提出ImageNet3D数据集，结合200类物体的2D边界框、3D姿态与位置标注，推动通用对象级3D理解研究。

Wufei Ma, Guanning Zeng, Guofeng Zhang 等

HOT3D数据集提供3D手和物体跟踪的多视角图像和注释，助力研究。

Prithviraj Banerjee, Sindi Shkodrani, Pierre Moulon 等

通过分析60,000个微调扩散模型的权重空间，提出weights2weights子空间，实现模型采样、编辑与反演。

Amil Dravid, Yossi Gandelsman, Kuan-Chieh Wang 等

Depth Anything V2通过合成图像、增强模型容量和大规模伪标签实现更精细鲁棒的单目深度估计。

Lihe Yang, Bingyi Kang, Zilong Huang 等

引入视觉草图板，结合多模态模型的线条、框等绘图工具，显著提升数学和视觉推理性能。

Yushi Hu, Weijia Shi, Xingyu Fu 等

Yo’LLaVA通过引入个性化潜在令牌，实现少样本学习，显著提升个性化视觉与语言理解能力。

Thao Nguyen, Haotian Liu, Yuheng Li 等

OmniTokenizer为图像视频联合编码器，采用空间-时间解耦架构，达成图像视频重建SOTA性能。

Junke Wang, Yi Jiang, Zehuan Yuan 等

提出LVNet框架，结合层级关键帧选择器（HKS）实现长视频问答，处理仅需12帧达最高准确率。

Jongwoo Park, Kanchana Ranasinghe, Kumara Kahatapitiya 等

提出自适应槽注意力（AdaSlot），动态调整对象槽数，提升对象发现性能。

Ke Fan, Zechen Bai, Tianjun Xiao 等

提出EgoExo-Fitness数据集，结合第一人称和第三人称视角，支持全身动作理解与解释。

Yuan-Ming Li, Wei-Jin Huang, An-Lan Wang 等

Real2Code通过图像分割和LLM代码生成，能重建含多达10个关节的复杂关节物体。

Zhao Mandi, Yijia Weng, Dominik Bauer 等

GUIOdyssey数据集和OdysseyAgent模型提升跨应用导航性能。

Quanfeng Lu, Wenqi Shao, Zitao Liu 等

Flash-VStream实现实时长视频流理解，显著降低推理延迟和VRAM消耗。

Haoji Zhang, Yiqin Wang, Yansong Tang 等

LVBench基于长视频理解，评估模型长时记忆与推理能力，数据涵盖六类核心任务。

Weihan Wang, Zehai He, Wenyi Hong 等

Hydra-MDP通过多目标蒸馏结合人类与规则教师，实现端到端多模态路径规划，获Navsim第一。

Zhenxin Li, Kailin Li, Shihao Wang 等

LlamaGen采用纯粹自回归架构，基于图像编码器和Transformer模型，在ImageNet上实现2.18的FID，超越扩散模型。

Peize Sun, Yi Jiang, Shoufa Chen 等

FPN-IAIA-BL模型提高乳腺肿块边缘分类准确性，AUROC达0.88。

Julia Yang, Alina Jade Barnett, Jon Donnelly 等

提出基于扩散模型的地球观测数据增强方法，通过四阶段流程显著提升语义多样性和模型性能。

Tiago Sousa, Benoît Ries, Nicolas Guelfi

提出ShareGPT4Video，通过差异化视频字幕策略实现高质量视频理解与生成，涵盖4万条GPT-4V标注字幕。

Lin Chen, Xilin Wei, Jinsong Li 等

MLVU基准使用长视频（平均15分钟）评估多任务长视频理解，涵盖9类任务，测试23个MLLM模型，揭示性能提升空间。

Junjie Zhou, Yan Shu, Bo Zhao 等