UniGRPO通过GRPO优化文本和图像生成策略，提升推理驱动的视觉生成质量。

Jie Liu, Zilyu Ye, Linxiao Yuan 等

DA-Flow结合扩散模型与卷积特征，显著提升退化视频的光流估计精度。

Jaewon Min, Jaeeun Lee, Yeji Choi 等

WildWorld数据集提供了450多种动作和显式状态注释，支持生成式ARPG的动态世界建模。

Zhen Li, Zian Meng, Shuwei Shi 等

VISOR方法通过稀疏选择视觉语言交互，提升大规模视觉语言模型效率，减少推理成本。

Adrian Bulat, Alberto Baldrati, Ioannis Maniadis Metaxas 等

AgentRVOS通过SAM3和MLLM结合，实现零样本视频对象分割，性能领先。

Woojeong Jin, Jaeho Lee, Heeseong Shin 等

3DCity-LLM通过粗到细特征编码策略提升3D城市级感知与理解，数据集达1.2M样本。

Yiping Chen, Jinpeng Li, Wenyu Ke 等

ABot-PhysWorld：基于扩散变换器的物理对齐机器人操控世界模型，利用三百万操控片段实现物理合理的视频生成。

Yuzhi Chen, Ronghan Chen, Dongjie Huo 等

提出TrajLoom框架，结合Grid-Anchor Offset编码、VAE与Flow匹配，预测81帧未来轨迹，提升稳定性与逼真度。

Zewei Zhang, Jia Jun Cheng Xian, Kaiwen Liu 等

VideoDetective通过结合外部查询和内部相关性，实现长视频理解，提升了VideoMME-long准确率7.5%。

Ruoliu Yang, Chu Wu, Caifeng Shan 等

UNITE通过统一的自编码器实现令牌化和潜在扩散，ImageNet上FID达到2.12。

Shivam Duggal, Xingjian Bai, Zongze Wu 等

DualCoT-VLA通过并行推理实现视觉-语言-动作模型的视觉语言思维链，提升复杂任务的执行效率。

Zhide Zhong, Junfeng Li, Junjie He 等

3D-Layout-R1通过场景图推理实现语言指导的空间布局编辑，IoU提升15%，中心距离误差减少25%。

Haoyu Zhen, Xiaolong Li, Yilin Zhao 等

P-Flow利用测试时优化文本提示，实现无需训练的动态视觉特效定制。

Rui Zhao, Mike Zheng Shou

GeoFusion-CAD通过几何状态空间扩展长序列CAD生成，提升240步命令的准确性。

Xiaolei Zhou, Chuangjie Fang, Jie Wu 等

提出适应性视频蒸馏框架，有效缓解过饱和和时间塌陷问题，提升少步生成质量。

Yuyang You, Yongzhi Li, Jiahui Li 等

提出基于图像条件的强化学习方法，实时调节视觉里程计前端参数，提升轨迹长度和效率。

Simone Nascivera, Leonard Bauersfeld, Jeff Delaune 等

提出预测正则化（PRe）缓解多模态大模型中的视觉表征退化，提升视觉理解能力。

Enguang Wang, Qiang Wang, Yuanchen Wu 等

LumosX通过关系自注意力和跨注意力实现个性化视频生成，提升面部属性对齐。

Jiazheng Xing, Fei Du, Hangjie Yuan 等

VideoSeek通过视频逻辑流主动寻找关键证据，减少93%帧使用，提升LVBench准确率10.2个百分点。

Jingyang Lin, Jialian Wu, Jiang Liu 等

LoD-Loc v3通过实例轮廓对齐，解决密集城市场景中的定位难题，构建了10万图像的合成数据集。

Shuaibang Peng, Juelin Zhu, Xia Li 等