提出自我引导的扩散模型方法，利用性能较差的模型提升图像质量，ImageNet生成FID达1.01。

Tero Karras, Miika Aittala, Tuomas Kynkäänniemi 等

SpatialRGPT通过3D场景图和深度融合显著提升VLM的空间推理能力。

An-Chieh Cheng, Hongxu Yin, Yang Fu 等

本论文提出针对空中影像的视觉地点识别（VPR）评估方法，强调地图切片的缩放与重叠优化。

Ivan Moskalenko, Anastasiia Kornilova, Gonzalo Ferrer

Video-MME通过多模态视频评估，涵盖6大领域、900视频，评估多模态大模型性能。

Chaoyou Fu, Yuhan Dai, Yongdong Luo 等

提出CV-VAE，兼容Stable Diffusion图像VAE的连续视频潜空间，提升帧生成能力。

Sijie Zhao, Yong Zhang, Xiaodong Cun 等

EMAG方法通过考虑自运动，提升了手部预测的准确性，在Ego4D和EPIC-Kitchens 55数据集上分别提高了1.7%和7.0%。

Masashi Hatano, Ryo Hachiuma, Hideo Saito

SparseDrive通过稀疏场景表示实现端到端自动驾驶，显著降低碰撞率71.4%。

Wenchao Sun, Xuewu Lin, Yining Shi 等

VideoTree利用树状结构实现长视频的自适应层次表示，提升推理准确率至61.1%。

Ziyang Wang, Shoubin Yu, Elias Stengel-Eskin 等

提出ICTM算法，利用流模型近似MAP，解决高维线性逆问题，性能优于现有流匹配方法。

Yasi Zhang, Peiyu Yu, Yaxuan Zhu 等

T2V-Turbo通过混合奖励反馈突破视频一致性模型的质量瓶颈，4步生成优于50步DDIM。

Jiachen Li, Weixi Feng, Tsu-Jui Fu 等

EffoVPR利用DINOv2自注意力层特征实现零-shot和微调下的高效视觉地点识别，达成SOTA性能。

Issar Tzachor, Boaz Lerner, Matan Levy 等

提出MoSca：基于4D运动脚手架的动态高斯融合系统，能从野外随意单目视频中重建并合成新视角，利用高斯点云优化实现高性能。

Jiahui Lei, Yijia Weng, Adam Harley 等

MambaLLIE通过全局-局部状态空间设计，显著提升低光图像增强性能，PSNR提升至30.12。

Jiangwei Weng, Zhiqiang Yan, Ying Tai 等

LucidPPN通过分离颜色和其他视觉特征，提升了用户对计算机视觉模型的理解。

Mateusz Pach, Dawid Rymarczyk, Koryna Lewandowska 等

FIFO-Diffusion利用预训练扩散模型实现无限长视频生成，无需额外训练。

Jihwan Kim, Junoh Kang, Jinyoung Choi 等

提出结合点云、NeRF等的3D-LLMs，提升空间理解能力。

Xianzheng Ma, Brandon Smart, Yash Bhalgat 等

BoQ采用可学习全局查询，利用交叉注意力提升视觉地点识别性能，超越SOTA，速度快且效率高。

Amar Ali-Bey, Brahim Chaib-draa, Philippe Giguère

该综述以RGB、光流、CNN、RNN与GCN分类视频表示，但未报告统一数据集数值。

Elham Ravanbakhsh, Yongqing Liang, J. Ramanujam 等

提出Diff-IP2D，基于扩散模型同时预测手部轨迹与物体意向，显著优于SOTA方法。

Junyi Ma, Jingyi Xu, Xieyuanli Chen 等

MANTIS通过指令微调提升多图像视觉语言能力，平均提升13点。

Dongfu Jiang, Xuan He, Huaye Zeng 等