, Dubing Chen 等
CoMET-Agent在长视频中实现条件多事件时间定位，[email protected]提升6.1%。
Yuanhao Zou, Arthad Kulkarni, Lucas Tonanez 等
引入频谱强制（Spectral Forcing）改善像素空间扩散模型，显著提升ImageNet图像生成质量。
Weichen Fan, Haiwen Diao, Penghao Wu 等
MVEB基准涵盖23任务，评估33模型，揭示多模态视频嵌入的多样性与局限。
Adnan El Assadi, Roman Solomatin, Isaac Chung 等
本研究发现VLM中的少数注意头（凝视头）通过追踪描述区域，提供可控的模型行为干预机制，利用漫画和自然图像验证其因果作用。
Rohit Gandikota, David Bau
提出OmniVideo-100K数据集，结合结构化脚本与证据链，提升音视频推理能力，模型性能提升达20.59%。
Xinyue Cai, Chaoyou Fu, Yi-Fan Zhang 等
提出RATS（寄存器注意力变换器），通过N个可学习寄存器实现无监督的部件结构发现，在五个分割任务中平均提升12个mIoU。
Timing Yang, Predrag Neskovic, Jansen Seheult 等
Instruct-Particulate利用大规模异构数据集和指令控制，结合神经网络实现3D关节结构的高效预测，显著提升泛化能力。
Ruining Li, Yuxin Yao, Matt Zhou 等
Pano3D方法在ScanNet数据集上实现了3D全景分割的最先进性能。
Victor Barberteguy, Ahmet Iscen, Mathilde Caron 等
WAM4D利用空间注册标记实现快速4D世界动作建模，提升空间一致性。
Ying Li, Xiaobao Wei, Jiajun Cao 等
RT-VLA通过多层次蒸馏，将SImLingo模型的驾驶与推理能力压缩成实时高效模型。
Xiangyu Huang, Zhenlin Hua, Han Zhou 等
InterleaveThinker通过多智能体框架实现图像生成的交错序列，利用规划器和批评者提升长序列生成质量。
Dian Zheng, Harry Lee, Manyuan Zhang 等
提出Modality Forcing，通过单一DiT模型实现稀疏深度数据的联合图像-深度生成，深度预测准确率提升57%。
Bardienus Pieter Duisterhof, Deva Ramanan, Jeffrey Ichnowski 等
SpatialClaw采用代码作为行动接口，提升20项空间推理任务的平均准确率至59.9%，超越现有方法11.2个百分点。
Seokju Cho, Ryo Hachiuma, Abhishek Badki 等
Flex4DHuman利用相对相机姿态编码，从单目或稀疏多视角视频生成同步密集多视角视频，无需几何先验，超越现有方法。
Jen-Hao Cheng, Yipeng Wang, Hao Zhang 等
提出一种结合空间和频域的EWSegNet，用于复杂背景下的废弃物分割，显著提升效率和精度。
Mamoona Javaid, Mubashir Noman, Abdul Hannan 等