通过Chain-of-Steps机制，视频生成模型在扩散去噪步骤中展现推理能力。

Ruisi Wang, Zhongang Cai, Fanyi Pu 等

MessyKitchens通过MOD算法实现了高精度的单目3D场景重建，显著提升了物体间接触的物理合理性。

Junaid Ahmed Ansari, Ran Ding, Fabio Pizzati 等

SegviGen利用3D生成模型进行3D部件分割，仅需0.32%标注数据即可提升40%交互分割性能。

Lin Li, Haoran Feng, Zehuan Huang 等

M^3方法结合多视图基础模型和单目高斯喷射SLAM，实现64.3% ATE RMSE降低。

Kerui Ren, Guanghao Li, Changjian Jiang 等

PKINet-v2结合异向条形卷积与方形核，实现遥感目标检测的多尺度与几何适应，提升效率与精度。

Xinhao Cai, Liulei Li, Gensheng Pei 等

MSRAMIE利用结构化多模态推理提升多指令图像编辑性能，达成15%以上改进。

Zhaoyuan Qiu, Ken Chen, Xiangwei Wang 等

EVPV以视觉前提可靠性门控PRM，在VisualProcessBench达67.46 Macro-F1，显著提升Best-of-8重排。

Junxin Wang, Dai Guan, Weijie Qiu 等

DualPrim通过正负超二次体实现紧凑的3D重建，提升结构表达能力。

Xiaoxu Meng, Zhongmin Chen, Bo Yang 等

提出了一种GPU并行化的可微分最直测地线算法，提升了3D网格学习的效率和准确性。

Hippolyte Verninas, Caner Korkmaz, Stefanos Zafeiriou 等

PUMA模型在动态环境中实现了6.3%的成功率提升，结合历史光流和世界查询。

Heng Fang, Shangru Li, Shuhan Wang 等

GlyphPrinter通过区域分组直接偏好优化提升字形精度，超越现有方法。

Xincheng Shuai, Ziye Li, Henghui Ding 等

Tri-Prompting方法在多视角主体一致性和运动精度上显著优于Phantom和DaS。

Zhenghong Zhou, Xiaohang Zhan, Zhiqin Chen 等

HSImul3R通过物理反馈优化实现稳定的人-场景交互3D重建，显著提升模拟稳定性。

Yukang Cao, Haozhe Xie, Fangzhou Hong 等

FreeTalk是一种情感驱动的3D说话头动画框架，支持任意拓扑结构。

Federico Nocentini, Thomas Besnier, Claudio Ferrari 等

RieMind通过构建几何场景图（3DSG）实现静态室内场景的空间推理，显著优于传统VLM方法，平均提升达16%。

Fernando Ropero, Erkin Turkoz, Daniel Matos 等

提出STALL，无需训练，通过空间-时间似然性检测生成视频，显著优于现有方法。

Omer Ben Hayun, Roy Betser, Meir Yossef Levi 等

VLA-Thinker通过动态图像推理提升视觉-语言-动作模型，在LIBERO上成功率达97.5%。

Chaoyang Wang, Wenrui Bao, Sicheng Gao 等

提出Tucker Adaptation（TuKA）实现多层次导航知识的高阶张量表示，有效支持全日多场景终身VLN。

Xudong Wang, Gan Li, Zhiyu Liu 等

提出RetimeGS，通过显式定义3D高斯的时间行为，有效缓解4D高斯投影中的时间伪影。

Xuezhen Wang, Li Ma, Yulin Shen 等

Visual-ERM通过细粒度视觉奖励提升视觉到代码任务性能，显著超越现有模型。

Ziyu Liu, Shengyuan Ding, Xinyu Fang 等