提出一种实时大规模场景的无姿态图像即时重建方法，结合快速初始姿态估计与高效高斯原语采样，实现30分钟内完成场景重建，PSNR达21.7dB。

Andreas Meuleman, Ishaan Shah, Alexandre Lanvin 等

提出基于3D伪标签的语义对应学习方法，显著提升SPair-71k性能，超越4%。

Olaf Dünkel, Thomas Wimmer, Christian Theobalt 等

提出PAM模型，结合SAM 2与大语言模型，实现图像视频区域理解，提升速度与效率。

Weifeng Lin, Xinyu Wei, Ruichuan An 等

本方法“Follow-Your-Creation”利用视频修复模型实现单目视频的4D内容生成与编辑，显著提升多视角一致性。

Yue Ma, Kunyu Feng, Xinhua Zhang 等

Struct2D通过感知引导的二维结构化输入，实现无需显式3D输入的空间推理，提升MLLMs性能。

Fangrui Zhu, Hanhui Wang, Yiming Xie 等

提出Contour Errors（CE） ego-centric匹配指标，解决3D多目标追踪中IoU与CPD的局限。

Sharang Kaul, Simon Bultmann, Mario Berk 等

Rex-Thinker通过链式思维推理实现对象指代，提升精度和解释性。

Qing Jiang, Xingyu Chen, Zhaoyang Zeng 等

利用Temporal-RLT框架，通过奖励设计和数据选择提升视频理解效率，显著减少训练数据。

Hongyu Li, Songhao Han, Yue Liao 等

ShapeLLM-Omni利用3D VQVAE实现3D内容理解与生成，构建3D-Alpaca数据集。

Junliang Ye, Zhengyi Wang, Ruowen Zhao 等

提出UMA：基于多层面表面对齐的超细节人体虚拟人建模方法，显著提升4K渲染细节。

Heming Zhu, Guoxing Sun, Christian Theobalt 等

ArtiScene利用图像中介，无需训练，实现基于文本的艺术3D场景生成。

Zeqi Gu, Yin Cui, Zhaoshuo Li 等

TW-GRPO框架通过聚焦思维和密集奖励提升视频推理，CLEVRER准确率达50.4%。

Jisheng Dang, Jingze Wu, Teng Wang 等

提出RT-X Net，利用跨注意力机制融合RGB与热成像信息，显著提升低光照图像质量。

Raman Jha, Adithya Lenka, Mani Ramanagopal 等

提出VG LLM，利用3D视觉几何编码器从视频中学习3D先验，显著提升场景理解与空间推理能力。

Duo Zheng, Shijia Huang, Yanyang Li 等

ScaleLong通过多时间尺度问题设计，评估长视频理解能力，揭示U形性能曲线。

David Ma, Huaqing Yuan, Xingjian Wang 等

提出GenCAD-Self-Repairing，通过扩散引导与自修复提升CAD生成的可行性，从10%提升至65%以上。

Chikaha Tsuji, Enrique Flores Medina, Harshit Gupta 等

LODGE提出基于层级的3D高斯点云快速渲染方法，有效降低GPU内存和计算时间。

Jonas Kulhanek, Marie-Julie Rakotosaona, Fabian Manhardt 等

VScan通过双阶段剪枝策略显著提升大视觉-语言模型的推理速度，保持95.4%的性能。

Ce Zhang, Kaixin Ma, Tianqing Fang 等

EPiC通过遮罩源视频实现高精度锚点视频，无需点云或相机姿态估计，提升3D相机控制效率。

Zun Wang, Jaemin Cho, Jialu Li 等

提出ViewSpatial-Bench，评估多视角空间定位，模型性能提升46.24%。

Dingming Li, Hongxing Li, Zixuan Wang 等