PixNerd提出端到端像素空间扩散模型，利用神经场实现大块细节建模，达成ImageNet 256×256 FID 2.15。

Shuai Wang, Ziteng Gao, Chenhui Zhu 等

提出Alpha-CLIP和SMS分数优化OV-3DIS，ScanNet200上mAP提升至32.7%。

Sanghun Jung, Jingjing Zheng, Ke Zhang 等

X-Omni结合强化学习，提升离散自回归图像生成质量，实现图像与文本的统一理解与生成。

Zigang Geng, Yibing Wang, Yeyao Ma 等

基于深度学习的内窥镜深度估计，采用单目和立体方法，关键数据集包括合成与真实场景。

Ke Niu, Zeyun Liu, Xue Feng 等

FROSS采用2D场景图升维为3D，利用高斯分布实现实时在线3D语义场景图生成，显著提升速度和效率。

Hao-Yu Hou, Chun-Yi Lee, Motoharu Sonogashira 等

提出RGA3模型，结合STOM和SAM2实现视频中对象的指示与定位，提升多轮交互性能。

Haochen Wang, Qirui Chen, Cilin Yan 等

提出层级化多平台GUI评估框架MMBench-GUI，涵盖内容理解、元素定位、任务自动化与协作。

Xuehui Wang, Zhenyu Wu, JingJing Xie 等

提出DINO-world，基于DINOv2特征预测未来帧，提升视频理解与规划能力。

Federico Baldassarre, Marc Szafraniec, Basile Terver 等

TAGC按图像平均颜色自适应定γ，无需手调即可增强暗光图像。

Ghufran Abualhail Alhamzawi, Ali Saeed Alfoudi, Ali Hakem Alsaeedi 等

NEAT仅更新归一化层，以不到0.01%参数缓解VLM否定理解的双重概念偏移。

Haochen Han, Alex Jinpeng Wang, Fangming Liu 等

提出基于深度估计、相机校准的2D到3D数据提升方法，生成约200万场景，显著提升空间理解性能。

Xingyu Miao, Haoran Duan, Quanhao Qian 等

Ultra3D利用VecSet和Part Attention实现高效高保真3D生成，速度提升6.7倍。

Yiwen Chen, Zhihao Li, Yikai Wang 等

利用EAST+CRNN在Aria眼镜数据中实现环境鲁棒的场景文本识别，CER从0.65降至0.48。

Joseph De Mathia, Carlos Francisco Moreno-García

提出了一种结合稠密深度图的LiDAR-视觉里程计方法，在KITTI数据集上表现优异。

JunYing Huang, Ao Xu, DongSun Yong 等

DUSt3R、MASt3R和VGGT在稀疏航拍图像集上实现了高达50%的点云完整性提升。

Xinyi Wu, Steven Landgraf, Markus Ulrich 等

PositionIC通过BMPDS和可见性注意机制实现高保真图像定制，提升空间精度和身份一致性。

Junjie Hu, Tianyang Han, Kai Ma 等

提出PhysX-3D，通过PhysXNet和PhysXGen实现物理基础的3D资产生成，涵盖五个物理属性维度。

Ziang Cao, Zhaoxi Chen, Liang Pan 等

Dark-EvGS结合事件相机与3D高斯点云实现低光环境下的多视角亮帧重建。

Jingqian Wu, Peiqi Duan, Zongqiang Wang 等

通过上下文和任务感知扩散器实现任务导向的人类抓取合成，显著提升抓取质量。

An-Lun Liu, Yu-Wei Chao, Yi-Ting Chen

提出FOCAL，利用基础模型在推理时实现图像变换的典型视图，从而增强模型鲁棒性。

Utkarsh Singhal, Ryan Feng, Stella X. Yu 等