DepthDirector通过深度视频引导，实现精确相机控制和一致内容生成。
Dong-Yu Chen, Yixin Guo, Shuojin Yang 等
RAG-3DSG通过重新拍摄和检索增强生成方法，提升了3D场景图的语义一致性和精度，在多个基准测试中表现优异。
Yue Chang, Rufeng Chen, Zhaofan Zhang 等
Fast-ThinkAct通过显式潜在推理实现高效视觉-语言-行动规划，降低89.3%推理延迟。
Chi-Pin Huang, Yunze Man, Zhiding Yu 等
提出语义生命周期框架，结合基础模型提升语义获取、表示与存储能力，显著增强多模态语义处理。
Shuai Chen, Hao Chen, Yuanchen Bei 等
SpatialNav以空间场景图增强零样本导航，R2R成功率57.7%，R2R-CE达64.0%。
Jiwen Zhang, Zejun Li, Siyuan Wang 等
TAGRPO通过直接轨迹对齐提升GRPO在图像到视频生成中的表现，显著提高奖励。
Jin Wang, Jianxiang Lu, Guangzheng Xu 等
Mesh4D是一种基于变分自编码器和扩散模型的单目视频4D网格重建方法，能高效捕捉动态物体的完整形状与运动。
Zeren Jiang, Chuanxia Zheng, Iro Laina 等
DrivoR采用预训练ViT和注册令牌，压缩多摄像头信息，实现端到端自主驾驶，性能优越。
Ellington Kirby, Alexandre Boulch, Yihong Xu 等
提出HuForDet，结合面部与全身分析，采用多模态大模型实现人像伪造检测，达SOTA性能。
Xiao Guo, Jie Zhu, Anil Jain 等
LocalDPO通过局部细节优化提升视频扩散模型的生成质量，在Wan2.1和CogVideoX上表现优异。
Zitong Huang, Kaidong Zhang, Yukang Ding 等
ResTok提出层级残差视觉标记器，提升AR图像生成性能，9步达gFID 2.34。
Xu Zhang, Cheng Da, Huan Yang 等
提出SiT-Bench，基于文本描述评估LLMs空间推理，涵盖3800+题，揭示模型在全局一致性上的“空间差距”。
Zhongbin Guo, Zhen Yang, Yushan Li 等
LTX-2采用非对称双流Transformer架构，结合多模态交叉注意力，实现高效同步音视频生成，参数规模达14B（视频）和5B（音频）。
Yoav HaCohen, Benny Brazowski, Nisan Chiprut 等
VLM4VLA通过少参数微调，将通用VLM转为机器人控制模型，性能优于复杂架构。
Jianke Zhang, Xiaoyu Chen, Qiuyue Wang 等
DGA-Net通过深度提示和图锚引导提升伪装物体检测性能，超越现有方法。
Yuetong Li, Qing Zhang, Yilin Zhao 等
提出ReToK，通过冗余Token填充和层级语义正则化，显著改善灵活图像Tokenizer的生成性能。
Zixuan Fu, Lanqing Guo, Chong Wang 等
提出Fusion-SSAT，通过特征融合提升深伪检测的泛化能力，实验证明优于SOTA方法。
Shukesh Reddy, Srijan Das, Abhijit Das
SpaceTimePilot模型实现动态场景的时空生成渲染，支持独立控制相机视角和运动序列。
Zhening Huang, Hyeonho Jeong, Xuelin Chen 等
PhyGDPO通过物理引导的偏好优化提升文本到视频生成的物理一致性，显著优于现有方法。
Yuanhao Cai, Kunpeng Li, Menglin Jia 等
基于DiT的流匹配模型HY-Motion 1.0，规模突破至十亿参数，实现高精度文本驱动3D人类动作生成。
Yuxin Wen, Qing Shuai, Di Kang 等