提出Scene Language，通过程序、词汇和嵌入描述场景结构、语义和身份，实现无训练推断与高保真场景生成。

Yunzhi Zhang, Zizhang Li, Matt Zhou 等

TIPS结合空间感知，通过合成描述和自监督技术提升图像理解能力。

Kevis-Kokitsi Maninis, Kaifeng Chen, Soham Ghosh 等

DreamVideo-2实现零样本主体驱动视频定制，结合参考注意力与掩码引导运动，无需测试时微调。

Yujie Wei, Shiwei Zhang, Hangjie Yuan 等

提出多场景视觉定位基准MC-Bench，评估多模态大模型在多图环境中的实例定位能力。

Yunqiu Xu, Linchao Zhu, Yi Yang

SANA采用深度压缩自编码器与线性DiT，能在单GPU上高效生成4096×4096图像。

Enze Xie, Junsong Chen, Junyu Chen 等

Mono-InternVL通过嵌入视觉专家和端内视觉预训练，提升单一大模型的多模态能力，性能优于13个基准。

Gen Luo, Xue Yang, Wenhan Dou 等

提出SG-Nav，基于3D场景图的零样本目标导航，SR提升超10%。

Hang Yin, Xiuwei Xu, Zhenyu Wu 等

提出MinorityPrompt，通过在线提示优化提升低概率样本生成能力。

Soobin Um, Jong Chul Ye

IterComp通过多模型偏好采集和迭代反馈提升文本到图像的组合能力，显著优于SOTA方法。

Xinchen Zhang, Ling Yang, Guohao Li 等

ReinDiffuse结合强化学习与扩散模型，生成符合物理规律的人体动作，超越SOTA。

Gaoge Han, Mingjiang Liang, Jinglei Tang 等

DreamMesh4D结合网格与高斯点云，实现单目视频的高质量动态4D重建。

Zhiqi Li, Yiming Chen, Peidong Liu

基于扩散模型的3D目标生成与重建，利用噪声逆转实现高质量多样化输出。

Zhen Wang, Dongyuan Li, Yaozu Wu 等

提出ActiView基准，评估多模态大模型的主动感知能力，涵盖视图转移与缩放，实验显示模型差距明显。

Ziyue Wang, Chi Chen, Fuwen Luo 等

SparseVLM通过文本引导无训练成本地稀疏视觉Token，显著降低VLM计算负担。

Yuan Zhang, Chun-Kai Fan, Junpeng Ma 等

提出Sm机制增强多实例学习中的局部依赖建模，显著提升医学图像定位性能。

Francisco M. Castro-Macías, Pablo Morales-Álvarez, Yunan Wu 等

本研究发现动态稀疏训练（DST）在图像腐蚀鲁棒性方面优于密集训练，尤其在稀疏度10%-50%范围内。

Boqian Wu, Qiao Xiao, Shunxin Wang 等

自解释AI结合注意力机制提升医学图像分析透明度，覆盖200篇论文。

Junlin Hou, Sicen Liu, Yequan Bie 等

LS-HAR结合语言引导骨架和视觉特征，利用Salient Fusion提升施工现场人类动作识别准确率。

Mohammad Mahdavian, Mohammad Loni, Ted Samuelsson 等

Leopard模型解决多图像文本任务，超越Llama-3.2等，使用1.2M开源数据。

Mengzhao Jia, Wenhao Yu, Kaixin Ma 等

提出无训练的概率性猜测雅可比解码（SJD），在文本到图像生成中实现约2倍加速，保持图像质量。

Yao Teng, Han Shi, Xian Liu 等