CONFERENCE ARCHIVE
CVPR 2025
自动驾驶 · 具身智能论文归档
从 483 篇 Oral / Highlight 论文中,收录 257 篇相关研究
本届会议官方站未提供 Highlight 聚合页,该层级数据来自第三方论文聚合平台。
端到端驾驶与规划 6
BEV与占用感知 1
3D检测与多模态融合 46
世界模型 8
VLA与机器人操作 17
人形与运动控制 13
具身导航与空间智能 6
定位与建图 28
仿真数据与评测 16
3D重建与渲染 77
基础模型与部署 39
01
端到端驾驶与规划
6 篇
Highlight面向自动驾驶的持久高效鲁棒轨迹预测攻击:优化驱动多帧扰动框架
Enduring, Efficient and Robust Trajectory Prediction Attack in Autonomous Driving via Optimization-Driven Multi-Frame Perturbation Framework
💡 用激光雷达诱导的多帧优化扰动实现持久轨迹预测攻击
🚗 揭示轨迹预测脆弱性,提升自动驾驶规划安全性评估
Yi Yu · Weizhen Han · Libing Wu 等 6 人
HighlightDiffusionDrive: 截断扩散模型端到端自动驾驶
DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving
💡 多模态锚点加截断扩散实现实时多模驾驶动作生成
🚗 为端到端自动驾驶提供实时多模态轨迹规划新范式
Bencheng Liao · Shaoyu Chen · Haoran Yin 等 11 人
HighlightMPDrive:基于标记提示学习的自动驾驶空间理解改进
MPDrive: Improving Spatial Understanding with Marker-Based Prompt Learning for Autonomous Driving
💡 将空间坐标转为视觉标记提示提升驾驶VQA空间理解
🚗 增强自动驾驶场景多模态大模型的空间感知与推理能力
Zhiyuan Zhang · Xiaofan Li · Zhihao Xu 等 7 人
HighlightDriveGPT4-V2: 利用大语言模型能力增强闭环自动驾驶
DriveGPT4-V2: Harnessing Large Language Model Capabilities for Enhanced Closed-Loop Autonomous Driving
💡 用LLM生成低层控制信号实现闭环端到端驾驶
🚗 推动多模态大模型在闭环端到端自动驾驶控制中的应用
Zhenhua Xu · Yan Bai · Yujia Zhang 等 8 人
Driving by the Rules: A Benchmark for Integrating Traffic Sign Regulations into Vectorized HD Map
💡 构建交通规则与车道关联的HD地图数据集及VLM基线
🚗 为自动驾驶在线地图提供交通规则层提取与关联的数据与模型
Xinyuan Chang · Maixuan Xue · Xinran Liu 等 5 人
HighlightSimLingo:语言-动作对齐的纯视觉闭环自动驾驶
SimLingo: Vision-Only Closed-Loop Autonomous Driving with Language-Action Alignment
💡 统一闭环驾驶、视觉语言理解与语言动作对齐
🚗 提升端到端驾驶的泛化性与可解释性,实现语言与行为一致
Katrin Renz · Long Chen · Elahe Arani 等 4 人
02
BEV与占用感知
1 篇
HighlightBEVDiffuser: 基于真值引导的即插即用扩散模型BEV去噪
BEVDiffuser: Plug-and-Play Diffusion Model for BEV Denoising with Ground-Truth Guidance
💡 用真值布局引导扩散模型去噪BEV特征
🚗 即插即用提升现有BEV模型表征质量,助力自动驾驶感知
Xin Ye · Burhaneddin Yaman · Sheng Cheng 等 6 人
03
3D检测与多模态融合
46 篇
Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather
💡 几何与反射率双分支协作提升恶劣天气LiDAR分割
🚗 提升自动驾驶点云语义分割在恶劣天气下的鲁棒性
Longyu Yang · Ping Hu · Shangbo Yuan 等 7 人
FoundationStereo: Zero-Shot Stereo Matching
💡 大规模合成数据+自筛选与侧调骨干实现零样本立体匹配
🚗 为自动驾驶提供强泛化的零样本双目深度估计能力
Bowen Wen · Matthew Trepte · Oluwaseun Joseph Aribido 等 6 人
Oral具有持久状态的连续3D感知模型
Continuous 3D Perception Model with Persistent State
💡 在线递归状态实现连续度量点图与场景重建
🚗 为在线3D感知与场景重建提供统一流式框架
Qianqian Wang · Yifei Zhang · Aleksander Holynski 等 5 人
TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion
💡 图结构雷达提取与金字塔融合的单阶段雷达相机深度估计
🚗 为自动驾驶实时多传感器融合深度感知提供高效鲁棒方案
Yiran Wang · Jiaqi Li · Chaoyi Hong 等 9 人
Keep the Balance: A Parameter-Efficient Symmetrical Framework for RGB+X Semantic Segmentation
💡 模态感知提示的对称参数高效多模态分割微调框架
🚗 为自动驾驶多模态语义分割提供低算力可迁移的微调方案
Jiaxin Cai · Jingze Su · Qi Li 等 8 人
DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution
💡 用自监督隐式退化表示应对未知退化的盲深度超分
🚗 提升真实传感器退化下深度图质量,利于机器人/驾驶深度感知
Zhengxue Wang · Zhiqiang Yan · Jinshan Pan 等 6 人
Learned Binocular-Encoding Optics for RGBD Imaging Using Joint Stereo and Focus Cues
💡 软硬件协同设计双目光学实现高精度RGBD成像
🚗 为自动驾驶与机器人提供高质量深度感知方案
Yuhui Liu · Liangxun Ou · Qiang Fu 等 6 人
Oral机会式单光子飞行时间
Opportunistic Single-Photon Time of Flight
💡 被动检测环境脉冲激光并同步实现3D定位与深度恢复
🚗 SPAD单光子深度感知技术可迁移至自动驾驶激光雷达与3D传感。
Sotiris Nousias · Mian Wei · Howard Xiao 等 10 人
Oral野外零样本单目场景流估计
Zero-Shot Monocular Scene Flow Estimation in the Wild
💡 联合几何与运动估计实现零样本场景流
🚗 单目场景流可支撑驾驶与机器人动态感知
Yiqing Liang · Abhishek Badki · Hang Su 等 5 人
OralESC-Net
Effective SAM Combination for Open-Vocabulary Semantic Segmentation
💡 单阶段结合SAM解码器实现开放词汇分割
🚗 高效开放词汇分割可迁移至机器人感知与驾驶场景理解。
Minhyeok Lee · Suhwan Cho · Jungho Lee 等 7 人
Highlight面向多样条件下的RAW域目标检测
Towards RAW Object Detection in Diverse Conditions
💡 构建RAW检测数据集并直接在RAW域预训练
🚗 提升复杂光照天气下检测鲁棒性,直接服务自动驾驶感知。
Zhong-Yu Li · Xin Jin · Bo-Yuan Sun 等 5 人
Highlight场景中心的无监督全景分割
Scene-Centric Unsupervised Panoptic Segmentation
💡 用深度与运动线索生成伪标签做无监督全景分割
🚗 降低分割标注依赖,可用于驾驶场景感知与场景理解
Oliver Hahn · Christoph Reich · Nikita Araslanov 等 6 人
HighlightMITracker: 多视角集成的视觉目标跟踪
MITracker: Multi-View Integration for Visual Object Tracking
💡 多视角特征融合的任意目标跟踪方法与数据集
🚗 多相机融合跟踪可提升自动驾驶与机器人遮挡场景感知
Mengjie Xu · Yitao Zhu · Haotian Jiang 等 11 人
HighlightCrossOver: 3D场景跨模态对齐
CrossOver: 3D Scene Cross-Modal Alignment
💡 场景级模态无关嵌入空间实现跨模态对齐
🚗 支持缺失模态下的场景检索与物体定位,利于多传感器场景理解
Sayan Deb Sarkar · Ondrej Miksik · Marc Pollefeys 等 5 人
HighlightFlash3D: 联合硬件-几何局部性的点云Transformer超缩放
Flash3D: Super-scaling Point Transformers through Joint Hardware-Geometry Locality
💡 用完美空间哈希对齐几何局部性与GPU分块加速注意力
🚗 为自动驾驶点云感知提供高效可扩展的骨干网络
Liyan Chen · Gregory P. Meyer · Zaiwei Zhang 等 5 人
HighlightEventPSR: 基于事件相机的光度立体表面法线与反射率估计
EventPSR: Surface Normal and Reflectance Estimation from Photometric Stereo Using an Event Camera
💡 首次用事件相机同时恢复法线与材质反射参数
🚗 为机器人视觉提供高效高动态范围表面几何与材质感知方法
Bohan Yu · Jin Han · Boxin Shi 等 4 人
Highlight基于交互的3D点云自监督预训练方法统一解释
A Unified Approach to Interpreting Self-supervised Pre-training Methods for 3D Point Clouds via Interactions
💡 用博弈论交互统一解释点云自监督预训练机制
🚗 为点云感知模型预训练提供可解释性分析,助力3D感知骨干设计。
Qiang Li · Jian Ruan · Fanghao Wu 等 6 人
HighlightSAMWISE: 为SAM2注入智慧实现文本驱动视频分割
SAMWISE: Infusing Wisdom in SAM2 for Text-Driven Video Segmentation
💡 在SAM2特征提取阶段注入语言理解与时序建模
🚗 流式视频指代分割能力可用于机器人视觉感知与交互
Claudia Cuttano · Gabriele Trivigno · Gabriele Rosi 等 5 人
Highlight基于几何与语义一致性的单样本三维物体规范化
One-shot 3D Object Canonicalization based on Geometric and Semantic Consistency
💡 仅需单参考模型,用LLM/VLM语义线索实现类别级物体朝向规范化
🚗 为机器人操作中的物体位姿估计与抓取提供规范化基础
Li Jin · Yujie Wang · Wenzheng Chen 等 7 人
HighlightWISH: 使用异构标签的弱监督实例分割
WISH: Weakly Supervised Instance Segmentation using Heterogeneous Labels
💡 借SAM提示潜空间统一多种弱标签
🚗 降低标注成本,助力机器人感知实例分割训练
Hyeokjun Kweon · Kuk-Jin Yoon
HighlightChange3D: 从视频建模视角重访变化检测与描述
Change3D: Revisiting Change Detection and Captioning from A Video Modeling Perspective
💡 将双时相图像视作视频并插入可学习感知帧
🚗 统一变化检测与描述框架,可用于场景变化感知
Duowang Zhu · Xiaohu Huang · Haiyan Huang 等 5 人
Highlight从丰富2D视觉场景学习4D全景场景图生成
Learning 4D Panoptic Scene Graph Generation from Rich 2D Visual Scene
💡 用2D标注与4D-LLM端到端生成4D场景图
🚗 为动态场景理解与具身智能体提供4D场景图表示能力
Shengqiong Wu · Hao Fei · Jingkang Yang 等 7 人
Highlightv-CLR: 面向开放世界实例分割的视角一致性学习
v-CLR: View-Consistent Learning for Open-World Instance Segmentation
💡 用纹理变换视图一致性学习外观不变表征
🚗 提升开放世界实例分割鲁棒性,可用于驾驶与机器人感知
Chang-Bin Zhang · Jinhong Ni · Yujie Zhong 等 4 人
HighlightLLMDet: 在大语言模型监督下学习强开放词汇目标检测器
LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models
💡 用LLM生成区域与图像级描述协同训练检测器
🚗 增强开放词汇检测能力,可迁移至驾驶与机器人感知
Shenghao Fu · Qize Yang · Qijie Mo 等 8 人
Highlight任务驱动的可学习融合损失图像融合
Task-driven Image Fusion with Learnable Fusion Loss
💡 用元学习让融合损失由下游任务损失监督
🚗 多传感器融合可面向下游感知任务自适应优化,利于自动驾驶感知
Haowen Bai · Jiangshe Zhang · Zixiang Zhao 等 8 人
HighlightVideo Depth Anything:超长视频的一致深度估计
Video Depth Anything: Consistent Depth Estimation for Super-Long Videos
💡 时空头加时序深度梯度损失实现长视频一致深度
🚗 为自动驾驶与机器人提供长时序一致的单目深度感知能力
Sili Chen · Hengkai Guo · Shengnan Zhu 等 7 人
Highlight跨视角补全模型是零样本对应估计器
Cross-View Completion Models are Zero-shot Correspondence Estimators
💡 揭示Croco-v2交叉注意力图可作稠密几何对应估计
🚗 为多帧深度估计与几何对应提供自监督表征
Honggyu An · Jin Hyeon Kim · Seonghoon Park 等 7 人
HighlightMonSter: 单目深度与双目匹配的互补融合
MonSter: Marry Monodepth to Stereo Unleashes Power
💡 双分支迭代互增强,用单目先验改善病态区域立体匹配
🚗 提升深度估计精度,可用于自动驾驶与机器人的立体感知
Junda Cheng · Longliang Liu · Gangwei Xu 等 10 人
Highlight无先验3D目标跟踪
Prior-free 3D Object Tracking
💡 几何生成与位姿优化双向迭代,无需模型或训练先验
🚗 为机器人/驾驶场景提供无需先验模型的3D目标跟踪与位姿估计
Xiuqiang Song · Li Jin · Zhengxian Zhang 等 7 人
HighlightCH3Depth:基于流匹配的高效灵活深度基础模型
CH3Depth: Efficient and Flexible Depth Foundation Model with Flow Matching
💡 流匹配加非均匀采样实现高效深度估计
🚗 高效时序一致的深度估计,可服务自动驾驶与机器人3D感知。
Jiaqi Li · Yiran Wang · Jinghong Zheng 等 7 人
HighlightMambaVLT:面向视觉语言跟踪的时序演化多模态状态空间模型
MambaVLT: Time-Evolving Multimodal State Space Model for Vision-Language Tracking
💡 用Mamba状态空间演化建模多模态时序跟踪
🚗 多模态时序跟踪能力可迁移至驾驶与机器人感知
Xinqi Liu · Li Zhou · Zikun Zhou 等 5 人
HighlightETAP:基于事件相机的任意点跟踪
ETAP: Event-based Tracking of Any Point
💡 首个事件相机任意点跟踪方法应对高速运动
🚗 事件相机高速跟踪可用于驾驶与机器人动态感知
Friedhelm Hamann · Daniel Gehrig · Filbert Febryanto 等 5 人
Highlight结合事件流与周期聚合的图神经网络用于低延迟事件视觉
Graph Neural Network Combining Event Stream and Periodic Aggregation for Low-Latency Event-based Vision
💡 异步事件图与周期聚合结合,兼顾精度与低延迟
🚗 低延迟事件相机光流可服务驾驶与机器人的实时感知
Manon Dampfhoffer · Thomas Mesquida · Damien Joubert 等 6 人
HighlightLP-Diff:面向真实世界退化车牌图像的恢复
LP-Diff: Towards Improved Restoration of Real-World Degraded License Plate
💡 构建真实配对退化车牌数据集并提出多帧扩散恢复网络
🚗 提升智能交通中远距低质车牌识别,服务自动驾驶感知链路
Haoyan Gong · Zhenrong Zhang · Yuzheng Feng 等 5 人
Highlight文本引导稀疏体素剪枝的高效3D视觉定位
Text-guided Sparse Voxel Pruning for Efficient 3D Visual Grounding
💡 文本引导剪枝与补全式加法实现稀疏卷积3D视觉定位
🚗 为机器人场景理解与语言引导操作提供高效3D定位方法
Wenxuan Guo · Xiuwei Xu · Ziwei Wang 等 6 人
Highlight面向真实QPD图像的全方向视差估计
All-directional Disparity Estimation for Real-world QPD Images
💡 设计光照不变模块与由粗到细的QPD双向视差估计
🚗 为自动驾驶相机提供四象限光电二极管的稠密深度感知能力。
Hongtao Yu · Shaohui Song · Lihu Sun 等 6 人
HighlightUniCD: 面向检测的红外非均匀性校正联合框架
Detection-Friendly Nonuniformity Correction: A Union Framework for Infrared UAV Target Detection
💡 将红外非均匀性校正与目标检测端到端联合优化
🚗 提升红外成像质量与目标检测,可迁移至夜间/热成像感知
Houzhang Fang · Xiaolin Wang · Zengyang Li 等 7 人
HighlightMamba作为桥梁:视觉基础模型与视觉语言模型在域泛化语义分割中的融合
Mamba as a Bridge: Where Vision Foundation Models Meet Vision Language Models for Domain-Generalized Semantic Segmentation
💡 用Mamba高效融合VFM与VLM特征做域泛化分割
🚗 提升跨域语义分割鲁棒性,可用于驾驶场景感知的域泛化。
Xin Zhang · Robby T. Tan
HighlightCubify Anything:扩展室内3D物体检测
Cubify Anything: Scaling Indoor 3D Object Detection
💡 大规模室内3D检测数据集与纯Transformer 2D特征直接预测3D框
🚗 室内3D检测数据与模型可迁移至机器人操作与具身场景感知
Justin Lazarow · David Griffiths · Gefen Kohavi 等 5 人
HighlightEv-3DOD: 用事件相机突破3D目标检测的时间边界
Ev-3DOD: Pushing the Temporal Boundaries of 3D Object Detection with Event Cameras
💡 首次将异步事件相机引入3D目标检测
🚗 利用事件相机高时间分辨率实现高速低延迟3D检测,服务自动驾驶感知
Hoonhee Cho · Jae-Young Kang · Youngho Kim 等 4 人
HighlightSeurat: 从运动点到深度
Seurat: From Moving Points to Depth
💡 利用跟踪2D轨迹的时空演化推断相对深度
🚗 为自动驾驶与机器人提供单目视频深度估计新思路
Seokju Cho · Jiahui Huang · Seungryong Kim 等 4 人
HighlightSP3D:基于跨模态语义提示的稀疏监督3D目标检测
SP3D: Boosting Sparsely-Supervised 3D Object Detection via Accurate Cross-Modal Semantic Prompts
💡 用LMM跨模态语义提示生成伪标签提升稀疏监督3D检测
🚗 降低3D检测标注依赖,直接服务于自动驾驶感知。
Shijia Zhao · Qiming Xia · Xusheng Guo 等 8 人
Highlight面向统一稀疏监督3D目标检测的类别原型学习
Learning Class Prototypes for Unified Sparse-Supervised 3D Object Detection
💡 用类别原型与最优传输挖掘未标注目标
🚗 室内外统一稀疏监督3D检测,服务具身感知
Yun Zhu · Le Hui · Hang Yang 等 6 人
Highlight事件光场:高速、高分辨率、高动态范围的光场捕捉
Event Fields: Capturing Light Fields at High Speed, Resolution, and Dynamic Range
💡 用事件相机与光学设计捕捉高速光场
🚗 为高速视觉感知提供新型成像范式,可启发驾驶/机器人高速传感器设计
Ziyuan Qu · Zihao Zou · Vivek Boominathan 等 5 人
HighlightCRISP:带测试时自适应的物体位姿与形状估计
CRISP: Object Pose and Shape Estimation with Test-Time Adaptation
💡 类别无关位姿形状估计加测试时自适应校正
🚗 提升跨域物体位姿与形状估计,服务机器人抓取与操作
Jingnan Shi · Rajat Talak · Harry Zhang 等 5 人
HighlightSonata: 可靠点云表征的自监督学习
Sonata: Self-Supervised Learning of Reliable Point Representations
💡 用遮蔽空间信息与自蒸馏学习点云表征
🚗 为自动驾驶点云感知提供强泛化的自监督预训练表征
Xiaoyang Wu · Daniel DeTone · Duncan Frost 等 10 人
04
世界模型
8 篇
Motion Prompting: Controlling Video Generation with Motion Trajectories
💡 以稀疏或稠密运动轨迹作为视频生成条件
🚗 运动可控视频生成可支撑世界模型与机器人动作预测
Daniel Geng · Charles Herrmann · Junhwa Hur 等 13 人
Go-with-the-Flow: Motion-Controllable Video Diffusion Models Using Real-Time Warped Noise
💡 用光流扭曲噪声实现实时运动可控视频生成
🚗 运动可控视频生成技术可用于驾驶/机器人世界模型与仿真
Ryan Burgert · Yuancheng Xu · Wenqi Xian 等 13 人
Oral基于槽对比的时序一致物体中心学习
Temporally Consistent Object-Centric Learning by Contrasting Slots
💡 物体级时序对比损失提升槽表征时序一致性
🚗 为具身智能体提供时序一致的物体中心表征与动力学预测
Anna Manasyan · Maximilian Seitzer · Filip Radovic 等 5 人
Oral利用动态刺激神经表征重激活图像
Reanimating Images using Neural Representations of Dynamic Stimuli
💡 用视频扩散模型解耦静态图像与运动生成
🚗 为具身智能体动态视觉与光流理解提供新思路
Jacob Yeung · Andrew Luo · Gabriel Sarch 等 6 人
Oral导航世界模型(NWM)
Navigation World Models
💡 可控视频扩散Transformer预测导航动作下的未来观测
🚗 以视频世界模型做导航规划,直接服务具身导航与机器人决策。
Amir Bar · Gaoyue Zhou · Danny Tran 等 5 人
HighlightGEN3C: 具有精确相机控制的3D感知世界一致性视频生成
GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control
💡 用3D点云缓存引导视频生成实现精确相机控制
🚗 为驾驶/机器人世界模型提供可控且时序一致的视频预测能力
Xuanchi Ren · Tianchang Shen · Jiahui Huang 等 10 人
HighlightFIction:从视频预测4D未来交互
FIction: 4D Future Interaction Prediction from Video
💡 从视频预测人物未来交互对象、3D位置与姿态
🚗 4D人-物交互预测可支撑具身智能体的行为预测与规划
Kumar Ashutosh · Georgios Pavlakos · Kristen Grauman
Highlight显式3D建模的世界一致视频扩散
World-consistent Video Diffusion with Explicit 3D Modeling
💡 联合RGB与XYZ扩散实现3D一致视频生成
🚗 可生成3D一致视频与多视角,服务世界模型与仿真
Qihang Zhang · Shuangfei Zhai · Miguel Ángel Bautista Martin 等 7 人
05
VLA与机器人操作
17 篇
EgoLM: Multi-Modal Language Model of Egocentric Motions
💡 融合第一人称视频与运动传感器的运动语言大模型
🚗 为可穿戴与具身设备提供运动理解与生成框架
Fangzhou Hong · Vladimir Guzov · Hyo Jin Kim 等 7 人
From Multimodal LLMs to Generalist Embodied Agents: Methods and Lessons
💡 用多具身动作分词器将MLLM统一适配为通用具身智能体
🚗 为跨域具身智能体的多模态大模型训练与在线强化学习提供范式
Andrew Szot · Bogdan Mazoure · Omar Attia 等 9 人
PDFactor: Learning Tri-Perspective View Policy Diffusion Field for Multi-Task Robotic Manipulation
💡 用三平面混合表征建模6-DoF动作概率扩散场
🚗 提升机器人多任务操作的精度与效率,服务具身操作
Jingyi Tian · Le Wang · Sanping Zhou 等 7 人
RoboSpatial: Teaching Spatial Understanding to 2D and 3D Vision-Language Models for Robotics
💡 构建机器人空间理解数据集与训练方法
🚗 增强机器人VLM的空间推理与参考系理解能力
Chan Hee Song · Valts Blukis · Jonathan Tremblay 等 6 人
InteractAnything: Zero-shot Human Object Interaction Synthesis via LLM Feedback and Object Affordance Parsing
💡 零样本生成开放集人-物交互3D姿态
🚗 为机器人抓取与操作提供零样本可供性解析与交互姿态生成能力
Jinlu Zhang · Yixin Chen · Zan Wang 等 6 人
HighlightSkillMimic:从示范中学习篮球交互技能
SkillMimic: Learning Basketball Interaction Skills from Demonstrations
💡 数据驱动模仿人球运动学习多样交互技能
🚗 提供人-物交互技能学习与强化学习控制方法,可迁移至机器人操作。
Yinhuai Wang · Qihan Zhao · Runyi Yu 等 13 人
HighlightCAP-Net:单张RGB-D图像的类别级铰接部件6D位姿与尺寸估计
CAP-Net: A Unified Network for 6D Pose and Size Estimation of Categorical Articulated Parts from a Single RGB-D Image
💡 单阶段统一网络端到端估计铰接部件6D位姿与尺寸
🚗 为机器人操作铰接物体提供类别级位姿估计与新基准数据集。
Jingshun Huang · Haitao Lin · Tianyu Wang 等 6 人
HighlightManiVideo:生成灵巧且可泛化抓取的手-物操作视频
ManiVideo: Generating Hand-Object Manipulation Video with Dexterous and Generalizable Grasping
💡 多层遮挡表示学习手物3D遮挡关系生成操作视频
🚗 为机器人灵巧操作提供可泛化的手物交互视频生成与数据增强能力
Youxin Pang · Ruizhi Shao · Jiajun Zhang 等 8 人
Highlight从第一视角视频的动作描述生成六自由度物体操作轨迹
Generating 6DoF Object Manipulation Trajectories from Action Description in Egocentric Vision
💡 利用大规模内外视角视频提取操作轨迹并训练轨迹生成模型
🚗 为机器人操作提供可扩展的6DoF轨迹生成与模仿学习数据
Tomoya Yoshida · Shuhei Kurita · Taichi Nishimura 等 4 人
HighlightOmniManip:以物体为中心交互基元作为空间约束的通用机器人操作
OmniManip: Towards General Robotic Manipulation via Object-Centric Interaction Primitives as Spatial Constraints
💡 用物体规范空间交互基元桥接VLM推理与精细操作
🚗 为机器人操作提供VLM到低层动作的空间约束表示,推动通用操作
Mingjie Pan · Jiyao Zhang · Tianshu Wu 等 6 人
Highlight我该怎么做? 为日常交互合成3D手部运动与接触
How Do I Do That? Synthesizing 3D Hand Motion and Contacts for Everyday Interactions
💡 用交互码本与预测器从单视图生成手部运动与接触轨迹
🚗 为机器人操作与手物交互提供3D手部运动与接触预测能力
Aditya Prakash · Benjamin Lundell · Dmitry Andreychuk 等 6 人
Highlight基于图编码的端到端人-物交互重建Transformer
End-to-End HOI Reconstruction Transformer with Graph-based Encoding
💡 用自注意力与图残差块隐式建模人-物交互重建
🚗 为机器人操作中的人-物交互与接触重建提供方法
Zhenrong Wang · Qi Zheng · Sihan Ma 等 6 人
Highlight基于可微支撑函数的形状抽象
Shape Abstraction via Marching Differentiable Support Functions
💡 用可微支撑函数表示凸形状并支持接触特征
🚗 为机器人抓取与接触操作提供可微的形状抽象与接触几何表示。
Sunkyung Park · Jeongmin Lee · Dongjun Lee
HighlightDexGrasp Anything:面向通用机器人灵巧抓取的物理感知方法
DexGrasp Anything: Towards Universal Robotic Dexterous Grasping with Physics Awareness
💡 将物理约束融入扩散模型训练与采样生成灵巧抓取姿态
🚗 提升通用灵巧抓取质量并开源大规模抓取数据集,直接服务机器人操作。
Yiming Zhong · Qi Jiang · Jingyi Yu 等 4 人
Highlight基于预测循环一致性的自监督跨视角对应
Self-Supervised Cross-View Correspondence with Predictive Cycle Consistency
💡 用预测循环一致性从原始分割自举跨视角物体对应伪标签
🚗 为机器人模仿学习与多视角场景提供跨视角对应学习能力
Alan Baade · Changan Chen
HighlightRoboPEPP:基于嵌入预测预训练的视觉机器人位姿与关节角估计
RoboPEPP: Vision-Based Robot Pose and Joint Angle Estimation through Embedding Predictive Pre-Training
💡 用掩码自监督嵌入预测融合机器人物理模型
🚗 提升遮挡下机器人位姿与关节角估计,服务协作机器人与具身操作
Raktim Gautam Goswami · Prashanth Krishnamurthy · Yann LeCun 等 4 人
HighlightCheckManual: 基于说明书的家电操作新挑战与基准
CheckManual: A New Challenge and Benchmark for Manual-based Appliance Manipulation
💡 首个基于多页说明书的家电操作基准与数据生成流程
🚗 推动机器人理解说明书完成复杂家电操作任务
Yuxing Long · Jiyao Zhang · Mingjie Pan 等 6 人
06
人形与运动控制
13 篇
TokenHSI: Unified Synthesis of Physical Human-Scene Interactions through Task Tokenization
💡 用共享本体token与任务token掩码统一多技能控制
🚗 统一人形控制器实现多技能人-场景交互
Liang Pan · Zeshi Yang · Zhiyang Dou 等 8 人
GROVE: A Generalized Reward for Learning Open-Vocabulary Physical Skill
💡 结合LLM约束与VLM评估的通用奖励框架
🚗 为具身智能体技能学习提供可扩展奖励设计
Jieming Cui · Tengyu Liu · Ziyu Meng 等 8 人
HighlightEgoAllo: 自我感知世界中的身体与手部运动估计
Estimating Body and Hand Motion in an Ego-sensed World
💡 用头显SLAM位姿与图像扩散估计全身与手部动作
🚗 为头显/机器人第一视角人体动作捕捉与遥操作提供方法
Brent Yi · Vickie Ye · Maya Zheng 等 9 人
Highlight用2D扩散将运动提升到3D世界
Lifting Motion to the 3D World via 2D Diffusion
💡 仅用2D姿态序列训练预测全局3D运动
🚗 可从2D观测恢复全局3D人体/动物运动,助力机器人动作理解与运动生成。
Jiaman Li · C. Karen Liu · Jiajun Wu
HighlightEnergyMoGen: 基于能量扩散模型的潜空间组合式人体运动生成
EnergyMoGen: Compositional Human Motion Generation with Energy-Based Diffusion Model in Latent Space
💡 用能量扩散模型在潜空间组合多语义生成人体动作
🚗 可生成组合式人体运动,服务人形机器人与具身动作生成
Jianrong Zhang · Hehe Fan · Yi Yang
HighlightClimbingCap:世界坐标系下攀岩运动的多模态数据集与方法
ClimbingCap: Multi-Modal Dataset and Method for Rock Climbing in World Coordinate
💡 构建大规模攀岩多模态数据集并提出全局人体运动恢复方法
🚗 多模态全局人体运动捕捉与位姿估计能力可迁移至人形机器人与具身运动研究。
Ming Yan · Xincheng Lin · Yuhua Luo 等 12 人
HighlightUMotion: 不确定性驱动的IMU与UWB人体运动估计
UMotion: Uncertainty-driven Human Motion Estimation from Inertial and Ultra-wideband Units
💡 融合IMU与UWB不确定性在线估计人体姿态
🚗 多传感器紧耦合状态估计方法可迁移至机器人位姿与运动估计
Huakun Liu · Hiroki Ota · Xin Wei 等 7 人
HighlightH-MoRe: 面向动作分析的人本运动表示学习
H-MoRe: Learning Human-centric Motion Representation for Action Analysis
💡 自监督学习人体运动的世界-局部流表示
🚗 人体运动表示可迁移至人形机器人与具身动作理解
Zhanbo Huang · Xiaoming Liu · Yu Kong
HighlightALIEN: 任意延迟下人体运动预测的隐式神经表示
ALIEN: Implicit Neural Representations for Human Motion Prediction under Arbitrary Latency
💡 用隐式神经表示与线性注意力实现任意延迟运动预测
🚗 为机器人/具身系统的人体运动预测与实时控制提供高效方法
Dong Wei · Xiaoning Sun · Xizhan Gao 等 5 人
HighlightHSI-GPT: 面向人体场景交互的通用大场景-动作-语言模型
HSI-GPT: A General-Purpose Large Scene-Motion-Language Model for Human Scene Interaction
💡 用LLM下一token预测统一场景-动作-语言的人体交互生成
🚗 语言条件的人-场景交互生成可支撑具身智能体动作生成与仿真
Yuan Wang · Yali Li · Xiang Li 等 4 人
HighlightInterMimic:面向物理仿真人-物交互的通用全身控制
InterMimic: Towards Universal Whole-Body Control for Physics-Based Human-Object Interactions
💡 课程式策略从含噪动捕数据学习全身人-物交互控制
🚗 为人形机器人全身控制与物体交互提供可迁移的物理仿真策略。
Sirui Xu · Hung Yu Ling · Yu-Xiong Wang 等 4 人
HighlightMotionPRO:探索压力在人体动作捕捉中的作用
MotionPRO: Exploring the Role of Pressure in Human MoCap and Beyond
💡 构建含压力信号的大规模人体动作捕捉数据集
🚗 提升人形机器人与虚拟人动作的物理合理性,服务具身运动控制
Shenghao Ren · Yi Lu · Jiayi Huang 等 8 人
HighlightFRAME:基于地面对齐表征的第一视角视频虚拟人动作
FRAME: Floor-aligned Representation for Avatar Motion from Egocentric Video
💡 地面对齐表征从第一视角视频重建全身动作
🚗 为VR/AR与具身智能体提供第一视角人体运动捕捉能力
Andrea Boscolo Camiletto · Jian Wang · Eduardo Alvarado 等 7 人
08
定位与建图
28 篇
Descriptor-In-Pixel : Point-Feature Tracking For Pixel Processor Arrays
💡 在像素处理器内并行完成特征检测与描述子跟踪
🚗 为低功耗嵌入式视觉提供片上特征跟踪方案
Laurie Bose · Piotr Dudek · Jianing Chen
VGGT: Visual Geometry Grounded Transformer
💡 前馈网络直接回归相机位姿、深度与点云
🚗 统一多视图几何重建,服务SLAM与3D感知
Jianyuan Wang · Minghao Chen · Nikita Karaev 等 6 人
MegaSaM: Accurate, Fast and Robust Structure and Motion from Casual Dynamic Videos
💡 改进深度视觉SLAM以处理动态场景与未知相机
🚗 为动态场景SLAM与相机位姿深度估计提供鲁棒方案
Zhengqi Li · Richard Tucker · Forrester Cole 等 9 人
Convex Relaxation for Robust Vanishing Point Estimation in Manhattan World
💡 用凸松弛联合求解消失点位置与线关联
🚗 为视觉定位与相机标定提供高效全局最优估计
Bangyan Liao · Zhenjun Zhao · Haoang Li 等 7 人
Camera Resection from Known Line Pencils and a Radially Distorted Scanline
💡 利用单条畸变扫描线与线束的闭式绝对位姿求解器
🚗 为标定与定位提供带畸变的相机绝对位姿几何求解方法,可用于SLAM与传感器标定。
Juan Carlos Dibene Simental · Enrique Dunn
Gromov–Wasserstein Problem with Cyclic Symmetry
💡 利用循环对称加速GW匹配算法
🚗 可加速点云配准与3D重建中的对应匹配
Shoichiro Takeda · Yasunori Akagi
HighlightSSHNet: 通过问题重构与拆分优化的无监督跨模态单应性估计
SSHNet: Unsupervised Cross-modal Homography Estimation via Problem Reformulation and Split Optimization
💡 将无监督跨模态单应估计拆分为两个监督子问题
🚗 跨模态图像配准可用于多传感器融合与视觉定位
Junchen Yu · Si-Yuan Cao · Runmin Zhang 等 8 人
HighlightMUSt3R: 多视图立体三维重建网络
MUSt3R: Multi-view Network for Stereo 3D Reconstruction
💡 将DUSt3R从双视图扩展到多视图直接预测三维结构
🚗 无标定多视图重建可用于SLAM与场景几何感知
Yohann Cabon · Lucas Stoffl · Leonid Antsfeld 等 7 人
Highlight面向相对位姿估计的结构感知对应学习
Structure-Aware Correspondence Learning for Relative Pose Estimation
💡 用结构感知关键点与对应估计实现物体无关位姿估计
🚗 为机器人抓取与操作提供物体无关的六自由度位姿估计
Yihan Chen · Wenfei Yang · Huan Ren 等 6 人
HighlightMASt3R-SLAM: 基于三维重建先验的实时稠密SLAM
MASt3R-SLAM: Real-Time Dense SLAM with 3D Reconstruction Priors
💡 基于MASt3R先验构建实时单目稠密SLAM系统
🚗 为机器人提供无标定假设的实时稠密定位与建图
Riku Murai · Eric Dexheimer · Andrew J. Davison
Highlight生成式视频模型能帮助位姿估计吗?
Can Generative Video Models Help Pose Estimation?
💡 用视频模型幻觉中间帧辅助稀疏视角位姿估计
🚗 为机器人/驾驶中低重叠视角的位姿估计提供新思路
Ruojin Cai · Jason Y. Zhang · Philipp Henzler 等 6 人
HighlightSLAM3R: 单目RGB视频实时稠密场景重建
SLAM3R: Real-Time Dense Scene Reconstruction from Monocular RGB Videos
💡 前馈网络直接回归点图并全局对齐,无需显式相机参数
🚗 实时稠密SLAM重建可用于机器人导航与具身场景理解
Yuzheng Liu · Siyan Dong · Shuzhe Wang 等 7 人
HighlightUGP: 释放LiDAR点云配准的泛化能力
Unlocking Generalization Power in LiDAR Point Cloud Registration
💡 去除交叉注意力并引入渐进自注意力与BEV语义
🚗 提升自动驾驶LiDAR点云配准跨距离跨数据集泛化能力
Zhenxuan Zeng · Qiao Wu · Xiyu Zhang 等 8 人
Highlight全局SfM中离群边过滤学习
Learning to Filter Outlier Edges in Global SfM
💡 用Transformer在对偶线图上分类过滤错误相对位姿边
🚗 提升大规模SfM相机位姿估计鲁棒性,服务SLAM与建图
Nicole Damblon · Marc Pollefeys · Daniel Barath
HighlightDoppelgangers++: 基于几何3D特征的视觉消歧改进
Doppelgangers++: Improved Visual Disambiguation with Geometric 3D Features
💡 用MASt3R的3D感知特征训练Transformer检测视觉歧义
🚗 提升SfM与3D重建鲁棒性,直接服务于SLAM与定位
Yuanbo Xiangli · Ruojin Cai · Hanyu Chen 等 5 人
Highlight事件相机的全自由度自运动估计几何求解器
Full-DoF Egomotion Estimation for Event Cameras Using Geometric Solvers
💡 无需IMU先验,用线段事件流统一求解旋转与平移速度
🚗 为事件相机提供全自由度自运动估计,可用于高速机器人/驾驶定位。
Ji Zhao · Banglei Guan · Zibin Liu 等 4 人
Highlight非参数相机模型的运动恢复结构
Structure-from-Motion with a Non-Parametric Camera Model
💡 自标定非参数相机模型的SfM流程
🚗 提升鱼眼等非常规相机的SfM精度,可用于自动驾驶与机器人定位建图。
Yihan Wang · Linfei Pan · Marc Pollefeys 等 4 人
HighlightBADGR:梯度条件化的光束法平差扩散模型用于宽基线平面图重建
BADGR: Bundle Adjustment Diffusion Conditioned by Gradients for Wide-Baseline Floor Plan Reconstruction
💡 扩散模型结合LM优化器梯度同时优化相机位姿与平面布局
🚗 宽基线全景位姿估计与布局重建可迁移至室内机器人建图与定位。
Yuguang Li · Ivaylo Boyadzhiev · Zixuan Liu 等 5 人
HighlightMATCHA:迈向匹配一切
MATCHA: Towards Matching Anything
💡 融合语义与几何特征的统一对应匹配模型
🚗 通用匹配能力支撑SfM、位姿估计与机器人感知
Fei Xue · Sven Elflein · Laura Leal-Taixé 等 4 人
Highlight一阶卷帘快门相机
Order-One Rolling Shutter Cameras
💡 统一的一阶卷帘快门相机相对位姿理论
🚗 卷帘快门位姿估计提升视觉里程计与SLAM精度
Marvin Anas Hahn · Kathlén Kohn · Orlando Marigliano 等 4 人
HighlightHaWoR:从第一视角视频重建世界坐标系手部运动
HaWoR: World-Space Hand Motion Reconstruction from Egocentric Videos
💡 解耦手部与相机轨迹的自适应第一视角SLAM
🚗 世界坐标系手部运动重建,可用于第一视角机器人操作与模仿学习
Jinglei Zhang · Jiankang Deng · Chao Ma 等 4 人
Highlight基于单目深度先验仿射校正的相对位姿估计
Relative Pose Estimation through Affine Corrections of Monocular Depth Priors
💡 显式建模尺度与平移仿射歧义的相对位姿求解器
🚗 提升SLAM与多视图几何中基于单目深度的位姿估计精度。
Yifan Yu · Shaohui Liu · Rémi Pautrat 等 5 人
HighlightAlign3R: 动态视频的对齐单目深度估计
Align3R: Aligned Monocular Depth Estimation for Dynamic Videos
💡 用DUSt3R对齐多帧单目深度并联合优化位姿
🚗 为动态场景提供时序一致深度与相机位姿,可用于驾驶感知与重建
Jiahao Lu · Tianyu Huang · Peng Li 等 10 人
HighlightLight3R-SfM: 前馈式结构光运动重建
Light3R-SfM: Towards Feed-forward Structure-from-Motion
💡 用可学习注意力替代全局优化实现前馈SfM
🚗 高效大规模位姿估计与稀疏重建,可支撑SLAM与场景建图
Sven Elflein · Qunjie Zhou · Laura Leal-Taixé
HighlightIncEventGS:单事件相机的无位姿高斯泼溅
IncEventGS: Pose-Free Gaussian Splatting from a Single Event Camera
💡 结合SLAM跟踪建图范式的单事件相机增量高斯重建
🚗 事件相机SLAM与重建对机器人低延迟定位建图有直接价值
Jian Huang · Chengrui Dong · Xuanhua Chen 等 4 人
HighlightForestLPR: 基于多BEV密度图像的森林LiDAR地点识别
ForestLPR: LiDAR Place Recognition in Forests Attentioning Multiple BEV Density Images
💡 用多高度BEV密度切片与Transformer做LiDAR地点识别
🚗 面向自然环境的LiDAR全局定位方法,可支撑户外机器人定位与建图
Yanqing Shen · Turcan Tuna · Marco Hutter 等 5 人
Highlight图像到点云配准的隐式对应学习
Implicit Correspondence Learning for Image-to-Point Cloud Registration
💡 几何先验引导的跨模态隐式对应学习配准
🚗 提升相机与点云跨模态配准精度,服务定位与多传感器融合
Xinjun Li · Wenfei Yang · Jiacheng Deng 等 6 人
HighlightEBS-EKF:高精度高频事件相机星跟踪
EBS-EKF: Accurate and High Frequency Event-based Star Tracking
💡 基于事件相机电路建模与扩展卡尔曼滤波的星跟踪算法
🚗 事件相机+EKF状态估计可用于低延迟高精度位姿/定位,契合SLAM与定位方向。
Albert W. Reed · Connor Hashemi · Dennis Melamed 等 6 人
09
仿真数据与评测
16 篇
Closed-Loop Supervised Fine-Tuning of Tokenized Traffic Models
💡 用CAT-K rollout闭环微调缓解协变量偏移
🚗 提升交通仿真策略闭环保真度,服务驾驶仿真与规划
Zhejun Zhang · Peter Karkus · Maximilian Igl 等 7 人
HighlightImagineFSL:想象基集上的自监督预训练用于VLM少样本学习
ImagineFSL: Self-Supervised Pretraining Matters on Imagined Base Set for VLM-based Few-shot Learning
💡 将合成图像作为想象基集进行预训练
🚗 用合成数据缓解数据稀缺,可支撑驾驶/机器人少样本感知适配。
Haoyuan Yang · Xiaoou Li · Jiaming Lv 等 6 人
HighlightCOUNTS: 分布偏移下的目标检测与多模态大模型基准
COUNTS: Benchmarking Object Detectors and Multimodal Large Language Models under Distribution Shifts
💡 构建14种分布偏移的大规模目标检测OOD基准
🚗 为自动驾驶感知的鲁棒性与OOD泛化评测提供数据集
Jiansheng Li · Xingxuan Zhang · Hao Zou 等 9 人
Highlight场景语言: 用程序、词与嵌入表示场景
The Scene Language: Representing Scenes with Programs, Words, and Embeddings
💡 用程序+词+嵌入统一表示并生成3D/4D场景
🚗 可用于驾驶或机器人仿真环境的自动化场景生成
Yunzhi Zhang · Zizhang Li · Matt Zhou 等 5 人
Highlight面向自主微出行的大规模城市仿真
Towards Autonomous Micromobility through Scalable Urban Simulation
💡 构建可扩展城市仿真平台URBAN-SIM训练具身智能体
🚗 为城市微出行机器人与具身导航提供大规模仿真训练环境
Wayne Wu · Honglin He · Chaoyuan Zhang 等 8 人
HighlightHOT3D:第一视角多视角视频手物3D跟踪数据集
HOT3D: Hand and Object Tracking in 3D from Egocentric Multi-View Videos
💡 大规模第一视角多视角手物3D跟踪数据集
🚗 为机器人操作与手物交互感知提供数据与基准
Prithviraj Banerjee · Sindi Shkodrani · Pierre Moulon 等 14 人
HighlightHumanRig: 大规模数据集中的人形角色自动绑定学习
HumanRig: Learning Automatic Rigging for Humanoid Character in a Large Scale Dataset
💡 首个大规模人形绑定数据集与自动骨骼绑定框架
🚗 为人形机器人建模与动画提供自动绑定数据与方法
Zedong Chu · Feng Xiong · Meiduo Liu 等 8 人
HighlightRoboTwin: 生成式数字孪生的双臂机器人基准
RoboTwin: Dual-Arm Robot Benchmark with Generative Digital Twins
💡 用3D生成模型与LLM构建双臂数字孪生基准
🚗 提供双臂操作专家数据与真实对齐评测平台,服务机器人操作
Yao Mu · Tianxing Chen · Zanxin Chen 等 14 人
HighlightWonderWorld:单图交互式3D场景生成
WonderWorld: Interactive 3D Scene Generation from a Single Image
💡 单图快速生成可交互连贯3D场景
🚗 可快速构建3D场景,为驾驶或机器人仿真环境生成提供支持。
Hong-Xing Yu · Haoyi Duan · Charles Herrmann 等 5 人
HighlightHelvipad:真实世界全向立体深度估计数据集
HELVIPAD: A Real-World Dataset for Omnidirectional Stereo Depth Estimation
💡 含激光雷达标注的360度立体深度数据集
🚗 为全向深度估计与多传感器融合提供数据基准
Mehdi Zayene · Jannik Endres · Albias Havolli 等 7 人
HighlightEgoPressure:第一视角手部压力与姿态估计数据集
EgoPressure: A Dataset for Hand Pressure and Pose Estimation in Egocentric Vision
💡 第一视角手部接触压力与姿态数据集及多视角优化方法
🚗 为机器人操作与AR/VR手物交互提供压力感知数据基础
Yiming Zhao · Taein Kwon · Paul Streli 等 5 人
HighlightCASAGPT:面向室内设计的长方体排布与场景组装
CASAGPT: Cuboid Arrangement and Scene Assembly for Interior Design
💡 用自回归模型排布长方体基元生成物理合理室内场景
🚗 为具身智能与机器人提供室内场景合成与布局生成能力。
Weitao Feng · Hang Zhou · Jing Liao 等 5 人
HighlightGigaHands: 大规模双手活动标注数据集
GigaHands: A Massive Annotated Dataset of Bimanual Hand Activities
💡 构建34小时双手-物体交互动作与文本标注数据集
🚗 为机器人双手操作与动作生成提供大规模训练数据
Rao Fu · Dingxi Zhang · Alex Jiang 等 7 人
Digital Twin Catalog: A Large-Scale Photorealistic 3D Object Digital Twin Dataset
💡 大规模数字孪生级真实感3D物体重建数据集与基准
🚗 为机器人/具身智能的物体重建与仿真提供高质量数据与评测基准。
Zhao Dong · Ka Chen · Zhaoyang Lv 等 17 人
HighlightOPTICAL: 基于最优传输的贡献分配数据集蒸馏
OPTICAL: Leveraging Optimal Transport for Contribution Allocation in Dataset Distillation
💡 用最优传输双层优化重分配样本贡献
🚗 数据集蒸馏压缩训练数据,助力模型部署与数据策展
Xiao Cui · Yulei Qin · Wengang Zhou 等 5 人
HighlightHuPerFlow:人类与机器运动估计对比基准
HuPerFlow: A Comprehensive Benchmark for Human vs. Machine Motion Estimation Comparison
💡 构建人类感知光流基准并对比机器估计
🚗 为驾驶辅助等动态场景的光流估计提供人类感知对齐评测
Yung-Hao Yang · Zitang Sun · Taiki Fukiage 等 4 人
10
3D重建与渲染
77 篇
Alias-Free Latent Diffusion Models: Improving Fractional Shift Equivariance of Diffusion Latent Space
💡 重设计注意力与等变损失实现扩散潜空间平移等变
🚗 提升生成模型一致性,可用于驾驶仿真数据的稳定合成
Yifan Zhou · Zeqi Xiao · Shuai Yang 等 4 人
RandAR: Decoder-only Autoregressive Visual Generation in Random Orders
💡 位置指令token实现任意顺序自回归图像生成
🚗 随机顺序生成与并行解码可加速驾驶场景视觉生成
Ziqi Pang · Tianyuan Zhang · Fujun Luan 等 8 人
CAP4D: Creating Animatable 4D Portrait Avatars with Morphable Multi-View Diffusion Models
💡 可变形多视图扩散从少量图像重建可动画4D化身
🚗 动态人体重建与动画技术可迁移至具身智能数字人与仿真
Felix Taubner · Ruihang Zhang · Mathieu Tuli 等 4 人
MoGe: Unlocking Accurate Monocular Geometry Estimation for Open-Domain Images with Optimal Training Supervision
💡 仿射不变点图表示与全局局部几何监督
🚗 为机器人操作与驾驶提供单目度量几何重建能力
Ruicheng Wang · Sicheng Xu · Cassie Lee Dai 等 7 人
Multi-view Reconstruction via SfM-guided Monocular Depth Estimation
💡 用SfM点云引导扩散模型生成多视图度量深度
🚗 为稀疏视图场景重建提供鲁棒几何方案
Haoyu Guo · He Zhu · Sida Peng 等 9 人
MV-DUSt3R+: Single-Stage Scene Reconstruction from Sparse Views In 2 Seconds
💡 多视角解码块单阶段前馈重建,免全局优化
🚗 快速稀疏视角场景重建,可用于驾驶与机器人感知
Zhenggang Tang · Yuchen Fan · Dilin Wang 等 7 人
Oral基于生物力学精确骨架的人体重建
Reconstructing Humans with a Biomechanically Accurate Skeleton
💡 用生物力学骨架模型提升极端姿态3D重建鲁棒性
🚗 提升人体姿态估计鲁棒性,可服务人形机器人与动捕
Yan Xia · Xiaowei Zhou · Etienne Vouga 等 5 人
MEGA: Masked Generative Autoencoder for Human Mesh Recovery
💡 将人体网格恢复建模为离散token掩码生成
🚗 生成式人体网格恢复,可服务人形机器人与具身感知
Guénolé Fiche · Simon Leglaive · Xavier Alameda-Pineda 等 4 人
CraftsMan3D: High-fidelity Mesh Generation with 3D Native Diffusion and Interactive Geometry Refiner
💡 先粗后精的交互式高保真网格生成框架
🚗 可为机器人与驾驶仿真提供高质量3D资产与网格生成能力
Weiyu Li · Jiarui Liu · Hongyu Yan 等 8 人
Stereo4D: Learning How Things Move in 3D from Internet Stereo Videos
💡 从网络立体视频挖掘4D重建与运动轨迹数据
🚗 为动态3D场景理解与运动预测提供大规模训练数据
Linyi Jin · Richard Tucker · Zhengqi Li 等 6 人
Oral基于传播光的神经逆渲染
Neural Inverse Rendering from Propagating Light
💡 基于时间分辨神经辐射缓存的多视角传播光逆渲染
🚗 为闪光激光雷达场景的强间接光下3D重建与视图合成提供方法
Anagh Malik · Benjamin Attal · Andrew Xie 等 5 人
Time of the Flight of the Gaussians: Optimizing Depth Indirectly in Dynamic Radiance Fields
💡 用ToF原始样本快速重建动态高斯场景
🚗 单目动态场景重建可支撑机器人感知与仿真
Runfeng Li · Mikhail Okunev · Zixuan Guo 等 7 人
3D Student Splatting and Scooping
💡 用Student's t分布与负密度改进3DGS混合模型
🚗 提升3D高斯泼溅表达力,可用于机器人与驾驶场景重建仿真。
Jialin Zhu · Jiangbei Yue · Feixiang He 等 4 人
OralDifix3D+
DIFIX3D+: Improving 3D Reconstructions with Single-Step Diffusion Models
💡 单步扩散模型去除新视角渲染伪影
🚗 提升3D重建质量,可用于驾驶/机器人场景重建与仿真。
Jay Zhangjie Wu · Yuxuan Zhang · Haithem Turki 等 9 人
Oral3DGUT
3DGUT: Enabling Distorted Cameras and Secondary Rays in Gaussian Splatting
💡 用无迹变换支持畸变相机与二次光线
🚗 支持鱼眼等畸变相机渲染,利于自动驾驶环视仿真重建。
Qi Wu · Janick Martinez Esturo · Ashkan Mirzaei 等 5 人
OralFluidNexus
FluidNexus: 3D Fluid Reconstruction and Prediction from a Single Video
💡 单视频结合视频生成与物理仿真重建3D流体
🚗 动态场景重建与预测方法可启发机器人操作与仿真。
Yue Gao · Hong-Xing Yu · Bo Zhu 等 4 人
Diffusion Renderer: Neural Inverse and Forward Rendering with Video Diffusion Models
💡 用视频扩散先验统一逆向与正向渲染
🚗 可从真实视频估计G-buffer并重渲染,服务驾驶/机器人场景重建与仿真。
Ruofan Liang · Žan Gojčič · Huan Ling 等 11 人
Highlight调谐频率:正弦神经网络的鲁棒训练
Tuning the Frequencies: Robust Training for Sinusoidal Neural Networks
💡 提出幅相展开理论指导正弦网络初始化与频谱控制
🚗 提升隐式神经表示训练稳定性,可用于3D重建与场景表示
Tiago Novello · Diana Aldana · Andre Araujo 等 4 人
HighlightSee3D: 无位姿视频大规模学习3D生成
You See it, You Got it: Learning 3D Creation on Pose-Free Videos at Scale
💡 用互联网视频训练视觉条件多视角扩散3D生成模型
🚗 可扩展的3D内容生成,可用于驾驶与机器人仿真环境构建
Baorui Ma · Huachen Gao · Haoge Deng 等 7 人
HighlightFirePlace: 面向3D物体摆放的LLM常识推理几何精化
FirePlace: Geometric Refinements of LLM Common Sense Reasoning for 3D Object Placement
💡 结合MLLM常识与几何约束求解3D物体摆放
🚗 为机器人场景理解与3D场景生成提供几何推理与摆放能力
Ian Huang · Yanan Bao · Karen Truong 等 7 人
Highlight3D Convex Splatting: 基于3D平滑凸体的辐射场渲染
3D Convex Splatting: Radiance Field Rendering with 3D Smooth Convexes
💡 用3D平滑凸体替代高斯作为辐射场基元
🚗 提升场景重建边缘与平面质量,可用于驾驶/机器人场景重建与仿真
Jan Held · Renaud Vandeghen · Abdullah Hamdi 等 9 人
HighlightArcPro: 稀疏点云结构化3D抽象的建筑程序
ArcPro: Architectural Programs for Structured 3D Abstraction of Sparse Points
💡 用建筑程序DSL从稀疏点云重建结构化网格
🚗 稀疏点云到结构化建筑网格的重建,可用于场景几何感知与仿真建模
Qirui Huang · Runze Zhang · Kangjun Liu 等 6 人
HighlightGenVDM: 从单张图像生成矢量位移贴图
GenVDM: Generating Vector Displacement Maps From a Single Image
💡 首提从单图生成矢量位移贴图及数据集
🚗 为3D资产表面细节生成提供方法,可辅助机器人仿真资产构建
Yuezhi Yang · Qimin Chen · Vladimir G. Kim 等 6 人
HighlightPlanarSplatting: 3分钟精确平面表面重建
PlanarSplatting: Accurate Planar Surface Reconstruction in 3 Minutes
💡 以3D平面为基元泼溅实现快速室内重建
🚗 快速高精度室内表面重建,可用于机器人场景几何与导航建图
Bin Tan · Rui Yu · Yujun Shen 等 4 人
Instant Gaussian Stream: Fast and Generalizable Streaming of Dynamic Scene Reconstruction via Gaussian Splatting
💡 锚点驱动高斯运动网络实现流式动态场景重建
🚗 动态场景实时重建可支撑驾驶与机器人仿真环境构建
Jinbo Yan · Rui Peng · Zhiyan Wang 等 8 人
MAtCha Gaussians: Atlas of Charts for High-Quality Geometry and Photorealism From Sparse Views
💡 以图集网格结合二维高斯面元同时实现网格与渲染
🚗 稀疏视图高质量表面重建可用于机器人与驾驶场景建模
Antoine Guedon · Tomoki Ichikawa · Kohei Yamashita 等 4 人
HighlightCADDreamer: 单视图图像生成CAD物体
CADDreamer: CAD Object Generation from Single-view Images
💡 基元感知多视图扩散生成结构化CAD网格
🚗 结构化物体生成可用于机器人操作与仿真资产生成
Yuan Li · Cheng Lin · Yuan Liu 等 9 人
Highlight极端光照变化下三维重建的生成式多视图重光照
Generative Multiview Relighting for 3D Reconstruction under Extreme Illumination Variation
💡 用多视图重光照扩散模型统一光照后再重建物体
🚗 提升机器人与驾驶场景中物体几何与外观重建的鲁棒性
Hadi Alzayer · Philipp Henzler · Jonathan T. Barron 等 6 人
HighlightPGC: 单姿态物理高斯布料重建
PGC: Physics-Based Gaussian Cloth from a Single Pose
💡 混合网格-高斯表示实现可物理仿真的布料重建
🚗 为机器人操作与数字人仿真提供可仿真衣物资产
Michelle Guo · Matt Jen-Yuan Chiang · Igor Santesteban 等 12 人
HighlightPartGen: 基于多视图扩散模型的部件级三维生成与重建
PartGen: Part-level 3D Generation and Reconstruction with Multi-view Diffusion Models
💡 用多视图扩散生成可独立操作的部件级三维资产
🚗 为机器人操作与仿真提供结构化可操作三维物体
Minghao Chen · Roman Shapovalov · Iro Laina 等 7 人
HighlightDualPM: 用于3D形状与位姿重建的双点图
DualPM: Dual Posed-Canonical Point Maps for 3D Shape and Pose Reconstruction
💡 提出双点图表示实现可变形物体形状与位姿重建
🚗 为机器人操作提供物体位姿与完整几何重建能力
Ben Kaye · Tomas Jakab · Shangzhe Wu 等 5 人
Highlight模糊LiDAR助力更锐利3D: 漫射LiDAR与RGB的手持3D扫描
Blurred LiDAR for Sharper 3D: Robust Handheld 3D Scanning with Diffuse LiDAR and RGB
💡 融合漫射LiDAR与RGB的高斯面元重建框架
🚗 提升机器人手持扫描在弱纹理弱光下的稠密重建能力
Nikhil Behari · Aaron Young · Siddharth Somasundaram 等 6 人
Highlight基于局部点管理改进高斯泼溅
Improving Gaussian Splatting with Localized Points Management
💡 局部点管理策略优化高斯泼溅的点增密与剪枝
🚗 提升3D高斯泼溅重建质量,可用于驾驶或机器人场景重建与仿真。
Haosen Yang · Chenhao Zhang · Wenqing Wang 等 7 人
Highlight面向野外场景的单图3D平面重建
Towards In-the-wild 3D Plane Reconstruction from a Single Image
💡 解耦平面法向与偏移的零样本单图平面重建
🚗 为室内外场景提供通用平面几何重建能力,可用于机器人空间感知与仿真建模。
Jiachen Liu · Rui Yu · Sili Chen 等 5 人
Highlight基于双重反投影纹理的稀疏视角RGB视频实时自由视角人体渲染
Real-time Free-view Human Rendering from Sparse-view RGB Videos using Double Unprojected Textures
💡 解耦几何形变与外观合成实现实时4K人体渲染
🚗 稀疏视角实时人体重建渲染,可用于数字人与具身仿真
Guoxing Sun · Rishabh Dabral · Heming Zhu 等 6 人
HighlightMetricGrids: 基于基本度量网格的任意非线性近似隐式神经表示
MetricGrids: Arbitrary Nonlinear Approximation with Elementary Metric Grids based Implicit Neural Representation
💡 用多度量空间基本网格高阶项逼近复杂非线性信号
🚗 提升隐式神经表示表达力,可用于3D重建与场景建模
Shu Wang · Yanbo Gao · Shuai Li 等 8 人
Highlight点云高保真轻量网格重建
High-Fidelity Lightweight Mesh Reconstruction from Point Clouds
💡 基于曲率的自适应网格提取轻量高保真网格
🚗 点云到网格重建可用于机器人操作与仿真场景建模
Chen Zhang · Wentao Wang · Ximeng Li 等 6 人
HighlightMaterial Anything: 通过扩散为任意3D物体生成材质
Material Anything: Generating Materials for Any 3D Object via Diffusion
💡 统一扩散框架自动生成PBR材质并支持无纹理物体
🚗 3D资产材质生成可服务机器人仿真环境构建
Xin Huang · Tengfei Wang · Ziwei Liu 等 4 人
Highlight用于可微渲染优化的局部无序图像
Locally Orderless Images for Optimization in Differentiable Rendering
💡 用局部强度直方图缓解可微渲染梯度稀疏
🚗 提升逆渲染与位姿/几何优化收敛性,可用于机器人仿真与重建
Ishit Mehta · Manmohan Chandraker · Ravi Ramamoorthi
Highlight碰撞结构重建(SfC)
Structure from Collision
💡 从碰撞外观变化估计不可见内部结构
🚗 为机器人操作提供物体内部几何与物理结构估计能力
Author : Takuhiro Kaneko
HighlightUni4D:统一视觉基础模型做单视频4D建模
Uni4D: Unifying Visual Foundation Models for 4D Modeling from a Single Video
💡 多预训练模型多阶段优化实现动态4D重建
🚗 为动态场景重建与相机位姿、3D运动跟踪提供通用方案
David Yifan Yao · Albert J. Zhai · Shenlong Wang
Highlight体一致的三维高斯光栅化
Volumetrically Consistent 3D Gaussian Rasterization
💡 直接对3D高斯做体渲染解析透射率,替代splatting近似
🚗 提升3DGS物理精度,可用于驾驶/机器人场景重建与仿真
Chinmay Talegaonkar · Yash Belhe · Ravi Ramamoorthi 等 4 人
Highlight以场景接地引导驯服视频扩散先验用于稀疏输入3D高斯泼溅
Taming Video Diffusion Prior with Scene-Grounding Guidance for 3D Gaussian Splatting from Sparse Inputs
💡 用渲染序列场景接地引导视频扩散生成一致序列
🚗 稀疏视角下高质量3DGS重建可用于场景建模与仿真
Yingji Zhong · Zhihao Li · Dave Zhenyu Chen 等 5 人
HighlightURSEE: 事件相机静态与动态场景统一重建
Unified Reconstruction of Static and Dynamic Scenes from Events
💡 双阶段并行通道统一重建静态背景与动态视频
🚗 事件相机重建利于高速运动场景感知与机器人视觉
Qiyao Gao · Peiqi Duan · Hanyue Lou 等 7 人
HighlightFreeCloth: 自由形式生成增强复杂着装人体建模
FreeCloth: Free-form Generation Enhances Challenging Clothed Human Modeling
💡 按区域分策略建模宽松衣物形变
🚗 提升数字人着装建模,可服务具身仿真与虚拟人
Hang Ye · Xiaoxuan Ma · Hai Ci 等 5 人
HighlightMake-It-Animatable: 高效可动画3D角色创作框架
Make-It-Animatable: An Efficient Framework for Authoring Animation-Ready 3D Characters
💡 一秒内为任意人形模型生成骨骼与蒙皮权重
🚗 可加速人形机器人仿真与数字人动画资产生成
Zhiyang Guo · Jinxu Xiang · Kai Ma 等 6 人
HighlightGaussianUDF: 通过3D高斯泼溅推断无符号距离函数
GaussianUDF: Inferring Unsigned Distance Functions through 3D Gaussian Splatting
💡 用2D高斯平面自监督学习连续UDF重建开放曲面
🚗 为机器人操作与仿真提供高质量物体几何重建方法
Shujuan Li · Yu-Shen Liu · Zhizhong Han
SpecTRe-GS: Modeling Highly Specular Surfaces with Reflected Nearby Objects by Tracing Rays in 3D Gaussian Splatting
💡 在3DGS内集成光线追踪建模镜面反射与互反射
🚗 提升场景重建与渲染真实感,可用于仿真环境构建
Jiajun Tang · Fan Fei · Zhihao Li 等 10 人
HighlightOmniSplat:面向全向图像的可编辑前馈3D高斯泼溅
OmniSplat: Taming Feed-Forward 3D Gaussian Splatting for Omnidirectional Images with Editable Capabilities
💡 阴阳网格分解实现全向图像前馈3DGS生成
🚗 支持快速全向场景重建,可用于机器人/驾驶仿真环境
Suyoung Lee · Jaeyoung Chung · Kihoon Kim 等 7 人
Highlight对称性反击: 从单图对称检测到3D生成
Symmetry Strikes Back: From Single-Image Symmetry Detection to 3D Generation
💡 用多视图扩散先验从单图检测3D反射对称并生成3D
🚗 单图3D生成与几何理解能力可用于机器人与驾驶的物体建模
Xiang Li · Zixuan Huang · Anh Thai 等 4 人
HighlightDroneSplat: 面向野外无人机影像鲁棒3D重建的高斯泼溅
DroneSplat: 3D Gaussian Splatting for Robust 3D Reconstruction from In-the-Wild Drone Imagery
💡 自适应掩码与体素引导的高斯泼溅抗动态干扰重建
🚗 为机器人/无人机场景提供鲁棒三维重建与渲染能力
Jiadong Tang · Yu Gao · Dianyi Yang 等 6 人
Highlight重建人物、场景与相机
Reconstructing People, Places, and Cameras
💡 联合估计人体姿态、相机与场景结构的度量级SfM
🚗 稀疏多视图下的人-场景度量重建,可用于具身感知与场景理解。
Lea Müller · Hongsuk Choi · Anthony Zhang 等 6 人
HighlightVideoScene: 单步蒸馏视频扩散模型生成3D场景
VideoScene: Distilling Video Diffusion Model to Generate 3D Scenes in One Step
💡 蒸馏视频扩散模型一步生成3D场景
🚗 稀疏视角快速重建3D场景,可用于驾驶与机器人仿真环境搭建
Hanyang Wang · Fangfu Liu · Jiawei Chi 等 4 人
HighlightNeRFPrior: 以神经辐射场为先验的室内场景重建
NeRFPrior: Learning Neural Radiance Field as a Prior for Indoor Scene Reconstruction
💡 用NeRF先验提供几何与颜色线索学习SDF
🚗 提升多视角表面重建质量,可用于机器人场景几何感知与仿真
Wenyuan Zhang · Emily Yue-ting Jia · Junsheng Zhou 等 7 人
Highlight3DTopia-XL:基于图元扩散的高质量3D资产生成扩展
3DTopia-XL: Scaling High-quality 3D Asset Generation via Primitive Diffusion
💡 用图元表示PrimX结合DiT生成带PBR的高质量3D资产
🚗 可为驾驶与机器人仿真提供高质量可渲染3D资产与场景内容生成能力。
Zhaoxi Chen · Jiaxiang Tang · Yuhao Dong 等 13 人
Highlight基于四面体约束高斯泼溅的可编辑3D逼真化身
Creating Your Editable 3D Photorealistic Avatar with Tetrahedron-constrained Gaussian Splatting
💡 四面体约束高斯泼溅解耦编辑与外观学习
🚗 3D高斯表示与编辑技术可用于机器人仿真与数字人构建
Hanxi Liu · Yifang Men · Zhouhui Lian
HighlightGS-RGBN:基于RGBN体素高斯重建模型的单图高保真3D物体生成
High-fidelity 3D Object Generation from Single Image with RGBN-Volume Gaussian Reconstruction Model
💡 体素-高斯混合表示实现单图高保真3D生成
🚗 可用于机器人与驾驶仿真的单图物体3D资产生成
Yiyang Shen · Kun Zhou · He Wang 等 5 人
HighlightDyn-HaMR:从动态相机恢复4D交互手部运动
Dyn-HaMR: Recovering 4D Interacting Hand Motion from a Dynamic Camera
💡 联合SLAM与手部建模从动态单目相机恢复全局4D手部运动
🚗 为AR/VR与机器人第一视角手部动作捕捉提供度量重建能力
Zhengdi Yu · Stefanos Zafeiriou · Tolga Birdal
HighlightMAR-3D:面向高分辨率3D生成的渐进式掩码自回归模型
MAR-3D: Progressive Masked Auto-regressor for High-Resolution 3D Generation
💡 金字塔VAE加级联掩码自回归实现无序3D网格渐进生成
🚗 为驾驶与机器人仿真提供高质量3D资产生成能力
Jinnan Chen · Lingting Zhu · Zeyu Hu 等 7 人
Highlight生成式致密化:学习致密化高斯以实现高保真泛化3D重建
Generative Densification: Learning to Densify Gaussians for High-Fidelity Generalizable 3D Reconstruction
💡 对前馈模型特征致密化生成精细高斯
🚗 提升稀疏视角3D重建质量,可用于机器人与驾驶场景几何重建
Seungtae Nam · Xiangyu Sun · Gyeongjin Kang 等 6 人
HighlightHotSpot: 具有渐近充分条件的符号距离函数优化
HotSpot: Signed Distance Function Optimization with an Asymptotically Sufficient Condition
💡 基于屏蔽泊松方程的稳定SDF优化损失
🚗 提升神经隐式表面重建精度,可用于机器人场景几何感知与仿真
Zimo Wang · Cheng Wang · Taiki Yoshino 等 6 人
BWFormer: Building Wireframe Reconstruction from Airborne LiDAR Point Cloud with Transformer
💡 2D角点检测到3D线框的Transformer重建
🚗 点云建筑结构化重建,可用于城市级自动驾驶地图与场景建模
Yuzhou Liu · Lingjie Zhu · Hanqiao Ye 等 7 人
Highlight结构化3D隐变量用于可扩展通用3D生成
Structured 3D Latents for Scalable and Versatile 3D Generation
💡 统一结构化隐表示支持多格式3D生成
🚗 高质量3D资产生成,可为机器人仿真与操作提供物体模型
Jianfeng Xiang · Zelong Lv · Sicheng Xu 等 9 人
Highlight硬件光栅化的基于光线高斯泼溅
Hardware-Rasterized Ray-Based Gaussian Splatting
💡 用硬件光栅化管线高效渲染RayGS并消除混叠
🚗 为驾驶/机器人仿真提供高质量实时新视角渲染能力。
Samuel Rota Bulò · Nemanja Bartolovic · Lorenzo Porzi 等 4 人
HighlightARM: 可重光照3D生成的外观重建模型
ARM: Appearance Reconstruction Model for Relightable 3D Generation
💡 解耦几何与外观,在UV空间重建材质与光照
🚗 稀疏视图生成高质量网格与材质,可用于机器人仿真资产构建
Xiang Feng · Chang Yu · Zoubin Bi 等 9 人
HighlightDr. Splat:通过直接语言嵌入注册实现3D高斯泼溅指代
Dr. Splat: Directly Referring 3D Gaussian Splatting via Direct Language Embedding Registration
💡 将CLIP嵌入直接注册到3D高斯实现开放词汇3D理解
🚗 开放词汇3D语义分割与物体定位,可用于机器人场景理解。
Kim Jun-Seong · GeonU Kim · Kim Yu-Ji 等 6 人
Highlight基于空间分布MLP位置插值的实时高保真高斯人体化身
Real-time High-fidelity Gaussian Human Avatars with Position-based Interpolation of Spatially Distributed MLPs
💡 空间分布MLP插值实现实时高保真高斯人体化身
🚗 实时高保真人体化身重建可支撑具身智能中的人体建模与遥操作
Youyi Zhan · Tianjia Shao · Yin Yang 等 4 人
HighlightMoSca:基于4D运动支架的随意视频动态高斯融合
MoSca: Dynamic Gaussian Fusion from Casual Videos via 4D Motion Scaffolds
💡 用4D运动支架解耦动态场景形变并融合高斯泼溅
🚗 单目动态场景重建与位姿求解可支撑机器人场景建模与仿真
Jiahui Lei · Yijia Weng · Adam W. Harley 等 5 人
HighlightNexusGS: 基于极线深度先验的稀疏视角3D高斯泼溅合成
NexusGS: Sparse View Synthesis with Epipolar Depth Priors in 3D Gaussian Splatting
💡 将极线深度先验嵌入点云实现稀疏视角合成
🚗 稀疏视角场景重建可支撑驾驶与机器人仿真环境构建
Yulong Zheng · Zicheng Jiang · Shengfeng He 等 7 人
HighlightUSP-Gaussian:统一脉冲图像重建、位姿校正与高斯泼溅
USP-Gaussian: Unifying Spike-based Image Reconstruction, Pose Correction and Gaussian Splatting
💡 统一脉冲图像重建、位姿校正与3DGS的协同优化框架
🚗 为神经形态相机提供联合位姿估计与场景重建,可用于机器人/驾驶感知。
Kang Chen · Jiyuan Zhang · Zecheng Hao 等 6 人
HighlightDashGaussian:200秒内优化3D高斯泼溅
DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds
💡 动态渲染分辨率与图元增长调度加速3DGS优化
🚗 加速3DGS重建,可用于驾驶/机器人场景的快速建模与仿真。
Youyu Chen · Junjun Jiang · Kui Jiang 等 7 人
HighlightSplatFlow:自动驾驶中神经运动流场内的自监督动态高斯泼溅
SplatFlow: Self-Supervised Dynamic Gaussian Splatting in Neural Motion Flow Field for Autonomous Driving
💡 无需标注的自监督4D高斯动态场景重建
🚗 实现自动驾驶动态城市场景重建与新视角合成,服务仿真与感知
Su Sun · Cheng Zhao · Zhuoyang Sun 等 5 人
Highlight低成本偏振采集的高光物体重建
Glossy Object Reconstruction with Cost-effective Polarized Acquisition
💡 用低成本偏振相机实现高光物体神经隐式重建
🚗 降低物体几何与材质重建门槛,可用于机器人操作与仿真建模
Bojian Wu · Yifan Peng · Ruizhen Hu 等 4 人
HighlightMatrix3D:一体化大型摄影测量模型
Matrix3D: Large Photogrammetry Model All-in-One
💡 多模态扩散Transformer统一位姿估计、深度预测与新视角合成
🚗 统一位姿估计与深度重建能力可用于机器人/驾驶的场景几何感知与仿真。
Yuanxun Lu · Jingyang Zhang · Tian Fang 等 9 人
HighlightDepthCrafter:生成一致的长视频深度序列
DepthCrafter: Generating Consistent Long Depth Sequences for Open-world Videos
💡 基于视频扩散模型的三阶段训练生成时序一致长深度序列
🚗 开放世界视频深度估计可支撑驾驶/机器人的稠密几何感知与世界模型。
Wenbo Hu · Xiangjun Gao · Xiaoyu Li 等 8 人
HighlightFRESA:少图前馈重建个性化蒙皮化身
FRESA: Feedforward Reconstruction of Personalized Skinned Avatars from Few Images
💡 从少量图像前馈重建个性化蒙皮人体化身与姿态形变
🚗 人体化身重建与蒙皮形变建模可用于具身智能/人形机器人的数字人与仿真。
Rong Wang · Fabian Prada · Ziyan Wang 等 13 人
HighlightSKDream: 基于任意骨架的可控多视图与3D生成
SKDream: Controllable Multi-view and 3D Generation with Arbitrary Skeletons
💡 将骨架条件生成推广到任意结构并构建配对数据集
🚗 可为机器人与仿真提供可控的3D资产生成能力
Yuanyou Xu · Zongxin Yang · Yi Yang
11
基础模型与部署
39 篇
CleanDIFT: Diffusion Features without Noise
💡 无监督微调使扩散模型输出无噪声语义特征
🚗 为机器人/驾驶感知提供更强的通用视觉语义特征提取骨干
Nick Stracke · Stefan Andreas Baumann · Kolja Bauer 等 5 人
OverLoCK: An Overview-first-Look-Closely-next ConvNet with Context-Mixing Dynamic Kernels
💡 仿生自上而下引导的纯卷积视觉骨干
🚗 通用视觉骨干可提升感知与具身系统的特征提取能力
Meng Lou · Yizhou Yu
Do We Always Need the Simplicity Bias? Looking for Optimal Inductive Biases in the Wild
💡 元学习激活函数以调节网络的简单性偏置
🚗 为自动驾驶感知模型设计更优激活函数提供归纳偏置理论指导
Damien Teney · Liangze Jiang · Florin Gogianu 等 4 人
DiffFNO: Diffusion Fourier Neural Operator
💡 加权傅里叶神经算子结合扩散实现任意尺度超分
🚗 高频细节重建能力可迁移至感知图像增强与仿真渲染
Xiaoyi Liu · Hao Tang
Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Vision-Language Models
💡 不依赖外部VLM自建高质量图文与指向数据集
🚗 开源VLM训练范式可迁移至驾驶与机器人多模态大模型
Matt Deitke · Christopher Clark · Sangho Lee 等 50 人
Rethinking Spiking Self-Attention Mechanism: Implementing α-XNOR Similarity Calculation in Spiking Transformers
💡 用α-XNOR相似度替代点积提升脉冲Transformer性能
🚗 高效脉冲注意力算子,利于低功耗模型部署
Yichen Xiao · Shuai Wang · Dehao Zhang 等 8 人
Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning
💡 用敏感度引导通道剪枝实现高效持续测试时自适应检测
🚗 为自动驾驶感知模型在域偏移下的在线高效部署提供剪枝自适应方案
Kunyu Wang · Xueyang Fu · Xin Lu 等 7 人
Viewpoint Rosetta Stone: Unlocking Unpaired Ego-Exo Videos for View-invariant Representation Learning
💡 用扩散翻译器对齐非配对ego-exo视频学视角不变表征
🚗 跨视角表征学习可用于机器人第一/第三人称感知与模仿学习。
Mi Luo · Zihui Xue · Alex Dimakis 等 4 人
UniAP: Unifying Inter- and Intra-Layer Automatic Parallelism by Mixed Integer Quadratic Programming
💡 以混合整数二次规划联合优化层间与层内并行策略
🚗 大模型分布式训练并行优化,可支撑自动驾驶大模型训练部署。
Hao Lin · Ke Wu · Jie Li 等 5 人
Oral增强无数据量化多样性
Enhancing Diversity for Data-free Quantization
💡 用特征混合与归一化流提升校准数据多样性
🚗 无数据量化可加速驾驶/机器人模型边缘部署
Kai Zhao · zhihao zhuang · Miao Zhang 等 6 人
LoRASculpt: Sculpting LoRA for Harmonizing General and Specialized Knowledge in Multimodal Large Language Models
💡 稀疏化LoRA去除冗余参数并缓解知识冲突
🚗 为驾驶/机器人多模态大模型的高效微调与部署提供参数压缩方法
Jian Liang · Wenke Huang · Guancheng Wan 等 5 人
Generative Multimodal Pretraining with Discrete Diffusion Timestep Tokens
💡 用扩散时间步学习离散递归视觉token
🚗 统一视觉理解与生成的多模态预训练,可迁移至驾驶/机器人VLM。
Kaihang Pan · Wang Lin · Zhongqi Yue 等 9 人
Highlight上下文感知的多模态预训练
Context-Aware Multimodal Pretraining
💡 引入上下文支持少样本适配的预训练目标
🚗 提升视觉语言模型少样本迁移能力,可用于驾驶/机器人多模态感知。
Karsten Roth · Zeynep Akata · Dima Damen 等 5 人
Highlight学习图像压缩中的平衡率失真优化
Balanced Rate-Distortion Optimization in Learned Image Compression
💡 将率失真优化重构为多目标优化并自适应调整梯度
🚗 提升模型压缩效率,可迁移至驾驶与机器人模型部署加速
Yichi Zhang · Zhihao Duan · Yuning Huang 等 4 人
HighlightICP: 面向中高稀疏度的即时补偿剪枝
ICP: Immediate Compensation Pruning for Mid-to-high Sparsity
💡 剪枝与补偿交替实现中高稀疏度免微调压缩
🚗 为大规模模型在消费级GPU上的部署提供通用压缩加速方案
Xin Luo · Xueming Fu · Zihang Jiang 等 4 人
HighlightMASH-VLM: 通过解耦时空表征缓解视频大模型动作-场景幻觉
MASH-VLM: Mitigating Action-Scene Hallucination in Video-LLMs through Disentangled Spatial-Temporal Representations
💡 解耦时空注意力与位置编码缓解幻觉
🚗 提升视频多模态模型时空理解,可迁移至驾驶/机器人视频感知
Kyungho Bae · Jinhyung Kim · Sihaeng Lee 等 6 人
Highlight大型视觉编码器的多模态自回归预训练
Multimodal Autoregressive Pre-training of Large Vision Encoders
💡 图像与文本联合自回归预训练通用视觉编码器
🚗 提供强通用视觉骨干,可支撑驾驶与机器人多模态感知
Enrico Fini · Mustafa Shukor · Xiujun Li 等 16 人
HighlightTracktention: 利用点跟踪实现更快更好的视频注意力
Tracktention: Leveraging Point Tracking to Attend Videos Faster and Better
💡 用点轨迹显式注入运动信息增强时序注意力
🚗 提升视频时序建模效率,可用于驾驶与机器人视频感知
Zihang Lai · Andrea Vedaldi
Highlight基于分块策略打破对比损失的内存瓶颈
Breaking the Memory Barrier of Contrastive Loss via Tile-Based Strategy
💡 分块计算对比损失避免相似度矩阵全量实例化
🚗 大batch对比学习训练加速可支撑感知与多模态模型训练
Zesen Cheng · Hang Zhang · Kehan Li 等 9 人
HighlightCoeff-Tuning:注意力大模型微调的图滤波子空间视角
Coeff-Tuning: A Graph Filter Subspace View for Tuning Attention-Based Large Models
💡 将多头注意力视为图卷积滤波子空间,仅学习少量组合系数微调
🚗 为驾驶/机器人多模态大模型提供高效参数微调与部署方案
Zichen Miao · Wei Chen · Qiang Qiu
HighlightOlympus:面向计算机视觉任务的通用任务路由器
Olympus: A Universal Task Router for Computer Vision Tasks
💡 用控制器MLLM将20余种视觉任务路由到专用模块并链式执行
🚗 为具身智能体提供多任务编排与工具调用的通用框架
Yuanze Lin · Yunsheng Li · Dongdong Chen 等 6 人
HighlightSoMA:奇异值分解的次要成分适配用于域泛化表征学习
SoMA: Singular Value Decomposed Minor Components Adaptation for Domain Generalizable Representation Learning
💡 基于SVD选择性微调次要奇异成分的PEFT方法
🚗 提升基础模型跨域泛化能力,可用于驾驶/机器人感知模型高效微调部署
Seokju Yun · Seunghye Chae · Dongheon Lee 等 4 人
HighlightSURGEON:基于动态激活稀疏的内存自适应全测试时适应
SURGEON: Memory-Adaptive Fully Test-Time Adaptation via Dynamic Activation Sparsity
💡 动态激活稀疏降低测试时适应内存开销
🚗 支持边缘端模型在线适应,利于驾驶/机器人模型部署压缩
Ke Ma · Jiaqi Tang · Bin Guo 等 11 人
Highlight优质、廉价、快速: 基于Wasserstein失真的过拟合图像压缩
Good, Cheap, and Fast: Overfitted Image Compression with Wasserstein Distortion
💡 用Wasserstein失真优化过拟合编解码器降低算力
🚗 为车载视觉提供低算力高质量图像压缩方案
Jona Ballé · Luca Versari · Emilien Dupont 等 5 人
Highlight自适应格矢量量化的多码率神经图像压缩
Multirate Neural Image Compression with Adaptive Lattice Vector Quantization
💡 缩放格基实现码率与域自适应量化
🚗 低复杂度多码率压缩,利于车载图像传输部署
Hao Xu · Xiaolin Wu · Xi Zhang
CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction
💡 非对称特征解耦与动态记忆单元的线性注意力机制
🚗 为移动端/车载部署提供高效线性视觉骨干网络
Yuan Zhou · Qingshan Xu · Jiequan Cui 等 7 人
HighlightInPO:基于重参数化DDIM的逆偏好优化扩散模型对齐
InPO: Inversion Preference Optimization with Reparametrized DDIM for Efficient Diffusion Model Alignment
💡 随机条件配对实现无图像知识蒸馏与扩散模型对齐
🚗 扩散模型压缩与蒸馏技术,可迁移至驾驶/机器人生成模型的部署加速。
Yunhong Lu · Qichao Wang · Hengyuan Cao 等 6 人
HighlightSnapGen: 面向移动设备的高分辨率文生图高效架构与训练
SnapGen: Taming High-Resolution Text-to-Image Models for Mobile Devices with Efficient Architectures and Training
💡 小模型蒸馏与对抗引导实现移动端快速生成
🚗 模型压缩与蒸馏部署技术可迁移至车载端侧模型加速
Jierun Chen · Dongting Hu · Xijie Huang 等 19 人
Highlight你的ViT其实是一个图像分割模型
Your ViT is Secretly an Image Segmentation Model
💡 纯ViT编码器直接做分割,无需任务专用组件
🚗 通用分割骨干可迁移至驾驶与机器人场景的语义感知
Tommie Kerssies · Niccolò Cavagnero · Alexander Hermans 等 8 人
Highlight你的大型视觉语言模型只需少数注意力头即可实现视觉定位
Your Large Vision-Language Model Only Needs A Few Attention Heads For Visual Grounding
💡 发现冻结LVLM中的定位头,免训练实现视觉定位
🚗 为机器人/驾驶多模态模型的免训练目标定位提供新思路
Seil Kang · Jinyeong Kim · Junhyeok Kim 等 4 人
Highlight面向参数高效微调的元学习超参数方法
Meta-Learning Hyperparameters for Parameter Efficient Fine-Tuning
💡 用自适应缩放器动态调整PEFT模块插入与学习率
🚗 为大规模基础模型的高效微调与部署提供通用方法。
Zichen Tian · Yaoyao Liu · Qianru Sun
HighlightCASP:基于注意力稀疏性的大型多模态模型压缩
CASP: Compression of Large Multimodal Models Based on Attention Sparsity
💡 利用注意力稀疏性对Q/K权重做低秩分解与量化
🚗 为多模态大模型提供极低比特压缩方案,利于车端与机器人端部署
Mohsen Gholami · Mohammad Akbari · Kevin Cannons 等 4 人
HighlightEMA:高效运动感知视频多模态大模型
Efficient Motion-Aware Video MLLM
💡 基于压缩视频GOP的运动感知编码器与MotionBench基准
🚗 高效视频运动理解能力可迁移至驾驶与机器人视频感知
Zijia Zhao · Yuqi Huo · Tongtian Yue 等 8 人
HighlightFlexiDiT: 让扩散Transformer以更少算力生成高质量样本
FlexiDiT: Your Diffusion Transformer Can Easily Generate High-Quality Samples with Less Compute
💡 动态分配去噪步算力,减少40%FLOPs
🚗 扩散模型推理加速技术可迁移至驾驶/机器人生成式模型部署
Sotiris Anagnostidis · Gregor Bachmann · Yeongmin Kim 等 10 人
HighlightTinyFusion: 扩散Transformer的深度剪枝
TinyFusion: Diffusion Transformers Learned Shallow
💡 可微采样实现可学习深度剪枝并优化微调后性能
🚗 模型压缩方法可用于驾驶与机器人生成式模型的高效部署
Gongfan Fang · Kunjun Li · Xinyin Ma 等 4 人
HighlightFIMA-Q:基于Fisher信息矩阵近似的ViT训练后量化
FIMA-Q: Post-Training Quantization for Vision Transformers by Fisher Information Matrix Approximation
💡 用Fisher信息矩阵对角加低秩近似改进ViT量化损失
🚗 为ViT类感知与多模态模型提供低比特部署压缩能力
Zhuguanyu Wu · Shihe Wang · Jiayi Zhang 等 5 人
HighlightLess is More:基于二值任务开关的高效模型合并
Less is More: Efficient Model Merging with Binary Task Switch
💡 利用任务向量脉冲特性二值化实现高效模型合并
🚗 多任务模型合并与压缩技术,可部署于驾驶/机器人多任务模型。
Biqing Qi · Fangyuan Li · Zhen Wang 等 7 人
Highlight视觉识别中参数高效微调的统一研究
Lessons and Insights from a Unifying Study of Parameter-Efficient Fine-Tuning (PEFT) in Visual Recognition
💡 系统对比PEFT方法并给出选用指南
🚗 为驾驶/机器人视觉模型的高效微调与部署提供实践参考
Zheda Mai · Ping Zhang · Cheng-Hao Tu 等 7 人
HighlightPS3:将视觉预训练扩展至4K分辨率
Scaling Vision Pre-Training to 4K Resolution
💡 选择性处理局部高分辨率区域实现近恒定成本预训练
🚗 高分辨率视觉骨干可提升驾驶与机器人感知细节能力
Baifeng Shi · Boyi Li · Han Cai 等 11 人