Archive
全部论文
4042 篇 · 18 个方向 · 更新于 2026-11-14
x^2-Fusion：事件边缘空间中的跨模态与跨维度流估计
x^2-Fusion: Cross-Modality and Cross-Dimension Flow Estimation in Event Edge Space
把事件相机输出的时空边缘当作统一的潜空间锚点，让图像与激光雷达特征显式对齐到同一表示，再做可靠性感知的自适应融合；这套「以事件边缘场为共享潜空间」的思路可直接迁移到其他多传感器融合任务（如深度补全、BEV 感知），跨维度对比学习也可用于耦合 2D 与 3D 运动估计。
tttLRM：面向长上下文与自回归三维重建的测试时训练
tttLRM: Test-Time Training for Long Context and Autoregressive 3D Reconstruction
把多视角观测压缩进 TTT 层的快速权重作为隐式三维表示，再解码为高斯泼溅，为长序列/流式输入的三维重建提供线性复杂度方案；其「新视角合成预训练迁移到显式三维建模」的结论对做前馈三维重建的读者有直接参考价值。
rPPG-VQA：面向无监督rPPG训练的视频质量评估框架
rPPG-VQA: A Video Quality Assessment Framework for Unsupervised rPPG Training
提出面向rPPG训练的视频质量评估框架，结合信号级SNR共识估计与场景级MLLM干扰识别，并利用质量分数进行两阶段自适应采样筛选训练数据，可直接用于提升无监督rPPG模型在野生视频上的训练效果。
pH试纸式选择性遗忘：一种钝但快速的机器遗忘诊断基线
pH-Strips for Selective Forgetting: A Blunt but Fast Diagnostic Baseline for Machine Unlearning
提供了一种免训练、仅需少量样本即可快速擦除模型中特定概念（如分类中的类别、生成中的风格）的诊断基线，视觉研究者可将其作为评估新遗忘方法效率与效果的快速试金石，或直接用于扩散模型的概念擦除。
mmWaveFlow：毫米波人体点云的统一增强与生成
mmWaveFlow: Unified Enhancement and Generation of mmWave Human Point Clouds
提出可逆的流匹配框架，在稠密与稀疏毫米波点云之间建立双向传输，并用跨模态潜变量对齐与原点感知流匹配缓解潜路径交叉，为稀疏点云增强与生成提供可复用范式。
mVLM：面向 mNPU 的视觉语言模型
mVLM: A Vision Language Model for mNPUs
面向 NPU 端侧部署的轻量 VLM 架构：用纯 NPU 友好算子构建动态卷积编码器（全局空间调制）与 SSM 解码器，并配合编码器-解码器全参数协同量化，为视觉研究者提供在极端内存约束下压缩 VLM 并保持生成质量的工程与架构思路。
iSplat：面向细粒度高斯泼溅的迭代学习
iSplat: Iterative Learning for Fine-Grained Gaussian Splatting
把单次前馈高斯泼溅重建改成 3 次循环的 GRU 迭代优化器，配合基于不确定性的深度搜索空间收缩，可在不增加参数量的前提下显著提升跨数据集新视角合成的泛化；做前馈 3DGS 或深度先验融合的工作可直接借鉴该迭代精化范式。
iSHIFT：带自适应感知的轻量级慢快 GUI 智能体
iSHIFT: Lightweight Slow-Fast GUI Agent with Adaptive Perception
把「慢/快」双模式推理与感知 token 结合，让 2.5B 的 MLLM 按任务难度自适应决定推理深度与注视区域；做视觉定位或高分辨率界面理解时，可借鉴其用特殊 token 引导注意力到局部区域、以隐式思维链替代显式长链推理来省算力的做法。
iMontage：统一、通用、高动态的多对多图像生成
iMontage: Unified, Versatile, Highly Dynamic Many-to-many Image Generation
把预训练视频模型的时间连贯先验迁移到多图生成，用最小侵入的适配策略保留原始运动先验，为图像集生成与编辑提供统一框架，可复用于需要跨图一致性的多图/故事板生成任务。
iLRM：迭代式大型三维重建模型
iLRM: An Iterative Large 3D Reconstruction Model
把多视图全局注意力拆成两阶段注意力、并把场景表示与输入图像解耦，是让前馈 3DGS 重建在视图数与分辨率增大时仍可扩展的通用手段，可直接迁移到任何多视图 Transformer 重建或新视角合成管线。
gQIR：生成式量子图像重建
gQIR: Generative Quanta Image Reconstruction
把大规模文生图潜变量扩散模型迁移到极端光子受限的 SPAD 突发帧重建，用扩散先验同时完成对齐、去噪与彩色去马赛克；做低光照/短曝光复原的人可直接复用其潜空间复原+突发级时空推理的框架。
fMRI-LM：迈向面向语言对齐 fMRI 理解的通用基础模型
fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding
把连续神经信号离散化为语言对齐 token 的分词器思路，可迁移到视频/时序视觉信号与语言模型的对齐；三阶段（分词器→联合预训练→多任务指令微调）流程为视觉-语言基础模型提供了可复用的训练范式。
eRetinexGS：通过事件流与 3D 高斯泼溅进行 Retinex 建模的低光照场景增强
eRetinexGS: Retinex Modeling for Low-Light Scene Enhancement via Event Streams and 3D Gaussian Splatting
把 Retinex 的反射率-光照分解嵌入 3DGS 的辐射场优化，并用事件流提供高动态范围几何/光度约束，为低光照新视角合成与场景重建提供了一套可复用的多视图一致性框架。
dMLLM-TTS：面向扩散多模态大语言模型的自验证高效测试时扩展
dMLLM-TTS: Self-Verified and Efficient Test-Time Scaling for Diffusion Multi-Modal Large Language Models
把 dMLLM 自身的图像理解能力当作验证器，配合 O(N+T) 的分层搜索在采样轨迹与迭代精修两个维度上做测试时扩展，可直接迁移到任意扩散式多模态大模型的推理阶段以提升文生图质量并降低搜索开销。
cryoSENSE：压缩感知借助蛋白质冷冻电镜图像流形上的稀疏先验与生成先验实现高通量显微成像
cryoSENSE: Compressive Sensing Enables High-throughput Microscopy with Sparse and Generative Priors on the Protein Cryo-EM Image Manifold
把去噪扩散模型当作图像流形上的生成先验，用于从欠采样测量中重建图像；这种「稀疏先验 + 扩散生成先验」的混合重建思路可以直接迁移到其他欠采样成像任务（如快速 MRI、低剂量 CT、压缩超分辨），并且论文给出了在像素域与傅里叶域欠采样下两种先验各自的适用边界。
b-CLIP：面向多粒度视觉-语言对齐的文本条件对比学习
b-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment
用交叉注意力把图像 patch 按不同文本粒度（整句、句子、短语）动态池化成上下文视觉嵌入，并给出可调的多粒度对比损失，可直接用于需要密集图文对应的检索、grounding 与区域-短语匹配任务。
ZoomEarth：面向超高分辨率地理空间视觉语言任务的主动感知
ZoomEarth: Active Perception for Ultra-High-Resolution Geospatial Vision-Language Tasks
把「主动感知」引入超高分辨率视觉语言模型：模型通过自适应裁剪-缩放反复回看信息密集区域，并用区域引导奖励配合 GRPO 训练，可直接迁移到任意需要细粒度小目标的高分辨率 VLM 任务（遥感、病理、文档、卫星图）。
Zoo3D：场景级零样本 3D 目标检测
Zoo3D: Zero-Shot 3D Object Detection at Scene Level
提出无需训练的零样本 3D 目标检测框架，利用 2D 实例掩码的图聚类构建 3D 包围盒，并通过最佳视角选择与视角一致性掩码生成进行开放词表语义标注，可直接用于点云或图像场景的 3D 感知。
ZipMap：基于测试时训练的线性时间有状态三维重建
ZipMap: Linear-Time Stateful 3D Reconstruction via Test-Time Training
用测试时训练层把整组图像压缩成紧凑的隐场景状态，将多视图前馈重建的二次复杂度降到线性，视觉研究者可直接借鉴这一「有状态前馈」范式处理大规模图像集与实时场景查询。
ZeroIDIR：基于扰动一致性扩散模型的零参考光照退化图像复原
ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models
提出零参考扩散框架，将复原解耦为自适应光照校正与扩散重建，并引入扰动一致性损失，为无监督低光照增强与去噪提供可复用方案。
通过RAW-RGB对齐实现AI生成图像的零样本检测
Zero-shot Detection of AI-Generated Image via RAW-RGB Alignment
提出基于RAW-RGB对齐痕迹的零样本AI生成图像检测方法，利用真实图像在物理到数字转换过程中的参数相关性作为取证特征，可复用于图像取证和真实性验证任务。
从单张图像零样本重建具有布料动力学的可动画 3D 化身
Zero-Shot Reconstruction of Animatable 3D Avatars with Cloth Dynamics from a Single Image
提出基于 Transformer 的前馈架构直接预测动态 3D 高斯形变，结合静态到动态的知识迁移与 LoRA 微调，为单图人体化身重建提供可复用的零样本方案；DynaFlow 损失利用光流引导几何线索，可迁移至其他动态重建任务。
基于混合先验引导伪样本生成的零样本图像去噪
Zero-Shot Image Denoising via Hybrid Prior-Guided Pseudo Sample Generation
提出局部（梯度合并分组下采样）与全局（高斯分布条件随机采样）双先验驱动的伪样本生成范式，并配合傅里叶域分频带加权损失，可直接迁移到无外部数据训练的去噪、去模糊等复原任务中。
基于视觉语言模型的零样本深度补全
Zero-Shot Depth Completion with Vision-Language Model
把稀疏深度以视觉 token、文本提示和文本监督三种方式注入 VLM，使通用视觉语言模型无需改结构即可输出带绝对尺度的稠密深度，为利用 VLM 语义先验做几何感知提供了一条可复用的路径。
ZOO-Prune：视觉语言模型中基于零阶梯度估计的免训练词元剪枝
ZOO-Prune: Training-Free Token Pruning via Zeroth-Order Gradient Estimation in Vision-Language Models
用零阶扰动在投影层估计每个视觉词元的敏感度，无需反向传播即可决定剪枝对象，可直接移植到任意 VLM 的视觉编码器—投影层之间做免训练加速。
ZINA：多模态细粒度幻觉检测与编辑
ZINA: Multimodal Fine-grained Hallucination Detection and Editing
为视觉语言模型输出提供细粒度幻觉片段定位与错误类型分类（六类），并给出修正建议，可直接用于VLM生成结果的自动核查与后处理编辑；其基于图结构建模错误类型依赖的合成数据生成方式，也可迁移到其他需要细粒度标注稀缺的多模态任务。
面向前馈高斯泼溅的 Z-Order Transformer
Z-Order Transformer for Feed-Forward Gaussian Splatting
将无序高斯点集通过 Z-order 曲线序列化，并用稀疏注意力建模空间与语义关系，为前馈式 3DGS 提供了一种可复用的高效上下文建模与冗余压缩方案。
Yume1.5：文本控制的交互式世界生成模型
Yume1.5: A Text-Controlled Interactive World Generation Model
统一上下文压缩加线性注意力、以及双向注意力蒸馏，是把扩散视频生成压到实时流式（单卡 A100 上 540p 12fps）的可复用手段，做交互式世界模型或长视频生成的人可以直接借鉴其历史上下文压缩与蒸馏流程。
一站式AI生成视频检测方案
Your One-Stop Solution for AI-Generated Video Detection
为视觉研究者提供了一个覆盖31个最新生成模型、44万视频的AI生成视频检测基准，可直接用于评测或训练检测器，并给出8项分析与4个新发现，帮助定位现有检测器在语义多样性与技术代表性上的失效模式。
你的潜变量掩码是错的：面向扩散模型的像素等价潜变量合成
Your Latent Mask is Wrong: Pixel-Equivalent Latent Compositing for Diffusion Models
把「潜空间合成应当等价于像素空间合成」作为设计准则，用一个轻量 Transformer 预测逐通道混合权重与离流形残差修正，使扩散模型在 8 倍压缩的 VAE 潜变量上也能实现全分辨率掩码与软边缘 alpha 合成；做图像修复、局部编辑或任何需要掩码融合的扩散流程时，可直接替换线性潜变量插值这一环节，且无需微调骨干网络。
你的差异性定义了你：利用类别多样性进行互补学习
Your Dissimilarities Define You: Complementary Learning Exploiting Class Diversities
把「非目标类」整体建模为一个 opposite-class 并对其激活分布做显式约束，可作为分类头/损失层的即插即用正则项，配合神经坍缩分析改善特征几何，适用于开放集、少样本与域泛化的视觉分类骨干训练。
你的分类器能做更多：弥合分类、鲁棒性与生成之间的鸿沟
Your Classifier Can Do More: Towards Balancing the Gaps in Classification, Robustness, and Generation
把分类器本身当作能量模型，用 min-max 能量对齐把干净样本、对抗样本、生成样本的能量分布拉到一起，从而在同一个网络里同时拿到对抗鲁棒性、干净精度和生成能力；做鲁棒分类或想给判别模型加生成分支的工作可以直接复用这套能量对齐训练目标。
一次擦除即止：擦除任意目标而不引入意外内容
You Only Erase Once: Erasing Anything without Bringing Unexpected Content
用实体分割模型构建的杂物检测器与上下文一致性损失，在无配对真实图像上监督扩散模型做目标擦除，可直接迁移到 inpainting/物体移除任务的数据构造与约束设计；扩散蒸馏得到的少步擦除模型也为编辑类扩散模型的推理加速提供参考。
Yo'City：基于自评论扩展的个性化无边界三维真实感城市场景生成
Yo'City: Personalized and Boundless 3D Realistic City Scene Generation via Self-Critic Expansion
把大模型智能体（全局规划器 + 局部设计器）与等距图像合成、图像到三维生成串联成可无限扩展的城市场景流水线，并用场景图做距离与语义感知的布局优化；对做三维场景生成的人，这是一套可复用的「语言规划→二维等距图→三维资产」分层生成范式与配套评测指标。
YieldSAT：面向高分辨率作物产量预测的多模态基准数据集
YieldSAT: A Multimodal Benchmark Dataset for High-Resolution Crop Yield Prediction
把作物产量预测重新定义为基于多光谱卫星影像的像素级回归任务，并给出多模态融合架构与深度集成在真实分布偏移下的对比基线，可直接复用于遥感密集回归与域偏移鲁棒性研究。
YOSE：为高效 DiT 视频物体移除仅选择必要词元
YOSE: You Only Select Essential Tokens for Efficient DiT-based Video Object Removal
对做 DiT 视频生成/编辑的人，这篇给出了一个可复用的思路：用可微的动态索引按掩码只处理必要词元，并用扩散过程模拟器近似未掩码区域在自注意力中的影响，从而让推理时间随掩码面积线性增长，可直接迁移到 inpainting、视频编辑等掩码驱动的生成任务上做加速。
YOLO-ULM：面向实时目标检测的超轻量模型
YOLO-ULM: Ultra-Lightweight Models for Real-Time Object Detection
提供了一套可复用的高效检测器设计范式：并行下采样与高效特征聚合模块可在不损失信息的前提下压缩骨干网络，配合改进的完整 IoU 损失，可直接迁移到其他实时检测或轻量骨干网络设计中。
YOLO-Master：基于专用Transformer的MOE加速增强实时检测
YOLO-Master: MOE-Accelerated with Specialized Transformers for Enhanced Real-time Detection
将稀疏混合专家（MoE）与动态路由引入YOLO框架，实现按场景复杂度自适应分配计算资源，为实时目标检测提供可复用的高效计算范式。
XSeg：面向真实安检场景的大规模X射线违禁品分割基准
XSeg: A Large-scale X-ray Contraband Segmentation Benchmark For Real-World Security Screening
XSeg 提供了大规模像素级 X 射线违禁品分割基准，可用于评估和提升模型在安检场景下的实例分割与跨域泛化能力；APSAM 的 Energy-Aware Encoder 和 Adaptive Point Generator 为基于 SAM 的少点提示标注提供了可复用思路。
XPaintNet：一种无需图像修复网络的极轻量级立体转换框架
XPaintNet: An eXtreme Lightweight Framework for Stereoscopic Conversion without Inpainting Network
提出 Bi-Warp 双向光流与可学习掩码融合的轻量级立体视图合成方法，可复用于需要实时新视图生成且避免图像修复网络的重建或渲染任务。
X 波段雷达非视域成像
X-band Radar Non-Line-of-Sight Imaging
把 NLOS 成像从光学波段搬到 X 波段雷达，利用长波长把漫反射变成准镜面反射，从而突破平方衰减的射程限制；其「学习式稠密预测 + 几何感知重建」的两阶段神经重建框架，可迁移到低分辨率、长波段的深度/几何反演任务。
X-WIN：通过预测性感知构建胸部X射线世界模型
X-WIN: Building Chest Radiograph World Model via Predictive Sensing
X-WIN 通过从 CT 体数据蒸馏三维解剖知识来构建 CXR 世界模型，其潜空间投影预测与亲和力引导对比对齐损失可迁移到其他需要从 2D 投影恢复 3D 结构的视觉任务，如 X 光片的三维重建与跨模态表征学习。
X-Part：高保真且结构连贯的形状分解与补全
X-Part: High Fidelity And Structure Coherent Shape Decomposition And Completion
把边界框当作部件生成的提示、并注入逐点语义特征来实现语义一致的部件分解，这套「框提示 + 点特征」的条件注入方式可直接迁移到部件级补全、重拓扑与可编辑资产生成流程中。
X-PCR：眼科诊断中跨模态渐进式临床推理基准
X-PCR: A Benchmark for Cross-modality Progressive Clinical Reasoning in Ophthalmic Diagnosis
该基准为视觉-语言模型在眼科诊断中的渐进式推理与跨模态整合能力提供了细粒度评测协议，其六阶段推理链和六模态整合任务可直接用于诊断多模态模型在临床视觉推理中的短板。
X-AVDT：面向鲁棒深度伪造检测的音视频交叉注意力
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
把生成器内部的音视频交叉注意力当作取证线索：用 DDIM 反演取回生成过程中的模态对齐特征与反演差异图，作为检测器输入，这一思路可迁移到其他「利用生成模型内部表征做取证/溯源」的视觉任务。
写在关键处：面向 3D 高斯泼溅的策略引导水印
Write Where It Matters: Policy-Guided Watermarks for 3D Gaussian Splatting
把水印嵌入位置与强度建模为马尔可夫决策过程，用轻量策略网络按即时奖励逐锚点调节梯度尺度；做 3DGS 版权保护或需要在不破坏渲染质量的前提下向高斯参数注入可控扰动时，这套策略引导的逐锚点梯度缩放可直接复用。
WorldStereo：通过三维几何记忆连接相机引导视频生成与场景重建
WorldStereo: Bridging Camera-Guided Video Generation and Scene Reconstruction via 3D Geometric Memories
把增量更新的点云作为全局几何记忆、用3D对应关系约束注意力感受野，为相机可控视频扩散提供了一种可复用的几何条件注入方式；同时其蒸馏骨干网络免联合训练的轻量控制分支设计，对做可控生成与少步采样的人有直接参考价值。
WorldReel：具有一致几何与运动建模的 4D 视频生成
WorldReel: 4D Video Generation with Consistent Geometry and Motion Modeling
把点图、相机轨迹和稠密光流作为显式 4D 表示与 RGB 帧联合生成，为视频生成提供了一条用几何监督约束时空一致性的可复用路线；做视频扩散或世界模型的研究者可以直接借鉴其 4D 监督信号构造与合成/真实数据混合训练策略。
WorldMM：面向长视频推理的动态多模态记忆智能体
WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning
把长视频理解从纯文本摘要记忆扩展到文本+视觉的多源记忆库，并用自适应检索代理按查询迭代选择记忆源与时间粒度；对做长视频 VQA、视频检索或记忆增强 VLM 的工作，这套「多粒度情景记忆+语义记忆+视觉记忆」的组织与检索策略可直接复用。
WorldLens：面向真实世界的驾驶世界模型全谱系评测
WorldLens: Full-Spectrum Evaluations of Driving World Models in Real World
为驾驶世界模型提供覆盖生成、重建、动作跟随、下游任务与人类偏好的统一评测协议，并给出可蒸馏的评测模型范式；做视频生成或自动驾驶仿真的研究者可直接用其指标与 WorldLens-26K 标注来诊断模型在几何一致性与物理合理性上的失效模式。
WorldGen：从文本到可漫游、可交互的三维世界
WorldGen: From Text to Traversable and Interactive 3D Worlds
把「图像生成器提供外观先验 + 图像到3D模型做整体重建 + 逐实体高分辨率重生成」串成一条可复用的场景生成流水线，对做文本驱动3D场景生成和可导航场景重建的人，提供了一个绕开场景不完整/不一致问题的分解-重生成范式。
一帧世界：将文化混合理解为视觉语言模型的新挑战
World in a Frame: Understanding Culture Mixing as a New Challenge for Vision-Language Models
为 LVLM 研究提供了一个可复用的文化混合 VQA 基准与四种子任务设定，并验证了用扩散生成的多文化混合数据做监督微调可显著降低模型对背景的依赖、提升跨上下文预测一致性，可作为评估和缓解 LVLM 背景偏置的参考范式。
WonderZoom：多尺度三维世界生成
WonderZoom: Multi-Scale 3D World Generation
把尺度自适应的 Gaussian surfels 与渐进式细节合成器结合，让单张图像可以自回归地「放大」出跨尺度的三维内容，为单图三维场景生成与实时渲染提供了一条可复用的多尺度表示思路。
WiseEdit：面向认知与创造性图像编辑的基准
WiseEdit: Benchmarking Cognition- and Creativity-Informed Image Editing
为图像编辑模型提供了按「感知—解读—想象」三级认知链和三类知识（陈述性/程序性/元认知）组织的评测框架，可直接用于诊断现有编辑模型在知识推理与创造性构图上的短板，并指导训练数据与能力分解设计。
多模态模型会被多图视觉谜题难住吗？
Will Multimodal Models Be Dazzled by Multi-Image Visual Puzzles?
对做多图/多帧视觉语言推理的人，MIRACLE 提供了强制跨图依赖的评测协议与实例分组设计，可直接用来诊断 MLLM 在高视觉信息密度（谜题、超多图输入）下的结构性关系推理短板，并作为多图训练数据的构造参考。
WildRayZer：动态环境中的自监督大视角合成
WildRayZer: Self-supervised Large View Synthesis in Dynamic Environments
用「仅相机的静态渲染器 + 残差」做分析-合成测试，从残差自动生成伪运动掩码并蒸馏运动估计器，再以掩码 token 与门控损失梯度把监督聚焦到跨视角背景补全——这套「静态解释不了的就是瞬态」的自监督信号构造方式，可直接迁移到动态场景重建、稀疏视角 NVS 与动态 SLAM 中的运动分割。
WildPose：面向野外鲁棒姿态估计的统一框架
WildPose: A Unified Framework for Robust Pose Estimation in the Wild
把冻结的 MASt3R 特征骨干网络接入可微 BA 的 3D-aware 更新算子，并用同一骨干的多层级特征训练运动掩码检测器，为动态场景下的单目相机定位提供了一条可复用的「前馈感知前端 + 端到端优化」路线。
WildCap：通过混合逆向渲染实现野外环境下的人脸反照率捕捉
WildCap: Facial Albedo Capture in the Wild via Hybrid Inverse Rendering
提出混合逆向渲染框架：先用数据驱动方法（SwitchLight）把野外图像转成受约束条件，再用基于模型的逆向渲染；并用 texel grid 光照模型把网络预测的非物理伪影（如阴影烘焙）解释为局部物理光照下的干净反照率，配合扩散先验联合优化以消解局部光照与反照率的尺度歧义。这套「数据驱动预处理 + 物理逆向渲染 + 生成先验正则」的思路可迁移到其他本征分解与材质估计任务。
WikiCLIP：面向开放域视觉实体识别的高效对比基线
WikiCLIP: An Efficient Contrastive Baseline for Open-domain Visual Entity Recognition
提出用大语言模型嵌入作为实体表示，并通过视觉引导的知识适配器在图像块级别对齐文本语义与视觉线索，为视觉-语言检索提供了一种高效且可复用的对齐范式。
Widget2Code：通过多模态大语言模型从视觉控件到 UI 代码
Widget2Code: From Visual Widgets to UI Code via Multimodal LLMs
把「从图像生成结构化代码」当作多模态大模型的细粒度视觉理解任务：用图标检索与 UI 组合模块把原子组件拼成完整布局，可作为视觉到结构化序列生成（而非自由文本）的可复用范式，并提供图像级 UI 重建的细粒度评测协议。
WiTTA-Bench：面向 WiFi 感知的测试时自适应基准
WiTTA-Bench: Benchmarking Test-Time Adaptation for WiFi Sensing
WiFi 感知的 TTA 基准与跨设备配对数据集，为视觉研究者提供了与视觉感知互补的被动感知模态；其揭示的 OTTA 与 TTDA 互补性、以及递归自训练对超参敏感的现象，可直接迁移到视觉 TTA 方法的设计与评测中。
为何不采用超参数友好的优化？一种用于长尾识别的单调自适应范数重缩放方法
Why Not Hyperparameter-Friendly Optimisation? A Monotonic Adaptive Norm Rescaling Approach For Long-Tailed Recognition
SAMN 用池相邻违例算法直接对每类权重范数施加单调性约束，替代了需要调参的参数正则化，为长尾识别中的分类器重训练提供了一个无需超参数的通用后处理模块，可即插即用地集成到现有解耦框架中。
为什么RL比SFT泛化更好？基于数据视角的VLM后训练分析
Why Does RL Generalize Better Than SFT? A Data-Centric Perspective on VLM Post-Training
提出基于样本难度的数据筛选策略（DC-SFT），可替代RL微调以更低成本提升VLM的OOD泛化，为视觉语言模型后训练提供数据侧改进思路。
白平衡优先，后调整：通过视觉语言模型评估的跨相机颜色恒常性
White-Balance First, Adjust Later: Cross-Camera Color Constancy via Vision-Language Evaluation
将颜色恒常性重新定义为迭代感知反馈问题，利用LoRA微调的VLM评估白平衡后的图像并给出残差色偏方向，替代直接RGB回归，为跨相机颜色恒常性提供新思路。
WhisperNet：一种可扩展的带宽高效协同感知方案
WhisperNet: A Scalable Solution for Bandwidth-Efficient Collaboration
提出以接收端为中心的全局协调范式，通过轻量显著性元数据与全局请求计划动态分配带宽，并设计协同特征路由模块对齐消息，可即插即用地提升现有协同感知模型的通信效率与鲁棒性。
遗忘哪些概念与如何拒绝？面向大型视觉语言模型持续遗忘的概念分解
Which Concepts to Forget and How to Refuse? Decomposing Concepts for Continual Unlearning in Large Vision-Language Models
把「遗忘」从整模型级细化到视觉-语言概念组合级，并用概念驱动的 MoE 路由复用拒绝专家，为 LVLM 安全对齐与顺序删除请求提供可复用框架；做多模态安全/隐私的读者可直接借用其概念调制器与 refuser 路由设计。
何处、何物、为何：迈向可解释的 3D-GS 水印
Where, What, Why: Toward Explainable 3D-GS Watermarking
把水印载体选择与视觉补偿器解耦，并用通道级分组掩码限制梯度传播，这套「载体/补偿器分离 + 梯度门控」思路可直接迁移到 NeRF、高斯泼溅等隐式表示的内容溯源与版权保护，同时其逐高斯归因为隐式表示的可解释性分析提供了可复用工具。
多模态大模型关注何处、依赖什么：解释自回归词元生成
Where MLLMs Attend and What They Rely On: Explaining Autoregressive Token Generation
提供一种黑盒、低显存的归因框架，可把 MLLM 生成的任意词元追溯到紧凑的图像区域，并量化语言先验与视觉证据的相对贡献；做 VLM 幻觉诊断或视觉 grounding 分析时，可直接复用其充分性/必要性目标与稀疏区域贪心搜索来定位模型真正依赖的图像证据。
视觉在哪里与语言相遇？通过对比注意力理解并改进 MLLM 中的视觉融合
Where Does Vision Meet Language? Understanding and Refining Visual Fusion in MLLMs via Contrastive Attention
提供了一种免训练的对比注意力机制，通过建模早期融合层与最终层之间的注意力变换来突出有意义的注意力转移，可直接插入任意 MLLM 的推理过程以提升多模态推理，无需微调；其逐层掩码分析范式也可用于诊断其他视觉-语言模型的融合位置。
文化何处褪色：揭示文本到图像生成中的文化鸿沟
Where Culture Fades: Revealing the Cultural Gap in Text-to-Image Generation
提出一种通过定位文化敏感神经元并在推理时放大或选择性微调相关层来提升多语言T2I模型文化一致性的方法，为可控生成提供神经元级干预思路。
何时思考、何时观察：不确定性引导的回看
When to Think and When to Look: Uncertainty-Guided Lookback
对做 LVLM 视觉推理的人，这篇给出了一个可直接套用的无训练解码策略：用不确定性信号触发显式回看图像的短提示，并配合宽度搜索，在固定模型和词元预算下提升 MMMU 等基准，尤其补强标准 thinking 较弱的类别。
当可视化成为推理的第一步：MIRA，一个面向视觉思维链的基准
When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought
该基准把「生成中间视觉草图/路径图」作为推理的必要环节，为视觉研究者提供了检验 MLLM 是否真正利用视觉中间表征的评测协议（三级输入：直接输入、Text-CoT、Visual-CoT），可用于设计需要视觉想象的推理模型与训练数据。
当理解成为风险：新兴图像生成范式中的真实性与安全风险
When Understanding Becomes a Risk: Authenticity and Safety Risks in the Emerging Image Generation Paradigm
论文系统对比了MLLM与扩散模型在生成不安全内容和虚假图像上的安全风险，并揭示现有虚假图像检测器对MLLM生成图像识别困难、且可通过更长描述性输入绕过。对视觉安全研究者而言，这提示需要针对MLLM生成范式设计新的检测与防御方法，并重新评估现有检测器的泛化性。
当 Transformer 遇见 Mamba：一种用于视频目标检测的混合 Transformer-Mamba 网络
When Transformers Meet Mamba: A Hybrid Transformer-Mamba Network for Video Object Detection
将 Mamba 的线性复杂度长序列建模能力与 Transformer 的长程依赖建模能力结合，用于视频目标检测中的跨帧特征聚合；其空间自适应可变形 Transformer 编码器和时序级联双向 Mamba 编码器可作为通用模块迁移到其他需要长时序建模的视频任务中。
当词元剪枝不如随机剪枝：理解视觉语言模型中的视觉词元信息
When Token Pruning is Worse than Random: Understanding Visual Token Information in VLLMs
为视觉语言模型中的视觉词元剪枝提供了理论依据：深层视觉词元信息消失，随机剪枝即可，且可增强现有方法（如DivPrune），在OCR等视觉密集任务中需保留更深层词元。
当安全相互冲突：通过自适应安全引导消解文本到图像扩散中的多类别有害冲突
When Safety Collides: Resolving Multi-Category Harmful Conflicts in Text-to-Image Diffusion via Adaptive Safety Guidance
对做扩散模型安全对齐的人，这篇给出了一个推理时、免训练的多类别安全方向动态选择机制：不再用多类关键词平均出的单一有害区域，而是按当前生成状态识别最对齐的有害类别并只沿该方向引导，可直接插到潜空间或文本空间的安全模块上。
机器人何时该说「我不知道」：具身问答中弃权行为的基准评测
When Robots Should Say ''I Don't Know'': Benchmarking Abstention in Embodied Question Answering
为视觉语言模型在具身场景中引入「拒答」能力提供了可复用的评测基准与五类弃权分类法，做 VLM 可靠性或交互式问答时可据此设计拒答召回指标与歧义问题构造流程。
当机器人服从补丁：针对视觉-语言-动作模型的通用可迁移补丁攻击
When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models
提出一种在共享特征空间中学习通用对抗补丁的框架，结合特征偏移、注意力主导和语义错配损失，可迁移到未知架构的VLA模型，为视觉-语言-动作系统的安全性评估和防御提供了可复用的攻击基线。
当漂亮不再有用：探究现代文本到图像模型为何无法作为可靠的训练数据生成器
When Pretty Isn't Useful: Investigating Why Modern Text-to-Image Models Fail as Reliable Training Data Generators
对做合成数据训练、数据增强或生成式数据引擎的视觉研究者，这篇论文提示：T2I 模型的视觉保真度与提示词遵循度提升并不等于训练数据可用性提升，需在数据生成流程中显式度量生成分布的多样性与对真实分布的覆盖度，而非只看 FID 或人工观感。
当数字发声：文本到视频扩散模型中文本数词与视觉实例的对齐
When Numbers Speak: Aligning Textual Numerals and Visual Instances in Text-to-Video Diffusion Models
通过筛选判别性自注意力/交叉注意力头提取可计数的潜变量布局，再调制交叉注意力引导重生成，是一种无需训练即可复用的生成过程结构引导手段，可直接迁移到其他需要空间/数量约束的扩散生成任务。
当局部规则产生全局秩序：面向潜扩散模型的自组织表征学习
When Local Rules Create Global Order: Self-Organized Representation Learning for Latent Diffusion Models
为潜扩散模型提供了一种通过局部吸引与排斥机制自组织形成兼具局部平滑与全局分散潜空间的方法，可提升重建与生成质量，对设计更好的潜空间正则化有直接启发。
当低秩适配背叛你：伪装成良性适配器的文本到图像模型后门攻击
When LoRA Betrays: Backdooring Text-to-Image Models by Masquerading as Benign Adapters
揭示了以 LoRA 适配器为载体的模型共享生态中的后门注入路径：攻击者只需冻结基座、仅训练低秩权重即可植入「触发词→目标图像」的跨模态隐藏映射，这为视觉社区设计 LoRA 权重审计、触发器检测与安全加载协议提供了明确的威胁模型与评测设定。
当线条遇上纹理：面向跨稀疏度对应的空间-频率对齐扩散特征
When Lines Meet Textures: Spatial-Frequency Aligned Diffusion Features for Cross-Sparsity Correspondence
把扩散模型中间层特征当作免训练的描述子来做稀疏线条图与纹理照片之间的匹配，并指出仅做空间对齐不够、需在频域聚合低频分量以抹平纹理密度差异——这套双域对齐思路可直接迁移到草图检索、跨模态配准、线稿上色等需要跨越抽象层级差异的匹配任务。
模型何时真正做出决策？映射预训练神经网络中的逐层决策时间线
When Do Models Actually Decide? Mapping the Layer-Wise Decision Timeline in Pretrained Neural Networks
该论文通过逐层线性探针揭示了预训练ResNet在前向传播中决策形成的层间时间线，为设计基于稳定性的早退机制提供了量化依据，并指出简单图像可能在网络早期即被决定，这对视觉模型推理加速和动态计算分配有直接启发。
当CLIP看到更多时，它反击得更狠：面向测试时对抗鲁棒性的多视图引导自适应反击
When CLIP Sees More, It Fights Back Harder: Multi-View Guided Adaptive Counterattacks for Test-Time Adversarial Robustness
提出一种免调优的测试时多视图自适应反击框架，通过估计每个视图的损坏程度来软加权反击强度，可直接用于提升CLIP等视觉语言模型在推理阶段对抗攻击的鲁棒性。
当匿名性失效：识别文本到图像排行榜背后的模型
When Anonymity Breaks: Identifying Models Behind Text-to-Image Leaderboards
对做生成模型评测与图像取证的研究者，这篇给出一个可复用的去匿名化流程：用图像嵌入空间中的模型级质心做最近质心分类，无需提示词控制或训练数据，可用于检测排行榜匿名性漏洞或构建溯源/水印防御基线。
当AVSR遇见视频会议：数据集、退化现象及性能崩溃背后的隐藏机制
When AVSR Meets Video Conferencing: Dataset, Degradation, and the Hidden Mechanism Behind Performance Collapse
论文构建了面向视频会议场景的多模态音视频语音识别数据集MLD-VC，并揭示了语音增强算法与Lombard效应引起的分布偏移是性能下降的主因，为视觉研究者提供了真实场景下的鲁棒性评测基准和微调策略。
场景文本识别的合成数据有何问题？一个具有多样模拟与自进化的强合成引擎
What's Wrong with Synthetic Data for Scene Text Recognition? A Strong Synthetic Engine with Diverse Simulations and Self-Evolution
UnionST 数据引擎通过增强语料、字体和布局的多样性来缩小合成与真实数据的域差距，其自进化学习框架仅需 9% 的真实标签即可达到竞争性性能，为文本识别及其他视觉任务的数据合成与半监督标注提供了可复用的思路。
你的特征泄露了什么：面向分割式 DNN 的数据高效黑盒特征反演攻击
What Your Features Reveal: Data-Efficient Black-Box Feature Inversion Attack for Split DNNs
把流匹配引入特征反演：用潜空间对齐模块 + 确定性一步流匹配把中间特征投回目标流形，可在极少图像-特征对下训练，为评估分割式推理的隐私泄露提供了可复用的攻击基线；其基于 LVLM 的语义保真度指标也可直接用于衡量任何重建/反演任务的语义一致性。
实用学习型图像压缩中真正重要的因素
What Matters in Practical Learned Image Compression
论文把感知质量与端侧运行时延作为联合优化目标，并用数百万骨干网络配置的感知性能神经架构搜索来寻找帕累托前沿，这套「感知指标驱动的 NAS + 时延约束」流程可直接迁移到超分、去噪等底层视觉模型的端侧部署设计。
什么构成了用于零样本立体匹配的优质合成训练数据？
What Makes Good Synthetic Training Data for Zero-Shot Stereo Matching?
对做双目立体匹配或任何需要合成训练数据的视觉任务，这篇论文给出了程序化生成器的参数消融方法论：逐参数扫描并测量零样本基准性能，可直接迁移到光流、深度估计等任务的数据集设计上。
精确率与召回率之间的最优排序分数是什么？我们总能找到它，而且它很少是 F1
What Is the Optimal Ranking Score Between Precision and Recall? We Can Always Find It and It Is Rarely F1
为视觉任务中普遍使用的 F-beta/F1 指标提供了可替代的排序准则：把「在精确率与召回率之间取折中」形式化为 Kendall 秩相关的优化问题，并给出 beta 的闭式最优解，可直接用于检测、分割等任务的模型排序与基准报告。
成为噪声是什么体验？一种面向扩散模型的基于熵的高斯噪声正则化
What Is It Like to Be a Noise? An Entropy-based Gaussian Noise Regularization for Diffusion Models
为扩散模型潜变量的推理时优化提供一个可单样本计算的「高斯性」正则项，可直接插入现有 latent optimization / 引导式编辑流程，缓解伪影与奖励黑客问题。
视觉词元究竟编码了什么？揭示多模态大语言模型中的稀疏性与冗余性
What Do Visual Tokens Really Encode? Uncovering Sparsity and Redundancy in Multimodal Large Language Models
该论文揭示了多模态大语言模型中视觉词元的语义稀疏性（仅约60%的alive词元携带图像信息），并证明中层注入比初始嵌入更有效，为视觉编码器与LLM的高效对接提供了可复用的分析工具（EmbedLens）和设计原则（选择性词元剪枝、最小化视觉计算）。
你在做什么？对可控人体视频生成的深入审视
What Are You Doing? A Closer Look at Controllable Human Video Generation
为可控人体图像到视频生成提供了细粒度基准与改进后的评测指标，做人体视频生成或动作可控生成的研究者可直接用它诊断模型在动作、交互、运动等 9 个维度上的短板，而不必再依赖 TikTok、TED-Talks 这类多样性不足的旧数据。
通过神经场适配进行权重空间表征学习
Weight Space Representation Learning via Neural Field Adaptation
把预训练神经场的乘性低秩适配权重本身当作图像/3D 场景的表征，可直接接入潜变量扩散模型做生成，为视觉研究提供了一条绕开像素或特征编码器的「权重即表征」路线，可用于少样本重建与权重空间编辑。
WebGym：面向长程视觉网页智能体的大规模训练环境与真实任务
WebGym: Scaling Training Environments for Long-Horizon Visual Web Agents with Realistic Tasks
提供了一个可扩展的视觉网页智能体 RL 训练环境与高吞吐异步 rollout 系统，视觉研究者可借鉴其「自采样轨迹 + 任务奖励」的 RL 配方与异步采样加速思路，用于训练以截图/网页渲染为观测的 VLM 智能体。
WebChain：一个大规模人工标注的真实网页交互轨迹数据集
WebChain: A Large-Scale Human-Annotated Dataset of Real-World Web Interaction Traces
提供带视觉-结构-动作三重对齐的真实网页交互轨迹，可用于训练和评测 GUI 智能体的空间视觉定位与规划解耦能力，WebChainBench 可作为视觉智能体定位任务的评测协议参考。
WeaveTime：从早期帧流式编织出 VideoLLM 中的涌现记忆
WeaveTime: Streaming from Earlier Frames into Emergent Memory in VideoLLMs
对做流式视频理解的人，这篇给出了一个模型无关的插件式方案：用轻量时序重建目标注入顺序感知表征，再配合不确定性触发、由粗到细的 Past-Current 动态焦点缓存，在严格在线、时间因果约束下兼顾精度与延迟，可直接挂到现有 Video-LLM 上。
WeatherCity：可控多天气变换的城市场景重建
WeatherCity: Urban Scene Reconstruction with Controllable Multi-Weather Transformation
把天气编辑从图像级搬到 4D 高斯场景级：用共享场景特征加天气专属解码器构造天气高斯表示，并用内容一致性优化保证跨天气几何一致，可直接用于自动驾驶闭环仿真中的多天气数据合成。
基于异常连通分量与意图推理的弱监督视频异常检测
Weakly Supervised Video Anomaly Detection with Anomaly-Connected Components and Intention Reasoning
把「异常连通分量」当作无需帧级标注的伪语义分组手段，配合意图感知区分相似正常/异常行为，可直接迁移到其他弱监督时序定位任务（如弱监督动作定位、视频篡改定位）中构造帧级伪标签。
WeMMU：通过噪声查询令牌增强视觉语言模型与扩散模型的桥接
WeMMU: Enhanced Bridging of Vision-Language Models and Diffusion Models via Noisy Query Tokens
用带噪声的可学习查询令牌作为 VLM 与扩散模型之间的分布式接口，并配一条 VAE 线性投影支路补回细节，可直接用于构建视觉生成式多模态助手，缓解固定查询令牌在跨任务时的泛化崩溃。
WeDetect：将快速开放词表目标检测视为检索
WeDetect: Fast Open-Vocabulary Object Detection as Retrieval
将开放词表检测视为检索问题，采用双塔架构避免跨模态融合层，实现实时推理；其冻结检测器并微调对象性提示词生成通用提案的思路，可复用于需要快速回溯历史数据的场景。
基于小波变换的语义边界检测帧选择用于长视频理解
Wavelet-based Frame Selection by Detecting Semantic Boundary for Long Video Understanding
提出一种免训练的小波变换帧选择方法，通过多分辨率分析从噪声相似度信号中提取语义边界，为长视频理解中的关键帧选择提供了可复用的信号去噪与分段思路。
小波驱动的姿态无关与稀疏视角下的3D异常检测
Wavelet-Driven 3D Anomaly Detection under Pose-Agnostic and Sparse-View
针对稀疏视角下3D异常检测，提出小波驱动的高斯建模与姿态估计方法，利用高频监督恢复几何细节、低频结构增强姿态初始化，为稀疏观测下的3D重建与定位提供可复用思路。
Wave-Former：基于无线形状补全的穿透遮挡三维重建
Wave-Former: Through-Occlusion 3D Reconstruction via Wireless Shape Completion
把视觉中的形状补全范式迁移到毫米波点云上，用三阶段流水线（候选表面生成→Transformer 补全→熵引导选择）解决穿透遮挡后的稀疏高噪点云补全问题；其纯合成训练、真实数据泛化的设定，对做稀疏/噪声点云补全和跨域泛化的视觉研究者有直接借鉴价值。
观看并学习：从在线视频中学习使用计算机
Watch and Learn: Learning to Use Computers from Online Videos
把「从连续屏幕状态反推用户动作」的逆动力学建模思路，可直接迁移到视觉示教学习与视频到动作的标注流程中，为从无标注视频自动构造可执行轨迹提供了一套可复用的检索+标注管线。
Wanderland：面向开放世界具身智能的几何落地仿真
Wanderland: Geometrically Grounded Simulation for Open-World Embodied AI
对做视觉导航与具身评测的人，这篇给出了一个把多传感器采集、几何可靠重建与视频-3DGS 渲染串起来的 real-to-sim 管线，并量化了纯图像管线在几何上的失真如何传导到导航策略学习与评测可靠性——可直接作为闭环评测的 testbed 与消融参照。
Wan-Weaver：通过解耦训练实现交错多模态生成
Wan-Weaver: Interleaved Multi-modal Generation via Decoupled Training
将交错多模态生成分解为文本规划与视觉一致性建模，并利用文本代理数据训练规划器、参考引导图像数据训练可视化器，为视觉生成中的长程跨模态上下文建模提供了可复用的解耦训练思路。
WalkGPT：面向行人导航的深度感知分割接地视觉语言对话
WalkGPT: Grounded Vision-Language Conversation with Depth-Aware Segmentation for Pedestrian Navigation
把分割掩码与相对深度作为 LVLM 的输出 token 级接地信号，并用多尺度查询投影器在空间层级上聚合图像 token，可复用于任何需要像素级接地与深度推理的视觉语言任务，无需用户提供点或锚框提示。
WaTeRFlow：通过流一致性实现水印的时序鲁棒性
WaTeRFlow: Watermark Temporal Robustness via Flow Consistency
针对图像到视频（I2V）生成后水印检测失效的问题，提出用光流对齐加时序一致性损失来稳定逐帧水印预测，并借助视频扩散代理模型在训练中模拟真实失真；做生成内容溯源或水印鲁棒性评测的视觉研究者可直接复用这套训练与评测设定。
WaDi：权重方向感知蒸馏用于一步图像合成
WaDi: Weight Direction-aware Distillation for One-step Image Synthesis
把蒸馏中权重变化拆成方向与范数两部分，并用可学习低秩旋转矩阵建模方向变化，这一思路可直接迁移到任意扩散/流匹配模型的一步或少步蒸馏，也可作为参数高效微调适配器复用。
WPT：通过在线世界模型蒸馏实现从世界模型到策略的迁移
WPT: World-to-Policy Transfer via Online World Model Distillation
对做视觉驱动决策的研究者，可复用其「世界模型在线蒸馏到轻量学生策略」的范式：用世界模型预测的未来动力学构造奖励信号训练教师策略，再蒸馏为学生策略，从而在保持实时推理的同时获得世界模型的规划收益。
WOD-E2E：面向挑战性长尾场景端到端驾驶的Waymo开放数据集
WOD-E2E: Waymo Open Dataset for End-to-End Driving in Challenging Long-tail Scenarios
为视觉端到端驾驶提供了聚焦长尾场景的基准与基于人类偏好评分的开放环指标 RFS，可用于评估轨迹预测在罕见场景下的多模态合理性，替代传统距离指标。
WISER：面向免训练零样本组合图像检索的更广搜索、更深思考与自适应融合
WISER: Wider Search, Deeper Thinking, and Adaptive Fusion for Training-Free Zero-Shot Composed Image Retrieval
提出免训练的多模态检索框架，通过并行生成编辑文本和编辑图像扩大候选池，并用验证器评估置信度触发自反思精炼，可复用于其他需要融合多模态查询的检索任务。
WHU-MARS：面向任意场景行人重识别的多光谱空地基准
WHU-MARS: A Multispectral Aerial-Ground Benchmark Towards Any-Scenario Person Re-Identification
WHU-MARS 提供了覆盖 RGB/近红外/热红外 × 地面/无人机视角的统一异构图库，可直接用于评测「单模型跨任意模态-视角组合检索」；其 ProCA+GPD 思路（先把多视角特征聚成模态中心再对齐到身份中心，并用全局身份原型做对比）可作为处理模态/视角域偏置的通用表征对齐手段迁移到其他跨域检索任务。
WEAVE：释放并基准化上下文交错理解与生成
WEAVE: Unleashing and Benchmarking the In-context Interleaved Comprehension and Generation
提供了首个面向多轮上下文交错理解与生成的大规模数据集与人工标注基准，并给出结合参考图像与原始图文指令对的混合 VLM 评判协议，可直接用于训练和评测统一多模态模型的视觉记忆与上下文推理能力。
WAM-Flow：基于离散流匹配的并行粗到细运动规划用于自动驾驶
WAM-Flow: Parallel Coarse-to-Fine Motion Planning via Discrete Flow Matching for Autonomous Driving
将离散流匹配引入端到端自动驾驶轨迹规划，用并行双向去噪替代自回归解码，实现可调计算量的粗到细规划；其度量对齐分词器和几何感知流目标可迁移到其他需要结构化输出的视觉任务。
W2W：基于语言模型与强化学习的轨迹预测
W2W: Language-Model-Based Trajectory Prediction with Reinforcement Learning
把行人轨迹与交互线索（同行/跟随/障碍）转成可解析文本提示，再用 T5-Small 两阶段训练（交叉熵监督微调 + 以 ADE 与越野惩罚为奖励的强化学习）做轨迹预测；对做视觉时序预测的人，这是一个可复用的「语言模型 + RL 奖励约束」范式，尤其适合把场景约束写进奖励函数而非损失函数。
Voxify3D：像素艺术遇上体渲染
Voxify3D: Pixel Art Meets Volumetric Rendering
提出正交像素艺术监督与可微 Gumbel-Softmax 量化，将 3D 网格优化与 2D 像素艺术监督桥接，为离散颜色空间下的可微优化和风格化体素生成提供可复用技术。
VoxTell：可自由文本提示的通用三维医学图像分割
VoxTell: Free-Text Promptable Universal 3D Medical Image Segmentation
把自由文本提示（单词到完整临床句子）映射为三维掩码，并在解码器各层做多尺度视觉-语言融合，为医学体数据分割提供可复用的零样本跨模态迁移范式；其跨模态迁移与语言变体鲁棒性评测协议也值得借鉴。
体函数映射
Volumetric Functional Maps
把 functional maps 从曲面推广到体 Laplace 算子的特征函数空间，为体数据（四面体网格、医学体）之间的对应与信号迁移提供了可复用的谱域工具；做形状匹配时引入体谱还能提升纯曲面谱方法的精度。
词汇缩放定律：调整开放词表预测器以提升其开放性
Vocabulary Scaling Law: Tuning Open-vocabulary Predictors for Their Openness
提出词汇缩放定律，指导开放词表预测器的微调应覆盖整个词汇表、调整类名嵌入并强制提示词嵌入正交；SVFT 通过子模最大化选择信息量大的类名子集进行高效微调，可直接用于提升 CLIP 在开放世界中的稳定性和可扩展性。
VoDaSuRe：一个揭示体数据超分辨率中域偏移的大规模数据集
VoDaSuRe: A Large-Scale Dataset Revealing Domain Shift in Volumetric Super-Resolution
该论文揭示了体数据超分辨率模型在真实低分辨率扫描上性能被高估的问题，并提供了大规模配对数据集VoDaSuRe，可用于重新评估和开发更鲁棒的SR方法，避免因训练数据下采样而导致的域偏移。
ViterbiPlanNet：通过可微分Viterbi为教学视频规划注入程序性知识
ViterbiPlanNet: Injecting Procedural Knowledge via Differentiable Viterbi for Planning in Instructional Videos
将程序性知识图谱通过可微分Viterbi层嵌入端到端训练，为视频中的动作序列规划提供了一种结构感知且样本高效的方案，可复用于需要时序推理的视觉任务。
VisualOverload：探测视觉语言模型在真正密集场景中的视觉理解
VisualOverload: Probing Visual Understanding of VLMs in Really Dense Scenes
该基准揭示了当前VLM在密集场景下细节编码与推理的严重不足，为视觉编码器的高分辨率细节保留和推理模块的细粒度逻辑一致性提供了明确的评测靶点。
VisualAD：基于视觉 Transformer 的无语言零样本异常检测
VisualAD: Language-Free Zero-Shot Anomaly Detection via Vision Transformer
去掉文本分支、只用冻结 ViT 骨干加两个可学习 token 来编码正常/异常语义，为视觉研究者提供了一个可复用的纯视觉零样本判别范式，可直接替换 CLIP 文本提示词方案并适配 DINOv2 等骨干。
Visual-RRT：通过可微渲染寻找通向视觉目标的路径
Visual-RRT: Finding Paths toward Visual-Goals via Differentiable Rendering
把可微机器人渲染当作视觉目标的对齐信号，与 RRT 的采样探索结合，为视觉目标条件下的操作规划提供了可复用的「梯度利用 + 采样探索」框架；做视觉目标设定、视觉伺服或渲染驱动优化的研究者可直接借用其前沿式探索-利用调度与惯性梯度树扩展。
视觉感知思维链：在统一模型中实现高保真视觉一致性
Visual-Aware CoT: Achieving High-Fidelity Visual Consistency in Unified Models
将视觉一致性显式纳入统一模型的推理过程，通过自适应视觉规划生成检查清单，并利用迭代视觉修正与流式GRPO强化学习提升多参考生成中的视觉保真度，为可控生成提供了可复用的自反思框架。
面向无人机目标检测的视觉原型条件化焦点区域生成
Visual Prototype Conditioned Focal Region Generation for UAV-Based Object Detection
用类别视觉原型作为扩散模型的条件嵌入，替代纯布局框条件，可缓解小目标边界伪影；配套的焦点区域增强与标签精炼流程可直接用于任何检测器的合成数据增广。
视觉个性化图灵测试
Visual Personalization Turing Test
提出以「感知不可区分」而非身份复刻来评判个性化生成，并给出仅用文本的 VPTT Score 作为可扩展代理指标；做个性化生成（如 DreamBooth 类）或需要自动评测生成内容「像不像某人所为」的视觉研究者，可直接复用其基准与评分协议替代昂贵的人工评测。
面向物体问题的视觉定位
Visual Grounding for Object Questions
把视觉定位从「找可见目标」扩展到「为开放式物体问题找视觉证据」，并给出可自动生成训练/评测数据的流程；做指代分割或 VQA 的研究者可借此设定检验模型在非直接可见概念上的定位能力，也可复用其轻量定位模型与合成基准。
视觉文档理解与推理：一种带智能体级自适应测试时扩展的多智能体协作框架
Visual Document Understanding and Reasoning: A Multi-Agent Collaboration Framework with Agent-Wise Adaptive Test-Time Scaling
把视觉文档理解拆成规划、执行、判断、回答四个智能体并做智能体级自适应测试时扩展，为 VLM 在复杂多步推理场景下提供了一种可复用的「程序化扩展」替代单体模型堆参数的思路。
视觉扩散模型是几何求解器
Visual Diffusion Models are Geometric Solvers
把几何/组合优化问题实例渲染成图像，用标准视觉扩散模型从高斯噪声直接生成近似解，为视觉研究者提供「以图像生成为通用求解器」的范式，可迁移到布局、路径规划等需要输出结构化几何配置的任务。
Vista4D：基于 4D 点云的视频重拍摄
Vista4D: Video Reshooting with 4D Point Clouds
把输入视频与目标相机统一锚定在 4D 点云表示上，用静态像素分割 + 4D 重建显式保留已见内容并提供稠密相机信号，再用重建的多视角动态数据训练以抵抗真实点云伪影——这套「4D 点云作为中间表示 + 合成数据增强鲁棒性」的思路可直接迁移到新视角合成、动态场景编辑与视频重渲染任务。
VisionLeaf：面向高效准确 think-with-image 的熵引导叶优先推理
VisionLeaf: Entropy-Guided Leaf-First Reasoning for Efficient and Accurate Think-with-Image
把 GRPO 的树式 rollout 从根节点扩展改为从叶节点按熵选择扩展，可直接迁移到任何多轮视觉推理 VLM 的强化学习训练中，在不改模型与数据的前提下同时降低推理轮数并提升准确率。
VisionDirector：视觉语言引导的闭环优化用于生成式图像合成
VisionDirector: Vision-Language Guided Closed-Loop Refinement for Generative Image Synthesis
提出一种无需训练的视觉语言监督器，通过结构化目标提取、动态决策、微网格采样与语义验证回滚，实现长指令下的闭环图像生成与编辑；并利用Group Relative Policy Optimization微调规划器，为可控生成提供可复用的规划与验证框架。
视觉-语音模型：教语音模型谈论图像
Vision-Speech Models: Teaching Speech Models to Converse about Images
为预训练语音模型通过轻量适配模块注入视觉理解能力，并设计动态门控机制在视觉输入与无关对话间切换，为构建实时多模态语音对话系统提供可复用方案。
面向视觉的预算自适应评估轻量神经架构搜索
Vision-Oriented Lightweight Neural Architecture Search with Budget-Adaptive Evaluation
用六个训练开销极小的微型视觉任务作为代理信号来给候选架构排序，可在接近免训练方法的成本下获得基于训练的可靠性，适合直接替换现有 NAS 流程中的评估器。
视觉语言模型引导的最优传输无源域自适应
Vision-Language Model Guided Source-Free Domain Adaptation via Optimal Transport
用预训练 VLM 的语义先验替代不可靠伪标签来构造目标特征与源原型的 OT 匹配，并配合模型↔VLM 双向蒸馏交替训练，可作为无源域自适应、测试时无标签迁移场景下替代伪标签自训练的通用范式。
面向终身行人重识别的视觉-语言属性解耦与强化
Vision-Language Attribute Disentanglement and Reinforcement for Lifelong Person Re-Identification
把 VLM 的文本属性作为跨域共享的细粒度监督信号，用文本属性解耦+跨模态属性对齐来指导视觉特征提取，这一思路可直接迁移到其他需要抗遗忘的跨域检索/分类任务（如跨域行人检索、细粒度识别）中。
视觉 Transformer 需要的不仅是寄存器
Vision Transformers Need More Than Registers
论文指出 ViT 的 CLS 令牌会通过全局注意力把语义无关的背景图像块当作捷径来聚合全局语义，并给出一种选择性聚合图像块特征的方案；做视觉表征学习或下游微调时，可以直接替换 CLS 令牌的聚合方式，以抑制背景主导的伪影。
视觉基础模型可以成为潜扩散模型的优秀分词器
Vision Foundation Models Can Be Good Tokenizers for Latent Diffusion Models
把冻结的视觉基础模型（如 DINO 类语义特征）直接当作潜扩散模型的分词器，并配一个从语义特征重建真实图像的解码器，可显著加快扩散训练收敛；做 LDM 的人可以据此替换 VAE 分词器，做表征学习的人可借鉴其双侧对齐训练策略。
VisiLock：基于双分数蒸馏的指令图像编辑授权控制
VisiLock: Authorizing Instruction-based Image editing with Dual Score Distillation
提出将访问控制内嵌到扩散模型权重中的双教师分数蒸馏框架，为视觉生成模型的知识产权保护提供了一种可抵抗对抗微调的权重锁定方案，可复用于其他条件生成模型的授权控制。
VisRes Bench：评估视觉语言模型的视觉推理能力
VisRes Bench: On Evaluating the Visual Reasoning Capabilities of VLMs
对做 VLM 或视觉推理的研究者，VisRes Bench 提供了按感知补全、单属性规则推理、多属性组合推理三级划分的受控评测协议，并系统施加模糊、纹理替换、遮挡、旋转等感知扰动，可用于诊断模型究竟是真正在做视觉推理还是依赖语言先验，也可作为训练或微调后的抽象视觉推理评测集。
VisRef：思考时视觉重聚焦提升多模态大推理模型的测试时扩展
VisRef: Visual Refocusing while Thinking Improves Test-Time Scaling in Multi-Modal Large Reasoning Models
提出一种无需额外强化学习微调的测试时扩展框架，通过选择与推理上下文语义相关且全局多样的视觉令牌核心集并重新注入，缓解多模态大模型在长文本推理中对视觉信息的注意力衰减，可复用于视觉问答、视觉推理等任务。
VisPlay：自演化视觉语言模型
VisPlay: Self-Evolving Vision-Language Models
把无标注图像变成自生成视觉问答的监督信号，用 GRPO 的多样性与难度奖励联合训练提问器和推理器，可作为 VLM 视觉推理与幻觉抑制的可复用自训练流程。
VisMem：潜变量视觉记忆释放视觉语言模型的潜力
VisMem: Latent Vision Memory Unlocks Potential of Vision-Language Models
为 VLM 在长程生成中维持视觉证据提供了一种潜空间记忆机制：短期记忆模块保留细粒度感知特征、长期记忆模块固化语义，可在推理阶段即插即用地缓解视觉定位漂移，对多模态推理与视觉生成类工作都可直接复用。
VirtueBench：评估长视频理解中不确定性下的可信度
VirtueBench: Evaluating Trustworthiness under Uncertainty in Long Video Understanding
该基准通过多级帧采样构造可回答与不可回答的样本，为评估视觉语言模型在长视频理解中的诚实性（拒绝回答能力）提供了可复用的评测协议，可直接用于诊断现有模型在信息缺失时是否倾向于猜测。
虚拟节点引导的动态图神经网络用于缺失模态脑肿瘤分割
Virtual Nodes Guided Dynamic Graph Neural Network for Brain Tumor Segmentation with Missing Modalities
针对多模态医学影像中模态缺失问题，提出基于虚拟节点和图动态连接的统一框架，可复用于其他多模态融合任务（如RGB-D、多光谱）的缺失模态鲁棒性提升。
双对齐多任务特征引导的虚拟免疫组化染色
Virtual Immunohistochemistry Staining with Dual-Aligned Multi-Task Feature Guidance
面向H&E到IHC虚拟染色，提出用辅助任务特征做引导，并通过聚类与主被动匹配构建对齐矩阵来对齐H&E与IHC特征，可复用于存在空间错位的跨模态图像翻译与配准任务。
通过补全任意量化码实现脑部MRI虚拟全栈扫描
Virtual Full-stack Scanning of Brain MRI via Imputing Any Quantised Code
将任意到任意的MRI模态补全统一为区域级全栈码预测问题，利用矢量量化编码完整模态集并训练投影编码器从缺失模态预测码图，为多模态医学影像的缺失数据补全提供了可复用的两阶段框架。
Vinedresser3D：迈向智能体式文本引导 3D 编辑
Vinedresser3D: Towards Agentic Text-guided 3D Editing
把 3D 编辑搬到原生 3D 生成模型的潜空间里做，用 MLLM 做编辑意图解析与区域定位、再用 inversion-based rectified-flow 图像修复提供视觉引导，这条「语言代理 + 2D 引导 + 3D 潜空间修复」的流水线可直接迁移到 3D 资产编辑与可控 3D 生成任务。
VinQA：面向真实世界多模态文档问答的视觉元素交错长答案生成
VinQA: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA
提出将文档页面中的视觉元素（表格、图表、照片等）与文本交错生成长篇答案的任务，并系统比较了整页编码与模态编码两种视觉元素输入方式，为多模态文档理解与生成提供了可复用的数据构建、编码方案和评测框架（M-GroSE、Visual Source F1）。
面向空地行人重识别的视角感知语义对齐
View-Aware Semantic Alignment for Aerial-Ground Person Re-Identification
用一组视角感知专家生成自适应语义查询，再以图推理对齐局部区域，替代传统视角不变特征对齐；做跨视角检索或需要处理大视角差异的局部特征对齐时可直接借鉴这套专家+图推理的框架。
VideoWorld 2：从真实世界视频中学习可迁移知识
VideoWorld 2: Learning Transferable Knowledge from Real-world Videos
用预训练视频扩散模型承担视觉外观建模、把动作动力学剥离到紧凑潜变量码上再自回归建模，这一「外观-动力学解耦」思路可直接迁移到机器人操作策略学习与长时序视频预测中，也提示视觉研究者可把扩散模型当作可复用的外观先验而非端到端生成器。
VideoWeaver：面向具身智能体的多模态多视图视频到视频翻译
VideoWeaver: Multimodal Multi-View Video-to-Video Transfer for Embodied Agents
将多视图视频翻译统一到基于前馈空间基础模型（Pi3）的共享4D潜空间，并用不同扩散时间步训练实现视图一致的自回归新视角合成，为具身智能中的世界随机化提供可复用方案。
VideoSeek：具备工具引导搜索能力的长时程视频智能体
VideoSeek: Long-Horizon Video Agent with Tool-Guided Seeking
把「视频逻辑流」当作主动搜索线索，用 think-act-observe 循环加多粒度工具按需取帧，替代对密集采样帧的穷举解析；做长视频 VQA 或视频推理时可直接复用这套按需取帧的智能体框架，在帧数大幅下降的同时保持甚至提升精度。
VideoSSR：视频自监督强化学习
VideoSSR: Video Self-Supervised Reinforcement Learning
提出三种视频自监督前置任务（异常定位、物体计数、时序拼图）来自动生成可验证的训练数据，为视频多模态大模型提供无需人工标注的强化学习训练信号，可直接用于提升视频时序定位与复杂推理能力。
VideoRealBench：面向生成式人类中心视频的思维链真实性评估基准
VideoRealBench: A Chain-of-Thought Realism Evaluation Benchmark for Generated Human-Centric Videos
为生成视频的真实性评估提供了带思维链推理的细粒度标注数据集和可解释评估器，视觉研究者可将其用于诊断视频生成模型在人体视频上的真实性缺陷，或借鉴其三步推理标注范式构建其他生成任务的评估基准。
VideoNet：面向领域特定动作识别的大规模数据集
VideoNet: A Large-Scale Dataset for Domain-Specific Action Recognition
提供了一个覆盖38个领域、1087类动作的视频动作识别基准与近50万视频问答对训练集，可用于评测和微调VLM的细粒度动作理解与少样本能力，并揭示当前VLM在领域特定动作上的显著短板。
VideoMaMa：基于生成先验的掩码引导视频抠图
VideoMaMa: Mask-Guided Video Matting via Generative Prior
利用预训练视频扩散模型的生成先验，将粗分割掩码细化为像素级 alpha matte，并构建大规模伪标签视频抠图数据集，为视频抠图提供可扩展的监督信号。
VideoITG：基于指令时序定位的多模态视频理解
VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding
把「选哪些帧」变成由用户指令驱动的判别式选择问题，并用 VidThinker 自动生成指令条件下的时序定位标注；做视频 LLM 或长视频理解时，可直接复用这套帧采样监督信号与即插即用的选帧模块。
VideoFusion：用于多模态视频融合的时空协同网络
VideoFusion: A Spatio-Temporal Collaborative Network for Multi-modal Video Fusion
提出面向视频的多模态融合框架，其双时序协同注意力机制可动态聚合前后向时序上下文，为视频复原、增强等任务中时空一致性建模提供可复用模块；同时发布的M3SVD基准数据集填补了多传感器视频融合的数据空白，便于后续研究公平对比。
VideoCoF：基于时序推理器的统一视频编辑
VideoCoF: Unified Video Editing with Temporal Reasoner
把「先预测编辑区域隐变量、再生成目标视频」的思维链式两阶段生成范式引入视频扩散模型，用推理 token 替代用户掩码实现指令到区域的精确对齐；其 RoPE 对齐策略还可用于超出训练时长的视频长度外推，对做指令驱动编辑与长视频生成的人可直接复用。
VideoChat-M1：通过多智能体强化学习实现面向视频理解的协作策略规划
VideoChat-M1: Collaborative Policy Planning for Video Understanding via Multi-Agent Reinforcement Learning
把视频理解建模为多个策略智能体各自生成、执行并相互通信更新工具调用策略的过程，并用最终答案奖励与中间协作反馈做联合强化学习优化；对做长视频/复杂时序推理的视觉研究者，这是一套可复用的「多智能体+工具调用+MARL」框架，可替代静态固定的工具链。
VideoAuto-R1：思考一次、回答两次的视频自动推理
VideoAuto-R1: Video Auto Reasoning via Thinking Once, Answering Twice
提出「按需推理」机制：用初始答案的置信度决定是否触发思维链，可直接迁移到视频问答、视觉定位等 VLM 推理流程中，在几乎不掉点的前提下把平均输出长度压缩 3.3 倍，是降低多模态大模型推理延迟的可复用策略。
VideoARM：面向长视频理解的分层记忆智能体推理
VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding
提出一种无需穷举预处理的自适应智能体推理框架，通过控制器调用工具进行由粗到细的视频解析，并维护分层多模态记忆，为长视频理解中的高效多模态大模型推理提供了可复用的记忆构建与工具调度机制。
Video2Robo：基于 3DGS 的单视频合成数据实现可扩展机器人学习
Video2Robo: 3DGS-based Synthetic Data from One Video Enables Scalable Robot Learning
利用 3DGS 作为可编辑场景表示，从单段人类演示视频中重建场景并显式编辑物体布局、背景、光照和相机视角，生成多样化的机器人操作训练数据，为视觉研究者提供了一种将 3D 重建与数据生成结合的可复用范式。
视频即答案：用联合 GRPO 预测并生成下一个视频事件
Video-as-Answer: Predict and Generate Next Video Event with Joint-GRPO
提出 Joint-GRPO 强化学习框架，将视觉语言模型与视频扩散模型联合优化，使 VLM 生成利于可视化的描述，VDM 生成与描述和视觉上下文一致的视频，为多模态推理与生成一体化提供可复用范式。
纯视频心智理论：增强多模态大语言模型中的心智理论能力
Video-Only ToM: Enhancing Theory of Mind in Multimodal Large Language Models
提出一种通过计算干预向量来对齐视觉表征与正确语义目标的方法，可引导模型注意力跨层关注视觉特征，减少对语言先验的依赖；该技术可复用于其他需要增强视觉 grounding 的多模态推理任务。
Video-CoE：通过事件链强化视频事件预测
Video-CoE: Reinforcing Video Event Prediction via Chain of Events
论文提出的 Chain of Events 范式通过构建时序事件链来隐式引导 MLLM 关注视觉内容与事件间的逻辑关联，这种将推理链结构嵌入视频时序建模的思路，可迁移到视频问答、动作预测等需要细粒度时序推理的视觉任务中。
面向长视频理解的视频面板
Video Panels for Long Video Understanding
提出一种免训练、参数无关的视觉提示策略，通过将多帧拼接为面板图像来权衡空间细节与时序分辨率，可直接集成到现有视频语言模型中提升长视频理解性能。
通过可平移 RGB-A 分布学习器生成稳定透明度的视频
Video Generation with Stable Transparency via Shiftable RGB-A Distribution Learner
通过可平移的 RGB-A 分布学习，在 VAE 训练中引入透明度感知的双向扩散损失，并在噪声空间平移采样均值与高斯椭圆掩码，为透明视频生成提供稳定且可控的扩散采样策略。
VidTAG：面向全球尺度的时序对齐视频到 GPS 地理定位与去噪序列预测
VidTAG: Temporally Aligned Video to GPS Geolocalization with Denoising Sequence Prediction at a Global Scale
把视频地理定位从图像检索式画廊匹配转为帧到 GPS 坐标的检索，并用 TempGeo 对齐帧嵌入、GeoRefiner 编码器-解码器做时序一致的 GPS 序列精修；对做视觉定位、跨模态检索与视频时序建模的人，这套「坐标库替代图像库 + 时序对齐精修」的范式可直接迁移到轨迹估计类任务。
VidPrism：用于图像到视频迁移的异构混合专家
VidPrism: Heterogeneous Mixture of Experts for Image-to-Video Transfer
提出异构时序混合专家框架，通过内容感知多速率采样生成不同语义/运动强度的视频流，并分配给功能特化的专家，为视觉中的时序建模提供可复用的分工与融合机制。
VidEoMT：你的 ViT 其实也是视频分割模型
VidEoMT: Your ViT is Secretly Also a Video Segmentation Model
把视频分割的时序建模从专用跟踪模块转移到 ViT 编码器内部：复用上一帧的 query 做传播、再与时序无关的可学习 query 融合，可直接迁移到任何基于 query 的视频分割/跟踪管线，用极简结构换取 5-10 倍加速。
VibeToken：扩展一维图像分词器与自回归模型以实现动态分辨率生成
VibeToken: Scaling 1D Image Tokenizers and Autoregressive Models for Dynamic Resolution Generations
把图像编码成 32–256 个可动态控制长度的一维 token，使自回归生成器在任意分辨率下保持恒定浮点运算量；做视觉生成时可借鉴其分辨率无关的分词器设计，替代固定分辨率 VQ 分词器来降低高分辨率推理成本。
Vibe空间：创意连接与表达视觉概念
Vibe Spaces for Creatively Connecting and Expressing Visual Concepts
提出在CLIP特征空间中学习层次图流形以获取低维测地线，实现远距离视觉概念间的平滑语义过渡，为概念混合与创意生成提供可复用的几何路径规划方法。
ViTPrompt：面向开放词表检测的免训练视觉 token 提示词精炼
ViTPrompt: Training-Free Prompt Refinement with Visual Tokens for Open-Vocabulary Detection
提出一种无需训练、无需反向传播的测试时提示词精炼方法：利用首轮高置信检测结果提取实例感知视觉 token 来增强文本提示词，再通过跨模态解码器进行第二轮推理，同时提升边界框定位与分类置信度，可直接用于开放词表检测器的分布偏移场景。
ViT$^3$：释放视觉中的测试时训练
ViT$^3$: Unlocking Test-Time Training in Vision
把注意力重写为测试时的在线学习问题，用键值对在线构建紧凑内模型，为视觉主干提供线性复杂度且可并行化的替代方案；做视觉骨干替换或长序列/高分辨率视觉建模时，可直接把 ViT^3 当作 Mamba、线性注意力的对照基线。
ViStoryBench：面向故事可视化的综合基准套件
ViStoryBench: Comprehensive Benchmark Suite for Story Visualization
为故事可视化/多图叙事生成提供了带角色参考、多镜头脚本与人工校验的评测基准，并给出角色一致性、风格相似度、提示词对齐、美学质量与复制粘贴伪影等自动指标，可直接用于诊断多图生成模型的角色漂移与跨图一致性问题。
ViRC：通过推理分块增强视觉交错数学思维链
ViRC: Enhancing Visual Interleaved Mathematical CoT with Reason Chunking
提出 Reason Chunking 机制，将多模态数学思维链结构化为关键推理单元（CRU），并在单元间动态调用视觉工具获取图像信息，为视觉语言模型在需要反复查看图像的推理任务中提供了可复用的分块推理与渐进训练范式。
ViLoMem：具备生长-精炼多模态语义记忆的智能体学习器
ViLoMem: Agentic Learner with Grow-and-Refine Multimodal Semantic Memory
ViLoMem 提出双流语义记忆，分别编码视觉分心模式与逻辑推理错误，使多模态大模型在解题时能复用可泛化的视觉注意力策略并避免重复视觉错误；该记忆机制可直接用于视觉问答、多模态推理等任务中的智能体持续学习与跨域迁移。
ViLearn：通过可见性学习加速图像到三维生成的训练收敛
ViLearn: Accelerating Training Convergence of Image-to-3D Generation via Visibility Learning
将 VecSet 词元按可见性分组并设计可见性感知位置编码，为单图三维生成中的扩散模型注入结构先验，可显著加速收敛；该思路可迁移到其他基于无序集合表示的三维生成或重建任务。
ViKey：通过视觉提示增强视频时序理解
ViKey: Enhancing Temporal Understanding in Videos via Visual Prompting
提出一种免训练的视觉提示方法，通过在帧上叠加序号信息增强VideoLLM的时序理解，可复用于任何稀疏采样视频理解流程，缓解帧选择带来的时序推理性能下降。
ViHOI：借助视觉先验的人体-物体交互合成
ViHOI: Human-Object Interaction Synthesis with Visual Priors
把大视觉语言模型的多层特征经 Q-Former 适配器压缩成先验 token，作为扩散生成 3D 人体-物体交互运动的条件；视觉研究者可复用这套「VLM 特征→紧凑先验→条件生成」的跨模态条件注入范式，并用文生图合成参考图提升对未见物体的泛化。
ViBES：具备行为智能 3D 虚拟身体的对话智能体
ViBES: A Conversational Agent with Behaviorally-Intelligent 3D Virtual Body
ViBES 将语音、文本和身体动作统一为交错的多模态词元流，并用按模态硬路由的混合专家 Transformer 联合建模，为视觉研究者提供了构建可控 3D 虚拟人对话系统的可复用架构与多轮对话-动作对齐评测思路。
VesMamba：基于结构感知与尺度感知滤波的 Mamba 三维肺血管 CT 图像分割
VesMamba: 3D Pulmonary Vessel Segmentation from CT images via Mamba with Structural Perception and Scale-aware Filtering
将 Mamba 状态空间模型与动态空间注意力卷积结合，用于捕捉管状/树状结构的长程拓扑依赖，可迁移到视网膜血管、气道、神经纤维等细长结构分割任务；其尺度感知滤波与掩码约束解码器思路也可用于多尺度密集预测。
VerseCrafter：具备4D几何控制的动态真实视频世界模型
VerseCrafter: Dynamic Realistic Video World Model with 4D Geometric Control
用静态背景点云加逐物体3D高斯轨迹构成的4D几何控制表示，渲染成控制图去条件化预训练视频扩散模型，为视觉研究者提供了一种类别无关、可精确控制相机与多物体运动的视频生成条件化范式。
基于双重扰动的神经网络鲁棒性验证
Verifying Neural Network Robustness with Dual Perturbations
对做视觉鲁棒性评测的人，这篇提供了把连续空间扭曲（卷积扰动）与逐像素噪声联合建模的验证框架，可直接用来检验分类网络在真实复合损坏下是否真的鲁棒，避免单一扰动验证带来的虚假安全感。
Venus：面向美学指导与裁剪的多模态大语言模型基准构建与能力增强
Venus: Benchmarking and Empowering Multimodal Large Language Models for Aesthetic Guidance and Cropping
把「美学指导」定义为一个可评测的 MLLM 能力，并用两阶段（渐进式美学问答 + CoT 理由）微调把该能力迁移到裁剪重构图任务上，可作为条件化生成/编辑中「可解释美学先验」的可复用范式。
Velox：学习 4D 几何与外观的表征
Velox: Learning Representations of 4D Geometry and Appearance
把无序动态点云压缩成一组动态 token，并用 4D 表面解码器与高斯解码器双监督，为视频到 4D 生成、3D 跟踪等任务提供可复用的紧凑 4D 潜变量表示；做动态场景重建或 4D 生成时可直接借用该编码器-双解码器范式。
VectorArk：以圆角多边形表示学习实用的图像矢量化
VectorArk: Learning Practical Image Vectorization with Rounded Polygon Representation
圆角多边形表示把矢量图元的学习简化为可回归的几何参数，配合退化模型提升对未知栅格化方式与生成图像的鲁棒性，可复用于任何需要从像素回归结构化几何表示的视觉任务。
Vector Prism：通过语义结构分层实现矢量图形动画
Vector Prism: Animating Vector Graphics by Stratifying Semantic Structure
把 SVG 中碎片化的低层图元通过多次弱预测的统计聚合恢复成语义部件组，为 VLM 提供结构化输入，这一「先恢复语义结构再交给 VLM 生成」的范式可迁移到其他需要 VLM 操作结构化图形/代码的视觉任务。
VecGlypher：基于语言模型的统一矢量字形生成
VecGlypher: Unified Vector Glyph Generation with Language Models
将矢量字形生成建模为自回归序列生成问题，直接输出SVG路径令牌，避免了栅格化中间步骤，为视觉生成任务提供了一种可编辑、高保真的矢量输出范式；其两阶段训练策略和坐标量化方法可迁移到其他结构化图形生成任务。
VecAttention：面向长上下文推理加速的向量级稀疏注意力
VecAttention: Vector-wise Sparse Attention for Accelerating Long Context Inference
对做长视频理解或视频生成的视觉研究者，这篇论文提供了一个可直接替换全注意力的向量级稀疏注意力方案：利用视频注意力图的垂直向量稀疏模式，配合轻量重要向量选择与定制稀疏核，在 VideoMME、LongVideoBench、VBench 等任务上以约 2.65 倍加速保持精度，可作为长上下文视频模型推理加速的通用组件。
基于变分的图法向积分
Variational Graph-based Normal Integration
把法向积分从规则网格推广到非结构化点集，用有向加权图 + 双分量高斯混合后验显式建模深度不连续，可直接用于散乱点云/稀疏采样的表面重建与深度补全。
变化感知的视觉词元丢弃：加速大型视觉语言模型
Variation-aware Vision Token Dropping for Faster Large Vision-Language Models
对做 LVLM 推理加速的人，这篇给出了一个可直接插入 LLM 内部的视觉词元丢弃准则：按词元在层间的变化幅度（variation）而非注意力位置来排序剪枝，绕开了位置偏置与 FlashAttention 等高效算子的兼容问题，可复用到任意 LVLM 的 prefill 阶段。
VarSplat：面向鲁棒 RGB-D SLAM 的不确定性感知三维高斯泼溅
VarSplat: Uncertainty-aware 3D Gaussian Splatting for Robust RGB-D SLAM
把每个高斯球的外观方差作为可学习量，并用全方差定律配合 alpha 合成，在单次光栅化中渲染出逐像素不确定性图；这张图可直接用于跟踪、子图配准与回环检测的加权，是做 3DGS-SLAM 或任何需要衡量重建置信度的人可以复用的手段。
Vanast：通过合成三元组监督实现结合人体动画的虚拟试衣
Vanast: Virtual Try-On with Human Image Animation via Synthetic Triplet Supervision
将图像虚拟试衣与姿态驱动人体动画合并为单步统一生成，并用合成三元组监督（人物-服装-姿态视频）训练视频扩散 Transformer；其数据构造管线与 Dual Module 架构可直接迁移到需要身份保持的可控视频生成任务。
V^2-SAM：将 SAM2 与多提示词专家结合用于跨视角目标对应
V^2-SAM: Marrying SAM2 with Multi-Prompt Experts for Cross-View Object Correspondence
把 SAM2 从单视角分割迁移到跨视角对应，关键手段是两类提示生成器：基于 DINOv3 特征的坐标式锚框提示（首次让 SAM2 支持跨视角坐标提示）与特征/结构双重对齐的视觉提示匹配器，并用循环一致性做专家选择，可直接复用到 ego-exo 分割、跨视角跟踪等需要把基础分割模型扩展到多视角设定的场景。
VVS：通过部分验证跳过加速视觉自回归生成的投机解码
VVS: Accelerating Speculative Decoding for Visual Autoregressive Generation via Partial Verification Skipping
把 LLM 里的投机解码搬到视觉自回归生成上，并首次提出「跳过验证步」：用动态截断的免验证词元选择器 + 词元级特征缓存复用 + 细粒度跳步调度，直接减少目标模型前向次数（2.8×），对做视觉 AR 生成（如 VAR 类模型）落地加速的人是一套可直接复用的推理框架。
VULCAN：面向迭代式三维物体布局的工具增强多智能体
VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement
把 MLLM 的 3D 操作能力从脆弱的原始代码生成转为函数级 API 调用，并引入视觉工具构成感知反馈闭环，为视觉研究者提供了一条「用工具调用弥补 MLLM 3D 视觉定位短板」的可复用范式。
VT-Intrinsic：基于单对可见光-热红外图像的物理反射率与光照分解
VT-Intrinsic: Physics-Based Decomposition of Reflectance and Shading using a Single Visible-Thermal Image Pair
利用可见光-热红外图像对的强度序关系进行自监督，为反射率与光照分解提供物理约束，可推广到其他需要物理先验的逆渲染任务。
VSRELL：低光照环境下视频超分辨率与增强的简单基线
VSRELL: A Simple Baseline for Video Super-Resolution and Enhancement in Low-Light Environment
把低光照增强与视频超分耦合进一个联合框架，用光照-噪声协同优化网络和光照敏感特征传播机制同时处理亮度校正与跨帧噪声累积，对做低层复原的人提供了一个可复用的『多退化解耦+时序特征门控』设计范式。
VS-Bench：评估视觉语言模型在多智能体环境中策略能力的基准
VS-Bench: Evaluating VLMs for Strategic Abilities in Multi-Agent Environments
为视觉语言模型智能体提供多智能体、视觉落地的策略评测协议，包含感知识别、下一动作预测、归一化回报三个维度，可直接用于检验 VLM 在交互式视觉环境中的决策能力，并暴露感知强而推理弱的失效模式。
VRR-QA：超越显式线索的视频视觉关系推理
VRR-QA: Visual Relational Reasoning in Videos Beyond Explicit Cues
为视频问答提供了专门考察跨帧隐式关系推理的评测基准，可用于诊断现有 VideoQA 模型对表层视觉线索的依赖，并作为隐式推理能力训练与评估的测试平台。
VRCLIP：面向CLIP驱动的视觉-无线电行人重识别的多模态典型相关对齐
VRCLIP: Multimodal Canonical Correlation Alignment for CLIP-Driven Vision-Radio Person Re-Identification
把跨模态对齐从分布匹配改成典型相关分析（CCA）子空间上的相关性最大化，避免过度正则化削弱模态内判别性；这个思路可直接迁移到RGB-红外、RGB-深度、RGB-文本等任意异质模态ReID或检索任务的特征融合环节。
VQRAE：面向多模态理解、生成与重建的表征量化自编码器
VQRAE: Representation Quantization Autoencoders for Multimodal Understanding, Generation and Reconstruction
提出用高维语义VQ码本（1536维）在统一分词器中同时输出连续语义特征和离散token，视觉研究者可借鉴其两阶段训练策略（先冻结编码器学码本，再自蒸馏联合优化）来构建兼顾理解与生成的视觉表征。
VQ-VA World：迈向高质量视觉问题视觉回答
VQ-VA World: Towards High-Quality Visual Question-Visual Answering
论文提出以图像而非文本回答视觉问题的 VQ-VA 任务，并给出基于智能体流水线的大规模交错图文数据构建方案与 IntelligentBench 基准，为视觉语言模型从判别式问答向生成式视觉回答扩展提供了可复用的数据与评测范式。
VOSR：一种仅视觉的生成式图像超分辨率模型
VOSR: A Vision-Only Generative Model for Image Super-Resolution
提出仅用视觉编码器注入语义、无需文本先验的扩散超分框架，并采用改进的 shortcut 模型实现单步推理，为低层视觉任务摆脱多模态预训练依赖提供了可复用的训练与加速方案。
VOLD：通过在线策略蒸馏将推理能力从大语言模型迁移到视觉语言模型
VOLD: Reasoning Transfer from LLMs to Vision-Language Models via On-Policy Distillation
把纯文本 LLM 的推理能力通过 on-policy 蒸馏迁移到 VLM，视觉研究者可直接复用其「SFT 冷启动对齐 + GRPO 在线蒸馏」流程来缓解图文推理数据稀缺问题。
VMonarch：面向高效视频扩散 Transformer 的结构化注意力
VMonarch: Efficient Video Diffusion Transformers with Structured Attention
把 Monarch 结构化矩阵引入视频 DiT 的时空注意力，用交替最小化在线拟合动态稀疏模式，并配合重计算与在线熵估计融合进 FlashAttention，可直接替换长视频生成中的全注意力层，在 90% 稀疏度下仍优于现有稀疏注意力方法。
VMD-FACT：一个用于检测真实感AI生成视频虚假信息的新视频数据集与基于多模态大语言模型的方法
VMD-FACT: A New Video Dataset and MLLM-based method for Detecting Realistic AI-Generated Video Misinformation
该工作提出的RAVM数据集和IEEG模型为检测AI生成视频虚假信息提供了新基准和可解释方法，视觉研究者可借鉴其证据图构建和跨模态一致性分析思路，用于视频真实性验证和多模态推理任务。
VLM4RSDet：协同优化与视觉语言模型增强遥感目标检测
VLM4RSDet: Collaborative Optimization with Vision-Language Model for Enhancing Remote Sensing Object Detection
提出一种协同训练框架，利用视觉语言模型的先验知识增强闭集遥感目标检测器，推理时仅保留标准检测架构，避免额外开销；其全局-局部交叉注意力模块和可学习分层预测策略可迁移到其他检测任务中。
VLM-Pruner：在高效 VLM 离心式词元剪枝范式中为空间稀疏性引入缓冲机制
VLM-Pruner: Buffering for Spatial Sparsity in an Efficient VLM Centrifugal Token Pruning Paradigm
提出免训练的视觉词元剪枝范式：用离心式由近及远的选择配合空间稀疏缓冲准则，避免保留词元过度稀疏而漏掉目标区域，可直接套用到任意 VLM 的视觉编码器输出上做推理加速。
VLM-PTQ：面向大型视觉语言模型的高效训练后量化
VLM-PTQ: Efficient Post-Training Quantization for Large Vision-Language Models
为视觉-语言大模型提供了一种非对称训练后量化框架，通过闭式修正项和模态感知的通道重要性区分，在低比特下显著提升量化性能，可直接用于压缩部署VLM。
VLM-Loc：基于视觉语言模型的点云地图定位
VLM-Loc: Localization in Point Cloud Maps via Vision-Language Models
将点云转为BEV图像和场景图，利用VLM的跨模态推理能力实现文本到点云的定位，为3D场景理解提供可解释的空间推理新范式。
面向扩散式人体网格恢复的 VLM 引导组偏好对齐
VLM-Guided Group Preference Alignment for Diffusion-based Human Mesh Recovery
把 VLM 驱动的自反思评审智能体产出的细粒度质量分数，转成组间偏好数据用于微调扩散式 HMR，可直接迁移到其他一对多歧义的三维/生成任务（如姿态、深度、新视角合成）做偏好对齐后训练。
VLM-3R：以指令对齐三维重建增强的视觉语言模型
VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D Reconstruction
把单目视频帧经几何编码器转成隐式 3D 空间 token 与相机运动 view token，再与语言模型对齐，为视觉研究者提供了一条无需外部深度传感器或预建 3D 地图即可让 VLM 获得空间与时序推理能力的可复用路径。
VLIC：以视觉语言模型作为感知裁判实现人类对齐的图像压缩
VLIC: Vision-Language Models As Perceptual Judges for Human-Aligned Image Compression
把 VLM 的零样本二选一判断直接当作奖励信号，用偏好后训练（如 DPO/奖励加权）微调扩散式图像压缩器，替代传统在心理物理数据上标定的可微感知损失网络；这套「VLM 当裁判」的奖励设计与训练细节可迁移到超分、去噪、增强等任何需要人眼对齐的复原任务。
VLA 模型比你想象的更具泛化性：重新审视物理建模与空间建模
VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling
对做 VLA/机器人策略的视觉研究者：只需在 ViT 视觉词元上做全局仿射调制（4K 参数）或低秩更新，就能把新视角下的成功率从 48.5% 拉到 87–91%，说明预训练 VLA 的视觉表征本身已具备未被利用的鲁棒性，瓶颈在空间建模对齐而非物理建模；这套轻量视觉重校准可直接复用到自己的 VLA 微调流程中。
VL-RouterBench：视觉语言模型路由基准
VL-RouterBench: A Benchmark for Vision-Language Model Routing
为视觉语言模型的路由/级联部署提供了可复现的样本-模型质量与成本矩阵及评测协议，做多模型推理系统或按预算选模型时可直接复用其数据构造与排序打分方式。
VL-Eraser：面向视觉语言模型机器遗忘的真空蒸馏
VL-Eraser: Vacuum Distillation for Machine Unlearning in Vision-Language Models
VL-Eraser 将遗忘目标解耦到低秩适配器中，通过删除适配器参数实现遗忘，为视觉语言模型提供了一种可复用的事后知识移除手段，尤其适用于需要移除敏感内容同时保持跨模态对齐的场景。
VKG-QA：面向大型多模态模型的视觉知识图谱问答
VKG-QA: Visual Knowledge Graph-based Question Answer for Large Multimodal Models
把知识图谱渲染成图结构可视化图像，让 LMM 直接感知并推理高阶关系，为视觉推理研究提供了一个可复用的「图→图」表征范式与评测基准，可用于检验和提升模型对结构化视觉关系的理解能力。
VIVA：基于 VLM 引导与奖励优化的指令驱动视频编辑
VIVA: VLM-Guided Instruction-Based Video Editing with Reward Optimization
把 VLM 作为指令编码器，将文本指令、首帧和参考图编码成视觉接地的指令表示，再送入扩散 Transformer 主干；并用 Edit-GRPO 以相对奖励直接优化指令遵循、内容保持与美学质量，这套「VLM 编码 + 强化学习后训练」组合可迁移到其他条件生成任务。
VITAL：以视觉编码器为中心的视觉质量评估多模态大模型预训练
VITAL: Vision-Encoder-centered Pre-training for LMMs in Visual Quality Assessment
以视觉编码器为中心的生成式预训练流程，配合机器执行的标注-审查范式构建大规模视觉-语言对，为视觉质量评估等低层感知任务提供可零样本迁移的多模态大模型底座；其解码器仅需极少预热数据即可复现全量训练性能，为视觉-语言模型的高效扩展提供可复用方案。
按需视觉：以稀疏、动态选择的视觉-语言交互提升 VLLM 效率
VISion On Request: Enhanced VLLM efficiency with sparse, dynamically selected, vision-language interactions
对做多模态视觉研究的人，这篇论文给出了一条不丢弃视觉词元、而是稀疏化图文交互的加速路径：用少量交叉注意力层提供全局视觉上下文，再用动态选择的自注意力层按样本复杂度精炼高分辨率视觉表示，可直接迁移到任何 LVLM 的推理加速与高分辨率细粒度理解场景。
VISTA：一种测试时自改进的视频生成智能体
VISTA: A Test-Time Self-Improving Video Generation Agent
把视频生成的质量提升从改模型转到改提示词：用多智能体在测试时迭代重写提示词，并用成对锦标赛选出最优样本，这套「生成—评估—反思—重写」的闭环可直接套用到任何黑盒视频或图像生成器上做免训练增强。
VIRST：面向时空分割的视频指令推理助手
VIRST: Video-Instructed Reasoning Assistant for SpatioTemporal Segmentation
将分割感知的视频特征通过时空融合注入视觉语言主干，并用时序动态锚框更新器在大运动、遮挡与重现下维持稳定时序线索，为指代视频分割与推理式分割提供可复用的端到端范式。
VIRO：面向指代表达理解的带验证鲁棒高效神经符号推理
VIRO: Robust and Efficient Neuro-Symbolic Reasoning with Verification for Referring Expression Comprehension
在神经符号 REC 的推理链中嵌入算子级轻量验证器，使每个算子（物体存在性、空间关系）执行后自检并可弃权，为视觉推理系统提供抑制级联误检、处理无目标情形的可复用机制。
VIRD：通过双轴变换构造视角不变表征用于跨视角姿态估计
VIRD: View-Invariant Representation through Dual-Axis Transformation for Cross-View Pose Estimation
用极坐标变换把卫星图与地面图的水平对应关系对齐，再用上下文增强的位置注意力缓解垂直错位，这套「双轴变换构造视角不变表征」的思路可直接迁移到任何跨视角匹配/定位任务（如无人机-卫星、地面-航拍检索）。
VIRAL：面向人形机器人移动操作的大规模视觉仿真到现实迁移
VIRAL: Visual Sim-to-Real at Scale for Humanoid Loco-Manipulation
对做视觉的研究者，这篇给出了一个可复用的配方：用大规模平铺渲染 + 覆盖光照/材质/相机参数/图像质量/传感器延迟的视觉域随机化，配合真实到仿真的相机与灵巧手对齐，把纯 RGB 策略零样本迁移到真机；其中「算力规模（数十 GPU）是 sim-to-real 成败关键」这一结论值得在视觉策略训练中直接借鉴。
VINS-120K：基于大规模数据集的超高清图像编辑
VINS-120K: Ultra High-Resolution Image Editing with A Large-Scale Dataset
针对超高清图像编辑中高频纹理细节难以建模的问题，提出高频感知的后适配策略，可将预训练的非高清编辑模型扩展到超高清域，为高分辨率生成与编辑提供可复用的微调思路。
VIMCAN：基于混合 Mamba-交叉注意力网络的视觉-惯性三维人体姿态估计
VIMCAN: Visual-Inertial 3D Human Pose Estimation with Hybrid Mamba-Cross-Attention Network
用 Mamba 的选择性状态空间建模替代 Transformer 做时序建模、用交叉注意力补空间依赖，为视觉-惯性等多模态序列融合提供了一条线性复杂度、可实时（>60 FPS）的骨干设计思路，可直接迁移到其他需要长序列多模态融合的视觉任务。
VIAFormer：用于高保真体素细化的体素-图像对齐 Transformer
VIAFormer: Voxel-Image Alignment Transformer for High-Fidelity Voxel Refinement
把标定多视图图像作为条件来修复不完整噪声体素，其 Image Index 为 2D 图像 token 注入显式 3D 空间定位、Correctional Flow 直接学习体素细化轨迹，可作为视觉基础模型输出（如单目/多视图重建体素）的后处理精修模块复用。
VGent：通过模块化设计解耦推理与预测的视觉定位
VGent: Visual Grounding via Modular Design for Disentangling Reasoning and Prediction
将视觉定位解耦为冻结MLLM编码器与基于检测提议的解码器，避免自回归解码的延迟与幻觉，并支持编码器/解码器的模块化升级；其QuadThinker强化学习训练与掩码感知标签可直接用于提升多目标定位的推理与选择能力。
VGGT-Ω
VGGT-Ω
用单一密集预测头加多任务监督替代高分辨率卷积层与全局注意力，并以场景 token 做特征聚合，这套架构与自监督训练协议可直接迁移到其他前馈三维重建或位姿估计模型的规模化训练中。
VGGT-Segmentor：几何增强的跨视角分割
VGGT-Segmentor: Geometry-Enhanced Cross-View Segmentation
VGGT-Segmentor 将 VGGT 的跨视角几何特征与像素级分割头结合，通过掩码提示词融合、点引导预测和迭代掩码优化，解决了跨视角密集预测中的投影漂移问题；其单图像自监督训练策略无需配对标注，可推广到其他需要跨视角对应关系的分割任务。
VGGT-Det：挖掘 VGGT 内部先验实现无传感器几何的多视图室内三维目标检测
VGGT-Det: Mining VGGT Internal Priors for Sensor-Geometry-Free Multi-View Indoor 3D Object Detection
将 VGGT 编码器内部注意力图作为语义先验初始化目标查询、并用可学习 See-Query 跨层聚合几何特征，为无相机位姿条件下的多视图三维检测提供了可复用的查询生成与特征聚合范式。
VGGT-360：几何一致的零样本全景深度估计
VGGT-360: Geometry-Consistent Zero-Shot Panoramic Depth Estimation
把 VGGT 这类多视图三维重建基础模型当作零样本深度估计的几何引擎，通过全景重投影把逐视图推理统一成一致的三维理解；其中不确定性引导的自适应投影切片与注意力结构显著性增强，可直接迁移到其他需要弥合域差距（如鱼眼、全景、广角）的视觉任务。
VGGDrive：为自动驾驶赋予视觉语言模型跨视角几何定位能力
VGGDrive: Empowering Vision-Language Models with Cross-View Geometric Grounding for Autonomous Driving
将冻结的3D基础模型的跨视角几何特征通过分层自适应注入机制融入VLM的2D视觉特征，为视觉语言模型提供可复用的3D几何感知增强方案。
VGG-T$^3$：大规模离线前馈三维重建
VGG-T$^3$: Offline Feed-Forward 3D Reconstruction at Scale
用测试时训练把随视角数增长的 KV 场景表示蒸馏进固定大小的 MLP，使前馈式多视图重建的复杂度从二次降为线性，可直接用于大规模图像集的三维重建与基于场景表示的视觉定位。
VGA：以视觉几何对齐赋能空地定位
VGA: Empowering Aerial-Ground Localization by Visual Geometry Alignment
把单目透视场推断出的重力对齐先验与 BEV 平面上的 Procrustes 对齐结合，可在未标定、超大基线与小重叠条件下估计 6DoF 相对相机姿态，为跨视角定位与标定提供可复用的几何先验融合思路。
VGA-Bench：视频美学与生成质量评估的统一基准与多模型框架
VGA-Bench: A Unified Benchmark and Multi-Model Framework for Video Aesthetics and Generation Quality Evaluation
做视频生成的人可以直接用 VGA-Bench 的三层分类体系（美学质量、美学标签、生成质量）和三个多任务评估器（VAQA-Net、VTag-Net、VGQA-Net）作为自动化评测代理，替代昂贵的人工打分，用于模型选型、调试与生成质量监控。
VES-RFT：以视觉证据敏感性为奖励缓解大型视觉语言模型中的幻觉
VES-RFT: Rewarding Visual Evidence Sensitivity to Mitigate Hallucinations in Large Vision-Language Models
把「有图/无图两次前向的熵差」定义成可计算的视觉证据敏感度奖励，配合自动核验物体正确性的可验证奖励，用无 critic 的 GRPO 做训练时对齐；做 VLM 幻觉或视觉 grounding 的工作可以直接复用这套双奖励与并行双前向的训练范式，且推理仍是单次前向、无额外开销。
VENI：用于自然光照的变分编码器
VENI: Variational Encoder for Natural Illumination
提供了一种在球面上直接建模光照环境的旋转等变变分自编码器，其 SO(2)-等变全连接层和 VN-ViT 编码器可复用于任何需要球面信号（如环境贴图、全景图）等变表征的视觉任务，并给出了更平滑的潜空间插值方案。
VEMamba：基于轴向-横向一致 Mamba 的体电子显微镜高效各向同性重建
VEMamba: Efficient Isotropic Reconstruction of Volume Electron Microscopy with Axial-Lateral Consistent Mamba
将 Mamba 的选择性扫描按轴向-横向分块重排，把各向异性体电镜数据的 3D 依赖压成 1D 序列建模，这套 ALCSSM+DWAM 的重排聚合思路可直接迁移到其他轴向分辨率不足的 3D 医学/生物成像超分与去噪任务。
VDOT：通过最优传输蒸馏实现高效统一视频创作
VDOT: Efficient Unified Video Creation via Optimal Transport Distillation
将最优传输距离引入分布匹配蒸馏，替代KL散度以缓解少步生成中的梯度崩溃问题，为扩散模型加速提供可复用的训练目标设计。
VDFE：基于非侵入式视频扩散先验的差异感知3D场景编辑，实现多视图一致性与高效性
VDFE: Difference-Aware 3D Scene Editing with Non-Intrusive Video Diffusion Priors for Multi-View Consistency and Efficiency
将视频扩散模型作为非侵入式先验，通过最优控制优化无噪声编辑轨迹，并利用流差异精确定位编辑区域，为3D场景编辑提供多视图一致且高效的新思路。
VDE：通过速度分解与估计实现整流流模型的免训练加速
VDE: Training-Free Accelerating Rectified Flow Model via Velocity Decomposition and Estimation
把整流流模型的速度场拆成平行/正交分量做输入自适应估计，替代静态特征缓存，可直接套到 Flux、Qwen-Image 等扩散/流匹配采样器上做免训练少步加速。
VCU-Bridge：通过语义桥接的层次化视觉内涵理解
VCU-Bridge: Hierarchical Visual Connotation Understanding via Semantic Bridging
提出层次化视觉内涵理解框架和HVCU-Bench基准，用于诊断MLLM从低层感知到高层推理的因果依赖；其MCTS引导的数据生成流程可复用于构建其他需要显式推理链的视觉语言指令微调数据。
VCP-Attack：面向大型视觉语言模型的可迁移黑盒目标攻击的视觉对比投影
VCP-Attack: Visual-Contrastive Projection for Transferable Black-Box Targeted Attacks on Large Vision-Language Models
把动态 PCA 子空间投影与多样本对比损失结合，用于约束对抗扰动并使其对齐目标语义，这套「低维语义子空间 + 对比监督」的扰动优化思路可直接迁移到视觉编码器的对抗样本生成与特征空间分析中。
VAST：面向数据高效视频推理的视频能力分层分类体系
VAST: Video Ability-Stratified Taxonomy for Data-Efficient Video Reasoning
对做视频 MLLM 推理的人，这篇给出了按「感知-推理-认知」能力分层组织训练数据、并用一致性奖励做 RL 微调的配方，可在不改架构的前提下大幅降低 RL 训练所需的样本量与 GPU 时数，VAST-Bench 也可直接作为能力分层评测集使用。
正确的VAR强化学习：解决视觉自回归生成中的异步策略冲突
VAR RL Done Right: Tackling Asynchronous Policy Conflicts in Visual Autoregressive Generation
针对VAR模型在强化学习微调中因异构输入结构导致的异步策略冲突问题，提出稳定中间奖励、动态时间步重加权和掩码传播算法，为视觉自回归生成模型的RL对齐提供了可复用的技术方案。
VAD-GS：面向动态城市场景三维高斯泼溅的可见性感知稠密化
VAD-GS: Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes
针对 3DGS 在无界动态城市场景中初始化点云覆盖不全导致梯度错误传播的问题，用体素级可见性推理筛出不可靠几何、再用多视图立体补出缺失结构来生成新的高斯基元，可直接迁移到自动驾驶场景重建与动态物体建模的稠密化环节。
VABench：面向音视频生成的综合基准
VABench: A Comprehensive Benchmark for Audio-Video Generation
为做视频生成的研究者提供了一套可直接复用的音视频同步评测协议：15 个维度覆盖文本-视频、文本-音频、视频-音频两两相似度、唇音一致性以及音视频 QA，可用于诊断生成模型在同步物理音效、复杂场景等类别上的失效模式。
VA-π：面向像素感知自回归生成的变分策略对齐
VA-p: Variational Policy Alignment for Pixel-Aware Autoregressive Generation
将自回归生成器的词元似然优化与像素空间重建质量对齐，通过变分ELBO和强化学习策略（以重建质量为内在奖励）实现轻量后训练，可直接用于提升现有AR生成模型（如LlamaGen、Janus-Pro）的生成质量，无需重训分词器或外部奖励模型。
V2U4Real：面向车-无人机协同感知的真实世界大规模数据集
V2U4Real: A Real-world Large-scale Dataset for Vehicle-to-UAV Cooperative Perception
该数据集为跨视角协同感知提供了真实世界多模态基准，可用于研究车-无人机协同下的3D检测与跟踪，解决地面视角的遮挡与远距离感知问题。
V-RGBX：对内在属性进行精确控制的视频编辑
V-RGBX: Video Editing with Accurate Controls over Intrinsic Properties
把视频逆渲染得到的内在通道（albedo/normal/material/irradiance）当作可编辑的中间表示，用交错条件机制在关键帧上做物理合理的编辑传播，为可控视频生成提供了「先分解再编辑」的可复用范式。
V-DPM：基于动态点图的四维视频重建
V-DPM: 4D Video Reconstruction with Dynamic Point Maps
把 DUSt3R 的不变点图扩展到视频序列并显式建模每点三维运动，可直接复用于动态场景的前馈式 4D 重建与相机位姿估计；其「在 VGGT 上用少量合成数据适配新表示」的做法，也为把静态预训练重建器迁移到动态设定提供了可复用范式。
V-Attack：针对解耦值特征实现对LVLM的可控对抗攻击
V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs
针对LVLM视觉编码器中自注意力value特征进行对抗操控，绕过纠缠的patch特征实现局部语义编辑，为研究多模态模型的语义可控性与安全漏洞提供了可复用的攻击面。
Urban-GS：面向紧凑高保真航拍到街景重建的统一3D高斯泼溅框架
Urban-GS: A Unified 3D Gaussian Splatting Framework for Compact and High-Fidelity Aerial-to-Street Reconstruction
针对航拍与街景视角差异极大的联合重建场景，提出自适应稠密化与基于贡献的锚框剪枝，可在保持渲染质量的同时将存储降低41%，为大规模城市级3DGS重建提供了可复用的紧凑化方案。
Upsample Anything：一个简单且难以超越的特征上采样基线
Upsample Anything: A Simple and Hard to Beat Baseline for Feature Upsampling
把高斯泼溅与联合双边上采样结合成逐图像测试时优化的各向异性高斯核，可在不重训练的情况下把任意 ViT 的 14x/16x 下采样特征、深度图或概率图恢复为像素级高分辨率输出，适合作为分割/深度等密集预测任务中冻结基础模型后的通用后处理插件。
基于协同视角的无监督多智能体与单智能体感知
Unsupervised Multi-agent and Single-agent Perception from Cooperative Views
利用多智能体协同视角的点云密度增益与跨视角一致性作为无监督信号，为单车单视角 3D 检测生成伪标签，可直接迁移到车路协同、V2X 等无标注部署场景。
基于稳定扩散基础模型的无监督多尺度 3D 亚细胞世界分割
Unsupervised Multi-Scale Segmentation of 3D Subcellular World with Stable Diffusion Foundation Model
利用在自然图像上预训练的 Stable Diffusion 基础模型提取特征，结合启发式特征聚合与自适应阈值实现无监督分割，为缺乏标注的专业成像域（如 cryo-ET）提供了一种可复用的伪标签生成与监督模型训练流程。
基于多视图扩散先验的无监督单目三维关键点发现
Unsupervised Monocular 3D Keypoint Discovery from Multi-View Diffusion Priors
把预训练多视图扩散模型当作几何先验来源：用单图生成的多视图图像作为监督信号，并把扩散特征转成显式三维特征体，从而在无标注、无标定多视图的条件下做单目三维关键点估计；这套「扩散先验→三维监督」的流程可迁移到其他缺乏三维标注的物体/人体结构化任务。
基于事件相机的无监督3D运动估计
Unsupervised 3d Motion Estimation Using Event Camera
利用事件相机的高时序分辨率和投影中的时空膨胀/收缩模式，为无监督3D运动估计（光流+深度运动）提供几何线索，可复用于事件相机下的运动估计与深度感知任务。
拆解嵌合体：视频幻觉的帧级风险与免训练缓解
Unstitching the Chimera: Frame-Level Risk and Train-Free Mitigation for Video Hallucination
提出帧级无参考风险指标 CH-Risk 和免训练两阶段干预 CH-M，可直接用于视频 MLLM 的幻觉检测与缓解，其注意力路由和词元校准思路可迁移到其他多模态生成任务。
Unsafe2Safe：兼顾下游效用的可控图像匿名化
Unsafe2Safe: Controllable Image Anonymization for Downstream Utility
用视觉语言模型生成成对的私有/公开描述并让大语言模型产出结构化编辑指令，再以双提示词驱动扩散编辑器只重写敏感区域，这套「检测—指令—局部编辑」流程可直接迁移到数据清洗、人脸/文本脱敏和可控局部重绘任务。
Unposed-to-3D：从真实世界图像学习可直接用于仿真的车辆模型
Unposed-to-3D: Learning Simulation-Ready Vehicles from Real-World Images
用相机预测检测头替代已知位姿监督，把可微渲染的光度误差当作自监督信号，使三维重建网络能从无位姿的真实驾驶图像中学习；这套「位姿预测+可微渲染」闭环可直接迁移到其他缺少相机标注的真实数据三维重建任务。
基于奖励引导自强化策略的无配对图像去雨
Unpaired Image Deraining Using Reward-Guided Self-Reinforcement Strategy
提出基于IQA的动态奖励回收与自强化训练策略，可复用于其他无监督底层视觉任务（如去噪、去雾），通过挖掘训练过程中的高质量输出构建伪配对数据来约束优化空间。
解锁三维视觉几何估计的关键因素之力
Unlocking the Power of Critical Factors for 3D Visual Geometry Estimation
论文通过系统性消融实验揭示了数据多样性、损失函数设计、监督对齐方式等关键因素对前馈三维几何估计的影响，并提出了结合优化方法优势的一致性损失函数和高分辨率架构设计，这些发现和设计可直接用于改进深度估计、相机位姿估计和点云重建等视觉任务。
通过免训练奖励归因解锁词元奖励
Unlocking Token Rewards via Training-Free Reward Attribution
对做多模态大模型推理（如 MathVista 上的视觉数学推理）的研究者，这篇给出了一个免训练、单次前向+反向即可从现有 PRM 中提取词元级奖励的方法，可直接替换 RL 微调中的结果奖励做更细粒度的信用分配，无需再训练奖励模型。
解锁强监督：通用音频预训练方法的数据中心研究
Unlocking Strong Supervision: A Data-Centric Study of General-Purpose Audio Pre-Training Methods
该论文的数据中心视角（高质量标注数据优先于预训练目标选择）对视觉预训练有直接借鉴意义：可复用其高保真标注生成流程与统一标签系统构建方法，并启示视觉领域在扩大预训练数据时优先提升数据质量与覆盖度。
解锁预训练权重：面向零样本初始化的参数继承
Unlocking Pre-trained Weights: Parameter Inheritance for Zero-Shot Initialization
对视觉研究者而言，这是一种无需微调即可为任意配置的 ViT 等骨干网络生成可用初始权重的参数投影机制，可直接用于新架构的快速冷启动与预训练权重复用。
解锁手术器械增量学习中的正迁移：自反思层级提示词框架
Unlocking Positive Transfer in Incrementally Learning Surgical Instruments: A Self-reflection Hierarchical Prompt Framework
在冻结的预训练骨干上，用层级提示词树组织类别知识，并通过有向加权图传播做自反思式知识精炼，为视觉中的类增量分割提供了一种可复用的正迁移机制，可直接迁移到其他增量分割或增量检测设定。
从大型视觉模型中释放运动信息：面向步态识别的语义与运动学对偶框架
Unlocking Motion from Large Vision Models with a Semantic and Kinematic Duality for Gait Recognition
用视觉语言监督构造条件去相关损失（CDLoss），把步态嵌入中的衣物、视角等干扰因子显式解耦，这一思路可迁移到任何需要抑制 nuisance 因子的细粒度人体/行为表征学习；同时 GCaption 提供了带自然语言标注的步态数据集，可直接用于 context-aware 的人体分析。
以2D语义知识解锁3D功能可供性分割
Unlocking 3D Affordance Segmentation with 2D Semantic Knowledge
利用2D视觉基础模型的语义知识，通过跨模态亲和力迁移预训练3D编码器，为点云功能可供性分割提供结构化特征学习方案。
释放链式预测的潜力用于单目3D目标检测
Unleashing the Power of Chain-of-Prediction for Monocular 3D Object Detection
把 3D 属性（深度/尺寸/朝向）的投影相关性显式建模成链式特征传播，并用不确定性门控在链式与并行预测间逐目标切换，可直接迁移到其他多属性回归的几何估计任务（如单目深度+位姿、6D 位姿估计）。
释放多模态大语言模型内在的视觉表征能力
Unleashing the Intrinsic Visual Representation Capability of Multimodal Large Language Models
把掩码图像建模搬到 MLLM 的联合潜语义空间里做视觉重建，为视觉表征提供直接监督信号，可复用于任何需要增强 VLM 密集视觉能力的训练流程。
释放视觉语言语义用于深度伪造视频检测
Unleashing Vision-Language Semantics for Deepfake Video Detection
利用预训练VLM的跨模态语义作为深度伪造检测的判别线索，并通过身份先验文本提示增强语义特异性，为视频伪造检测提供可复用的语义增强思路。
通过显式从失败中学习释放自动驾驶中的 VLA 潜力
Unleashing VLA Potentials in Autonomous Driving via Explicit Learning from Failures
对做自动驾驶 VLA 的研究者，这篇论文给出了一种把失败诊断的结构化文本反馈转成高奖励修正样本、再注入 RL 训练批次的做法，可用来突破 SFT 后 RL 探索受限导致的性能平台期，尤其适用于长尾场景中奖励稀疏的规划任务。
释放隐蔽后门大流行：感染单个扩散模型
Unleashing Stealthy Backdoor Pandemic by Infecting a Single Diffusion Model
揭示使用第三方扩散模型生成合成数据训练下游模型时，后门可跨模型传播的供应链风险；其提出的四项测试可作为评估视觉模型后门鲁棒性的新基准。
遗忘而不丢失：从大规模视觉语言开放词表检测器中安全移除目标概念
Unlearning without Forgetting: Securely Removing Targeted Concepts from Large-Scale Vision-Language Open-Vocabulary Detectors
对做开放词表检测的视觉研究者，这篇给出了在冻结保留概念的前提下定向抹除指定概念-短语对的参数更新方案：离线构造保留知识嵌入的零空间，把遗忘更新投影到其正交补，并用一步 mean-flow 目标把遗忘概念推向不可检测；可直接复用于模型发布前的版权/隐私合规清理，以及检测器概念级可控编辑。
从通用到特定：动态知识引导的多实例学习用于少样本全切片图像分类
Universal-to-Specific: Dynamic Knowledge-Guided Multiple Instance Learning for Few-Shot Whole Slide Image Classification
将通用病理视觉语言知识动态实例化为切片特异性的图像块级特征，为少样本全切片图像分类提供可复用的知识检索与对齐机制。
通用指南驱动的图像聚类：一种混合 LLM 智能体框架
Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent
把文本指南作为跨场景聚类的统一接口，并用概念代理生成指南感知的嵌入，这为无监督视觉表征学习提供了一种不依赖任务特定训练就能适配新聚类准则的思路；基于最小生成树的 LLM 遍历则给出了一种只在语义歧义处调用大模型推理的省算力策略。
通过由粗到细语言引导的通用三维形状匹配
Universal 3D Shape Matching via Coarse-to-Fine Language Guidance
把类无关三维分割得到的部件与 MLLM/VLM 的文本嵌入对齐，用语言作为跨类别形状的语义桥梁，再以基于排名的对比学习把粗粒度部件匹配细化为稠密对应，可直接迁移到跨类别非等距形状配准、纹理/属性迁移等任务。
UnityVideo：面向世界感知视频生成的统一多模态多任务学习
UnityVideo: Unified Multi-Modal Multi-Task Learning for Enhancing World-Aware Video Generation
将分割掩码、人体骨架、DensePose、光流、深度图等多种异构模态作为统一条件输入视频扩散模型，并用动态加噪统一不同训练范式、用模态切换器+上下文学习器实现模块化参数共享，为视觉研究者提供了一套可复用的多模态条件注入与跨模态泛化方案。
独特人生，共享世界：从单人生视频中学习
Unique Lives, Shared World: Learning from Single-Life Videos
提出仅用单个人第一人称视频进行自监督训练视觉编码器的范式，并设计跨注意力指标量化不同模型内部表征的功能对齐，为利用无标注个人视频学习通用几何表征提供了新思路。
通过多级扩散统一精确关键帧与语义控制
Unifying Precise Keyframes and Semantic Control via Multi-level Diffusion
多级扩散框架把文本语义与关键帧隐式线索结合来调制全局运动动态、用单帧引导局部过渡，其推理阶段的轨迹细化+扩散插补策略可迁移到任何需要严格满足稀疏约束的生成任务（如视频插帧、轨迹可控生成）。
统一感知与动作：一种面向机器人动作生成的隐式视觉思维链混合模态流水线
Unifying Perception and Action: A Hybrid-Modality Pipeline with Implicit Visual Chain-of-Thought for Robotic Action Generation
VITA 将视觉预测与动作生成统一到共享离散潜空间，用自回归 token 同时解码未来帧和动作，为视觉研究者提供了一种把视觉动态作为归纳偏置注入策略学习、缓解模态鸿沟与训练不稳定的可复用范式。
统一语言-动作理解与生成用于自动驾驶
Unifying Language-Action Understanding and Generation for Autonomous Driving
把语言与动作 token 统一进共享离散码本、并用轨迹生成描述文本的辅助理解目标，是可直接迁移到其他 VLA/具身策略学习中的对齐手段；C2F 两步粗到细解码则为自回归动作生成提供了可复用的加速范式。
基于标记表示的统一矢量户型图生成
Unified Vector Floorplan Generation via Markup Representation
把户型图编码成结构化标记语言后统一为下一词元预测，这种「用单一序列语法统一异构条件」的思路可迁移到布局生成、场景图到图像等需要多条件输入的可控生成任务。
统一球面前端：从任意相机学习球面图像的旋转等变表示
Unified Spherical Frontend: Learning Rotation-Equivariant Representations of Spherical Images from Any Camera
USF 提供了一种将任意标定相机图像映射到单位球面并进行球面卷积/池化的通用前端，其仅依赖距离的卷积核实现旋转等变，可替代传统球面 CNN 中的球谐变换，为处理鱼眼、全景等宽视场图像提供高效且镜头无关的表示。
面向超低保留率视频大语言模型的统一时空词元压缩
Unified Spatiotemporal Token Compression for Video-LLMs at Ultra-Low Retention
提出一种无需重训练、即插即用的视频大语言模型视觉词元压缩方法，通过全局时空分配和文本感知合并，在极低保留率下保持性能，可直接用于降低视频理解任务的推理成本。
统一图元代理用于结构化形状补全
Unified Primitive Proxies for Structured Shape Completion
将图元（primitive）解码从点云级联中解耦为独立通路，并用可学习查询（primitive proxies）一次性前馈输出几何、语义与内点归属，可直接迁移到点云补全、部件级重建与装配式表面重建流程。
统一个性化理解、生成与编辑
Unified Personalized Understanding, Generating and Editing
提出结构化解耦的概念令牌与显式知识回放机制，可在统一多模态模型中实现理解、生成与编辑的个性化，避免跨任务干扰；其跨任务评估协议也为个性化统一模型提供了可复用的评测思路。
基于流匹配的统一无人数约束文本到动作生成
Unified Number-Free Text-to-Motion Generation Via Flow Matching
把 flow matching 用在多人动作生成上，用统一潜空间桥接异构动作数据集、用金字塔分辨率条件化降低开销、用半噪声联合概率路径缓解自回归误差累积，这套「单次先验生成 + 多次反应生成」的分解思路可迁移到多人交互视频生成与人体动作预测。
统一多模态模型作为自编码器
Unified Multimodal Models as Auto-Encoders
将图像到文本理解与文本到图像生成统一为自编码器框架，并用重建奖励的强化学习联合优化编码器与解码器，为视觉语言模型提供了一种通过重建目标提升细粒度感知与生成保真度的后训练思路。
通过语义自编码器构建理解与生成的统一潜空间
Unified Latent Space for Understanding and Generation via Semantic Auto-encoder
为 DiT 类扩散模型提供一个同时具备语义判别力与细粒度几何保真度的统一潜空间自编码器，可直接替换现有 VAE/语义编码器前端，兼顾重建质量与收敛效率。
面向视觉语言模型的统一生成与自验证：基于优势解耦的偏好优化
Unified Generation and Self-Verification for Vision-Language Models via Advantage Decoupled Preference Optimization
把生成与自验证统一进单个 VLM 策略，用解耦优势与词元掩码隔离梯度，可在不额外训练验证模型的前提下实现并行测试时扩展，直接降低多模态推理的推理成本；其偏好验证奖励设计可迁移到任意需要自洽性打分的视觉语言任务。
基于解耦奖励建模的统一定制化生成
Unified Customized Generation by Disentangled Reward Modeling
把主体定制与风格定制统一到一个框架，并用辅助风格奖励对齐风格与内容特征，为个性化生成中「参考图多属性解耦」提供了可复用的奖励建模思路，可直接迁移到其他条件生成任务的多条件控制。
面向可控视频生成的统一相机位置编码
Unified Camera Positional Encoding for Controlled Video Generation
提出 Relative Ray Encoding 把 6-DoF 位姿、内参和镜头畸变统一编码为几何一致的射线表示，并以不到 1% 可训练参数的轻量空间注意力适配器注入预训练视频 DiT，可直接复用于多视角生成、新视角合成和 3D 感知骨干的相机条件注入。
UnicEdit-10M：通过统一验证打破规模-质量壁垒的推理增强编辑数据集与基准
UnicEdit-10M: A Dataset and Benchmark Breaking the Scale-Quality Barrier via Unified Verification for Reasoning-Enriched Edits
该论文构建了千万级图像编辑数据集和涵盖空间与知识推理的基准，并提出了非编辑一致性和推理准确率等新指标，为训练和评估图像编辑模型提供了可复用的数据管道与诊断工具。
UniVerse：以推理与知识赋能统一生成
UniVerse: Empower Unified Generation with Reasoning and Knowledge
把「隐式提示→推理链→显式提示」的三元组监督引入统一多模态模型的 T2I 训练，为视觉研究者提供了一条用中间推理链提升生成模型组合性与知识性的可复用数据构造与训练范式。
UniVerse：面向无分割、解耦多概念个性化的统一调制框架
UniVerse: A Unified Modulation Framework for Segmentation-Free, Disentangled Multi-Concept Personalization
在扩散 Transformer 中通过调制实现无需分割掩码的多概念解耦与组合，可直接复用于个性化生成与概念编辑，避免依赖分割监督。
UniVBench：面向视频基础模型的统一评测
UniVBench: Towards Unified Evaluation for Video Foundation Models
为视频基础模型提供首个统一评测基准，涵盖理解、生成、编辑和重建四项任务，并引入智能体评估系统标准化提示、指令解析和评分，便于研究者公平比较统一视频模型。
UniTEX：面向三维形状的通用高保真生成式纹理
UniTEX: Universal High Fidelity Generative Texturing for 3D Shapes
用统一的 3D 函数空间直接回归纹理，绕开 UV 映射的拓扑歧义；把表面纹理扩展为连续体积场（Texture Functions）作为训练目标，这一思路可迁移到任何需要稠密 3D 场监督的重建/生成任务。
UniSpector：面向通用开放集缺陷识别的光谱对比视觉提示
UniSpector: Towards Universal Open-set Defect Recognition via Spectral-Contrastive Visual Prompting
提出基于视觉提示的开放集缺陷定位框架，利用空间-光谱提示编码器提取方向不变细粒度特征，并通过对比提示编码器将提示空间正则化为语义组织的角度流形，为开放词表检测和少样本缺陷识别提供了可复用的提示拓扑设计思路。
UniSH：单次前馈中统一场景与人体重建
UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass
提出一种利用无标注真实视频的两阶段训练范式：先在合成数据上学习粗定位，再通过优化 SMPL 网格与人体点云的几何对应关系在真实数据上微调，并蒸馏专家深度模型的高频细节来提升人体表面质量。该思路可直接迁移到其他需要弥合 sim-to-real 差距的 3D 重建任务。
UniSER：统一软效应去除的基础模型
UniSER: A Foundation Model for Unified Soft Effects Removal
把镜头光晕、雾、阴影、反射统一建模为「半透明遮挡」并用 Diffusion Transformer 做微调复原，配合细粒度掩码与强度控制，为低层复原提供了一条「一个模型处理多类软效应」的可复用范式与 3.8M 配对数据构建思路。
UniRefiner：通过对比寄存器教预训练ViT自行处置伪影
UniRefiner: Teaching Pre-trained ViTs to Self-Dispose Dross via Contrastive Register
提出用对比寄存器（contrastive registers）在少量微调下净化预训练ViT中的伪影词元，可直接用于提升任何ViT在分割、深度估计等密集预测任务上的空间表征质量。
UniRain：基于 RAG 数据集蒸馏与多目标重加权优化的统一图像去雨
UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization
把 RAG 检索与数据集蒸馏结合，从多个公开去雨数据集中筛选高质量样本做混合训练，并用非对称 MoE 加多目标重加权优化统一处理雨条、雨滴、白天与夜间退化，可作为统一复原模型的数据筛选与专家路由范式复用。
UniPixie：通过流匹配的统一概率三维物理学习
UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching
将物理属性预测从确定性点估计重构为连续分布学习，利用流匹配从单张图像生成可控的材质场，并统一适配 MPM、LBS、弹簧-质点等多种物理求解器，为视觉驱动的物理仿真提供了可复用的概率建模范式。
UniPercept：面向通用视觉感知的统一扩散模型
UniPercept: A Unified Diffusion Model for Generalizable Visual Perception
提出基于扩散模型的基础-适配器范式，用共享DiT骨干学习跨任务通用视觉表征，仅需少量样本和参数即可适配新任务，为视觉感知提供可复用的预训练-微调框架。
UniPart：基于统一三维几何-分割潜变量的部件级三维生成
UniPart: Part-Level 3D Generation with Unified 3D Geom-Seg Latents
Geom-Seg VecSet 把物体几何与部件级结构编码进统一的潜变量表示，使部件感知在整体几何学习过程中自然涌现，从而无需依赖外部强分割器；做三维生成或部件编辑的工作可以直接复用这一潜变量表示与两阶段潜扩散流程。
UniPR：基于单对立体图像的统一物体级真实到仿真感知与重建
UniPR: Unified Object-level Real-to-Sim Perception and Reconstruction from a Single Stereo Pair
将检测、分割、形状重建与姿态估计统一为单次前向的端到端框架，并借助双目几何约束解决尺度歧义；其 Pose-Aware Shape Representation 把姿态信息编码进形状表示，可作为物体级 real-to-sim 与机器人仿真数据生成的通用范式。
UniMMAD：基于 MoE 驱动特征解压的统一多模态多类异常检测
UniMMAD: Unified Multi-Modal and Multi-Class Anomaly Detection via MoE-Driven Feature Decompression
把 MoE 稀疏门控用于「通用特征→模态/类别特异特征」的解压式重建，为视觉异常检测提供了一种用单一模型覆盖多模态多类、且避免共享解码路径域干扰的可复用范式；分组动态过滤与 MoE-in-MoE 的约 75% 参数压缩思路也可迁移到其他多域统一建模任务。
UniMERNet：面向真实世界数学表达式识别的通用网络
UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition
提出 Raster-Scan Attention，将全局注意力的 O(NH²W²D) 复杂度降至 O(NHWD(H+W))，可复用于其他需要处理长序列的视觉任务（如场景文本识别、文档理解），在保持精度的同时大幅降低显存和加速推理。
UniM：统一任意到任意交错多模态基准
UniM: A Unified Any-to-Any Interleaved Multimodal Benchmark
为视觉研究者提供了一个覆盖图像、视频、文档、3D 等 7 种模态、要求理解与生成交错进行的评测基准，可用于检验 MLLM 在跨模态交错推理与结构化生成上的能力，其三维度评测协议（语义正确性、结构完整性、交错连贯性）也可直接迁移到视觉生成任务的评测设计中。
UniLight：一种统一的光照表示
UniLight: A Unified Representation for Lighting
把光照（环境图、辐照度、文本、图像）统一到一个共享潜空间，可直接作为扩散图像合成的条件信号，实现跨模态光照检索与可控重打光；其对比对齐加球谐预测的辅助任务思路也可迁移到其他物理属性（材质、相机参数）的跨模态表示学习。
UniLS：面向统一听与说的端到端音频驱动虚拟人
UniLS: End-to-End Audio-Driven Avatars for Unified Listening and Speaking
两阶段训练范式（先无音频自回归学习内在运动先验，再用双轨音频微调调制）为音频驱动的人脸/头部生成提供了可复用思路，尤其适合解决弱音频驱动信号下生成僵硬的问题；双轨音频端到端设定也可直接用于交互式数字人。
UniLDiff：释放扩散先验在一体化图像复原中的潜力
UniLDiff: Unlocking the Power of Diffusion Priors for All-in-One Image Restoration
把预训练扩散模型的先验直接搬进一体化图像复原：DAFF 在每个去噪步用解耦融合+自适应调制注入低质特征，DAEM 用专家路由在解码器端补纹理，这套「退化条件注入去噪链」的做法可迁移到其他条件生成式复原任务。
UniGeoSeg：面向地理空间场景的统一开放世界分割
UniGeoSeg: Towards Unified Open-World Segmentation for Geospatial Scenes
该工作构建了百万级遥感指令驱动分割数据集与统一框架，其任务感知文本增强、潜变量知识记忆与渐进式训练策略可直接迁移到开放世界分割与指代/推理分割任务中，为视觉研究者提供可复用的多任务分割基线与评测基准。
UniGeoRS：面向三视角地理定位的统一基准
UniGeoRS: A Unified Benchmark for Tri-view Geo-Localization
提供了卫星-无人机-地面三平台统一的地理定位基准与训练数据，并给出 CAME 这一可插拔的候选重排序模块——通过动态聚合 top-ranked 候选的上下文来精炼特征，可直接套用到现有跨视角检索/匹配流程中提升鲁棒性。
UniGenDet：面向协同进化图像生成与生成图像检测的统一生成-判别框架
UniGenDet: A Unified Generative-Discriminative Framework for Co-Evolutionary Image Generation and Generated Image Detection
把生成器与检测器放进同一框架做协同进化，用检测器提供的真实性信号反向引导生成、用生成任务提升真实性判别的可解释性，为「生成-取证」联合建模提供了可复用的统一微调与信息交换机制。
UniGen-1.5：通过强化学习中的奖励统一增强图像生成与编辑
UniGen-1.5: Enhancing Image Generation and Editing through Reward Unification in RL
用共享奖励模型把图像生成与编辑的 RL 训练统一起来，并先做轻量编辑指令对齐再上 RL，这套「先对齐指令、再统一奖励」的流程可直接迁移到其他统一生成/编辑模型的训练中。
UniGame：将统一多模态模型变为自身的对手
UniGame: Turning a Unified Multimodal Model Into Its Own Adversary
提出在共享词元接口施加轻量扰动器的自对抗后训练框架，可复用于提升任意视觉-语言统一模型的理解-生成一致性与对抗鲁棒性。
UniFusion：兼具鲁棒表征与源感知保持的统一图像融合框架
UniFusion: A Unified Image Fusion Framework with Robust Representation and Source-Aware Preservation
用 DINOv3 冻结特征构建跨模态共享语义空间，并用重建-对齐损失约束融合输出与各源图的一致性，这套「基础模型特征 + 重建约束」的组合可直接迁移到多曝光/多聚焦/红外-可见光等任意多源融合与复原任务，双层优化解耦融合与重建目标的思路也适用于其他多目标耦合的低层视觉训练。
UniEdit-I：通过迭代理解、编辑与验证实现统一VLM的免训练图像编辑
UniEdit-I: Training-free Image Editing for Unified VLM via Iterative Understanding, Editing and Verifying
提出在统一VLM的语义潜空间中构建理解-编辑-验证闭环，利用VLM的多模态推理能力实时评估中间结果并动态调整编辑强度，为图像编辑提供免训练、自校正的新范式。
UniDex：面向通用灵巧手控制的机器人基础套件
UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos
对做视觉研究的人，可复用点在于：用显式 3D 点云（并遮掉人手）作为 VLA 的视觉输入来缩小人-机视觉域差，以及 FAAS 这种把功能相似的执行器映射到共享坐标的统一动作空间，可直接迁移到跨本体策略学习与人类视频到机器人轨迹的重定向流程。
UniDef：抵御未授权图像篡改的通用防御
UniDef: Universal Defense Against Unauthorized Image Manipulation
把「保护图像不被扩散编辑」从逐步局部扰动升级为全局去噪方向扰动，并用有限差分雅可比估计替代模型相关梯度，做视觉研究者可将其作为模型无关对抗扰动的通用构造手段，用于跨模型、跨编辑任务的保护与红队评估。
UniDAC：面向任意相机的通用度量深度估计
UniDAC: Universal Metric Depth Estimation for Any Camera
把度量深度解耦为相对深度预测加空间变化的尺度估计，并用相对深度引导的轻量模块把粗尺度图上采样到高分辨率，这一思路可直接迁移到鱼眼、全景等大视场相机的深度模型；RoPE-φ 的纬度感知加权位置编码也为 ERP 畸变建模提供了可复用的做法。
UniCorrn：跨 2D 与 3D 的统一对应 Transformer
UniCorrn: Unified Correspondence Transformer Across 2D and 3D
用共享权重的双流解码器（外观流+位置流）统一 2D-2D、2D-3D、3D-3D 匹配，可直接复用到跨模态特征匹配与点云配准的特征融合与查询式对应估计环节。
UniCompress：面向统一视觉-语言理解与生成的词元压缩
UniCompress: Token Compression for Unified Vision-Language Understanding and Generation
对做统一视觉-语言模型的人，这套带可学习全局元词元的即插即用压缩/解压模块可以直接插到已有的离散词元自回归框架里，把图像词元砍到 1/4 而不必全量重训，是降低多模态推理延迟与显存的一条低成本路径。
UniComp：从信息唯一性重新审视视频压缩
UniComp: Rethinking Video Compression Through Informational Uniqueness
用条件熵与「信息唯一性」度量词元冗余，可在任意视觉 Transformer 的视频/图像词元压缩中替换启发式重要性打分，为下游视频模型提供可复用的自适应词元分配策略。
UniChange：以多模态大语言模型统一变化检测
UniChange: Unifying Change Detection with Multimodal Large Language Model
用 MLLM 的语言先验与特殊 token（[T1]/[T2]/[CHANGE]）嵌入作为查询，把二值变化检测与语义变化检测统一进一个生成式框架，并用文本提示替代预定义分类头以兼容类别定义冲突的多源数据，为遥感变化检测提供可复用的统一建模范式。
UniAVGen：基于非对称跨模态交互的统一音频与视频生成
UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions
提出非对称跨模态交互机制与模态感知无分类器引导，可复用于任何需要时空对齐的多模态生成任务（如视频配音、说话人脸生成），其双分支 DiT 架构与 Face-Aware 调制为视觉-音频联合建模提供了新思路。
Uni3R：基于可泛化高斯泼溅的无位姿多视角图像统一三维重建与语义理解
Uni3R: Unified 3D Reconstruction and Semantic Understanding via Generalizable Gaussian Splatting from Unposed Multi-View Images
提出一种前馈式框架，直接从无位姿多视角图像联合重建带开放词表语义的 3D 高斯表示，可复用于需要同时进行新视角合成与开放词表 3D 语义分割的任务，避免逐场景优化。
Uni-Hema：面向数字血液病理学的统一模型
Uni-Hema: Unified Model for Digital Hematopathology
Hema-Former 在层级上桥接视觉与语言表征、统一处理检测/分类/分割/形态预测/VQA 的多粒度多任务设计，可迁移到其他需要细胞级多任务推理的显微成像场景；其 46 个数据集、700K 图像与 21K QA 对的整合方式也提供了多源医学数据统一训练的参考。
Uni-Encoder 遇上多编码器：面向缺失模态脑肿瘤分割的融合前表征
Uni-Encoder Meets Multi-Encoders: Representation Before Fusion for Brain Tumor Segmentation with Missing Modalities
两阶段「先表征后融合」的异构架构值得借鉴：先用掩码图像建模预训练单一 ViT 获得对模态缺失鲁棒的全局表征，再接入模态特定的 CNN 多编码器补回高分辨率细节，这一解耦思路可迁移到其他多模态缺失输入的密集预测任务。
Uni-DAD：面向少步少样本图像生成的扩散模型统一蒸馏与适配
Uni-DAD: Unified Distillation and Adaptation of Diffusion Models for Few-step Few-shot Image Generation
把扩散蒸馏与域适配合并成单阶段训练：用双域分布匹配蒸馏（源教师+目标教师）保住源域多样性，再用多头GAN损失在少样本下稳定训练，可直接用于少样本域适配与主体驱动个性化，在少于4步采样下逼近两阶段流程的质量。
理解、加速与改进 MeanFlow 训练
Understanding, Accelerating, and Improving MeanFlow Training
MeanFlow 的训练动力学分析揭示了瞬时速度与平均速度的相互依赖关系，并据此设计了分阶段训练方案，可加速少步生成模型的收敛并提升生成质量，对基于流匹配的扩散模型训练有直接借鉴意义。
理解幻觉在多模态推理模型强化学习后训练中的作用
Understanding the Role of Hallucination in Reinforcement Post-Training of Multimodal Reasoning Models
提出一种通过模态特定扰动（移除或替换关键视觉信息）来诱导幻觉的分析框架，可用于诊断多模态大模型在强化学习后训练中是否真正依赖视觉信息，为设计模态感知的RL训练策略提供可复用工具。
理解并缓解多模态思维链模型中的幻觉
Understanding and Mitigating Hallucinations in Multimodal Chain-of-Thought Models
针对多模态思维链模型在复杂视觉推理中的幻觉问题，提出定位发散思维步骤并在解码阶段干预的方法，可直接用于提升视觉推理链的可靠性，且能与其他幻觉缓解策略叠加。
理解并强制任务算术中的权重解耦
Understanding and Enforcing Weight Disentanglement in Task Arithmetic
对做视觉模型微调与多任务合并的人，OrthoReg 提供了一个可直接插入微调过程的权重更新正交正则项，用来缓解任务向量相加时的相互干扰，可用于多任务模型合并、个性化编辑与持续微调场景。
通过跨模态注意力可区分性理解视频语言模型中的时序逻辑一致性
Understanding Temporal Logic Consistency in Video-Language Models through Cross-Modal Attention Discriminability
对做视频多模态理解的人，这篇给出了一个可复用的诊断与改进思路：用跨模态注意力头对不同时间戳视频 token 的区分度来定位时序推理失效，并通过注意力锐化目标直接提升时序分辨率，可作为分析 Video-LLM 时序能力的探针与训练正则。
理解视觉语言模型中的任务迁移
Understanding Task Transfer in Vision-Language Models
给做 VLM 感知微调的人一个可复用的诊断工具：用 PGF 归一化指标量化源任务微调对 13 个感知任务零样本性能的迁移广度与幅度，并据此做数据选择，避免负迁移。
理解大语言模型与视觉语言模型中的计数机制
Understanding Counting Mechanisms in Large Language and Vision-Language Models
对做 LVLM 的人：论文用因果中介分析定位到视觉嵌入中承载计数的区域（随空间构图在前景/背景间迁移），并指出视觉编码器属性会塑造计数行为——这为诊断和改造 LVLM 的视觉侧数值表征提供了可复用的探针工具 CountScope 与逐层分析范式。
地下植物探索：基于点图神经网络的探地雷达非破坏性根系三维评估
Underground Plant Exploration: Non-Destructive 3D Root Assessment with GPR Based on Point Graph Neural Network
将 GPR 多 B-scan 中的双曲回波先验与曲线参数回归结合，得到稀疏三维根切片，再用点图网络加上采样模块补全完整根系；对视觉研究者而言，这是一套从稀疏二维扫描到稠密三维结构的重建范式，可迁移到其他稀疏观测下的三维形状补全任务。
双曲视觉语言模型中基于不确定性引导与部分到整体语义代表性的组合对齐
Uncertainty-guided Compositional Alignment with Part-to-Whole Semantic Representativeness in Hyperbolic Vision-Language Models
把双曲空间中的不确定性作为「部分对整体语义代表性」的度量，并用不确定性加权对比损失与熵正则的蕴含损失来校准，可直接迁移到需要建模层级/组合结构的图文对齐与检索任务。
不确定性驱动的各向异性可见性场三维高斯泼溅主动建图
Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropic Visibility Field
把每个高斯的各向异性可见性场用球谐表示并接入贝叶斯不确定性光栅化器，可在 200 FPS 下为合成视角实时输出不确定性，这一模块可直接复用于任何 3DGS 场景的新视角可靠性评估与主动建图的下一最佳视角选择。
面向未对齐 RGB-T 显著性目标检测的不确定性感知模态融合
Uncertainty-Aware Modality Fusion for Unaligned RGB-T Salient Object Detection
把像素特征建模为高斯潜变量分布来估计局部不确定性，从而在特征空间内实现免配准的隐式跨模态对齐，并用置信度图调制融合权重；这套「不确定性驱动对齐+融合」思路可直接迁移到其他未配准多模态密集预测任务（如 RGB-D 分割、多光谱检测）。
面向多模态大语言模型的不确定性感知知识蒸馏
Uncertainty-Aware Knowledge Distillation for Multimodal Large Language Models
把教师监督视为学生激活上的 Gibbs 先验，可导出闭式的不确定性感知权重，可直接套用到任意蒸馏损失上；做 VLM 蒸馏或小模型压缩时，可用它按样本自适应调节教师信号强度，避免噪声样本与教师不确定样本的过度影响。
面向多模态大语言模型的不确定性感知探索式直接偏好优化
Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models
把词元级认知不确定性作为探索强度信号，替代模型自评的视觉敏感度来分配 DPO 训练权重，可直接迁移到任何需要细粒度视觉 grounding 监督的 MLLM 偏好对齐流程中。
Unblur-SLAM：面向模糊输入的稠密神经 SLAM
Unblur-SLAM: Dense Neural SLAM for Blurry Inputs
将前馈去模糊网络与 3DGS 建图耦合：成功去模糊的帧走局部-全局多视图优化与回环，失败帧则用额外模糊网络在 3D 空间显式建模模糊子帧形成过程，为模糊输入下的位姿估计与清晰重建提供了可复用的两阶段设计。
UnReflectAnything：通过渲染合成镜面高光监督实现仅RGB的高光去除
UnReflectAnything: RGB-Only Highlight Removal by Rendering Synthetic Specular Supervision
提出用单目几何与Fresnel着色渲染物理合理的合成高光作为监督信号，使仅用RGB图像即可训练高光去除模型；其token级特征修复模块可复用于其他需要恢复被遮挡或损坏特征的底层视觉任务。
Ultrasound-CLIP：面向超声图像-文本理解的语义感知对比预训练
Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding
对做医学视觉-语言预训练的人，这篇给出了一个可复用的思路：用领域诊断属性体系构造语义软标签和语义损失，替代 CLIP 的硬负样本对比，并额外引入由文本属性构建的异构图模态做结构化推理；US-365K 与 UDT 体系也可直接作为超声域 VLM 的评测与预训练资源。
UltraFlux：面向多宽高比高质量原生 4K 文本到图像生成的数据-模型协同设计
UltraFlux: Data-Model Co-Design for High-quality Native 4K Text-to-Image Generation across Diverse Aspect Ratios
针对原生 4K 文生图，提出 Resonance 2D RoPE 与 YaRN 结合的位置编码、非对抗 VAE 后训练、SNR 感知的 Huber 小波损失以及分阶段美学课程学习，系统解决高分辨率下位置编码、VAE 压缩与优化耦合失效的问题，可直接迁移到其他高分辨率扩散模型。
基于浅层编码器的超低码率感知图像压缩
Ultra-Low Bitrate Perceptual Image Compression with Shallow Encoder
用浅层编码器加单步扩散解码器做非对称极低码率压缩，为边缘设备上的图像传输提供了可复用的「轻编码、重解码」范式，其中双侧特征蒸馏可迁移到其他编码器轻量化场景。
超快神经视频压缩
Ultra-Fast Neural Video Compression
提出基于块（chunk）的编码框架，将多帧编码为单一紧凑潜变量并并行解码，配合跨帧交互模块与帧特定解码器，可显著提升视频压缩的吞吐量并建模长期时序相关性；其精简熵编码机制将比特流交互合并为单步，降低解码开销，对视频压缩与高效视频处理有直接参考价值。
Ultra Diffusion Poser：基于扩散模型从稀疏惯性传感器与测距传感器间距离进行人体运动跟踪
Ultra Diffusion Poser: Diffusion-Based Human Motion Tracking from Sparse Inertial Sensors and Ranging-based Between-sensor Distances
把 UWB 测距的传感器间距离从「额外输入特征」升级为可解析重建 3D 传感器布局的几何约束，并用扩散采样期的 guidance 强制预测姿态与实测距离对齐——这套「解析几何重建 + 采样期约束引导」思路可迁移到任何带物理距离/结构约束的稀疏传感或稀疏视角姿态重建任务。
U^2Flow：不确定性感知的无监督光流估计
U^2Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation
把增强一致性通过拉普拉斯最大似然转成逐像素不确定性监督，可在无真值场景下为任何光流或匹配网络提供可用的置信度，并用于引导细化与区域平滑权重。
UZ3DVG：基于生成语言条件的无辅助零样本 3D 视觉定位
UZ3DVG: Unaided Zero-Shot 3D Visual Grounding with Generated Language Conditions
用 VLM 离线生成物体级空间伪标签与推理链，再蒸馏到仅吃点云的轻量 3DVG 学生网络，配合 GeoSM 对齐文本推理与 3D 几何；这条「大模型造标签 + 蒸馏 + 推理时零外部依赖」的路线可直接迁移到其他需要空间推理的 3D 任务。
UVU：通过视觉-语言统一自回归范式改进多模态理解
UVU: Improving Multimodal Understanding via Vision-Language Unified Autoregressive Paradigm
把像素级视觉重建作为预训练阶段的统一自回归监督信号，与文本 token 共享同一词表，为提升 MLLM 细粒度视觉感知提供了一条不依赖向量量化的连续视觉编码 + 码本构建思路，可直接迁移到其他多模态预训练配方中。
UTPTrack：面向视觉跟踪的简单统一词元剪枝
UTPTrack: Towards Simple and Unified Token Pruning for Visual Tracking
提出一种注意力引导、词元类型感知的统一剪枝策略，可同时压缩搜索区域、动态模板和静态模板中的视觉词元，为基于单流 Transformer 的跟踪器在保持精度的同时大幅降低计算量，该思路可迁移到其他需要处理多源视觉词元的 Transformer 任务。
UST-Hand：面向3D自监督手部姿态估计的不确定性感知时空点云交互网络
UST-Hand: An Uncertainty-aware Spatiotemporal Point Cloud Interaction Network for 3D Self-supervised Hand Pose Estimation
用条件归一化流建模手部姿态分布并采样多假设，再把多假设映射到统一概率点云空间做多视角与时序特征交互，这一「不确定性采样+点云时空融合」的范式可直接迁移到其他缺乏标注的人体/物体关键点与姿态自监督任务。
URScenes：面向非结构化道路环境的多场景数据集
URScenes: A Multi-scenario Dataset for Unstructured Road Environments
为视觉感知算法提供了覆盖雨、雪、雾、沙尘、强眩光、夜间等八种非结构化道路场景的多任务基准，可直接用于评测3D检测、跟踪与占用预测模型在分布偏移下的鲁棒性，并借助统一标注格式与nuScenes/KITTI/Waymo转换工具复用现有训练流程。
URICA：面向病理图像任意区域检索的均匀性区域仿射标识符捕获算法
URICA: A Uniformity Region Affine Identifier Capture Algorithm for Arbitrary Region Retrieval in Pathology Images
把「任意朝向、任意尺度的区域」当作检索单元，用语义镶嵌（semantic tessellation）把图像块组织成几何感知的区域描述子，并给出其与像素级语义掩码目标之间的理论误差界——这套「区域描述子 + 仿射不变匹配」的思路可直接迁移到遥感、医学等大图上的任意区域检索与跨尺度匹配任务。
UPLiFT：基于局部注意力算子的高效像素稠密特征上采样
UPLiFT: Efficient Pixel-Dense Feature Upsampling with Local Attenders
UPLiFT 提供了一种任务无关的像素稠密特征上采样模块，可直接替换 FPN 式插值或交叉注意力上采样，在分割、深度等稠密预测任务中以更低推理成本获得更稳定的高分辨率特征；其局部注意力池化算子也可迁移到其他需要局部注意力的轻量模块设计中。
UNICBench：面向多模态大模型的统一计数基准
UNICBench: UNIfied Counting Benchmark for MLLM
为视觉研究者提供了一套跨图像/文本/音频的统一计数评测协议与工具包（固定划分、确定性数值解析、分层报告），可直接用于诊断 MLLM 在视觉计数上的长尾失效，并作为计数类视觉任务的数据与指标参照。
UNI-OOD：通过跨上下文注意力视觉语言建模统一对象级与图像级分布外检测
UNI-OOD: Unified Object- and Image-level Out-of-Distribution Detection via Cross-Context Attentive Vision-Language Modeling
UNI-OOD 的跨上下文注意力机制可复用于任何需要细粒度对象级语义对齐的视觉语言任务，例如开放词表检测中的对象-背景关系建模；其统一的对象级与图像级 OOD 评分机制为视觉系统在开放环境下的可靠性评估提供了可直接借鉴的框架。
ULF-Loc：面向 3D 高斯泼溅鲁棒视觉定位的无偏地标特征
ULF-Loc: Unbiased Landmark Feature for Robust Visual Localization with 3D Gaussian Splatting
论文揭示了 3DGS 中 alpha-blending 优化会给高斯点特征引入偏差，并提出几何加权特征融合替代有偏的特征优化；对做 3DGS 特征场、2D-3D 匹配定位的工作，这是一个可直接复用的特征学习范式修正。
UIKA：基于无位姿图像的快速通用头部化身
UIKA: Fast Universal Head Avatar from Pose-Free Images
用像素级人脸对应把任意视角、任意表情的输入重投影到与相机位姿和表情无关的 UV 空间，再在屏幕级与 UV 级联合做注意力，为无位姿输入的前馈可动画头部重建提供了可复用的表示与网络设计思路。
UI-Lens：评估通用多模态大语言模型自动化UI显示质量保证的潜力
UI-Lens: Assessing General MLLMs' Potential to Automate UI Display Quality Assurance
该基准揭示了MLLM/VLM在细粒度元素边界理解和序列界面语义一致性上的严重不足，为视觉研究提供了可复用的评测协议和失败模式分析，可推动面向复杂真实界面的细粒度感知与推理方法研究。
UFVideo：面向统一细粒度视频协同理解的大语言模型
UFVideo: Towards Unified Fine-Grained Video Cooperative Understanding with Large Language Models
把全局、像素、时序三种粒度的视频理解统一进单个 Video LLM，并用统一的视觉-语言引导对齐动态切换输出（文本、时序定位、grounded mask），为做视频问答、时序定位与指代分割的研究者提供了一个多任务协同的统一建模范式与配套基准。
UFO：统一前馈与优化方法的大规模驾驶场景建模
UFO: Unifying Feed-Forward and Optimization-based Methods for Large Driving Scene Modeling
把前馈重建与逐场景优化统一成循环式 4D 场景 token 表示，并用可见性过滤把 3D 到像素对应的复杂度从二次降到近线性，可直接迁移到长序列动态场景重建与新视角合成。
UETrack：统一高效的单目标跟踪框架
UETrack: A Unified and Efficient Framework for Single Object Tracking
Token-Pooling-based Mixture-of-Experts 和 Target-aware Adaptive Distillation 可复用于多模态视觉任务的高效部署，在保持精度的同时显著降低计算开销。
UDAPose：面向低光照人体姿态估计的无监督域自适应
UDAPose: Unsupervised Domain Adaptation for Low-Light Human Pose Estimation
针对低光照姿态估计，用基于直流高通滤波（DHF）与低光照特征注入模块（LCIM）的合成管线生成逼真低光训练图像，并在 Transformer 中用动态注意力控制（DCA）在图像线索不可靠时回退到姿态先验——这套「合成域+注意力门控」思路可直接迁移到其他低质成像下的关键点/稠密预测任务。
UCMNet：面向屏下摄像头图像复原的不确定性感知上下文记忆网络
UCMNet: Uncertainty-Aware Context Memory Network for Under-Display Camera Image Restoration
用不确定性图作为空间先验来引导记忆库检索区域自适应上下文，这一「不确定性驱动 + 记忆检索」范式可迁移到其他空间非均匀退化复原任务（如散焦去模糊、镜头污渍、混合退化去噪），且以更少参数达到最优，对轻量化复原网络设计有直接参考价值。
UCAN：用于轻量级超分辨率中扩展感受野的统一卷积注意力网络
UCAN: Unified Convolutional Attention Network for Expansive Receptive Fields in Lightweight Super-Resolution
UCAN 通过窗口注意力与 Hedgehog Attention 结合，并引入蒸馏式大核模块，在极低计算量下扩大有效感受野，为轻量级超分辨率及其他图像复原任务提供了可复用的高效架构设计。
UAVLight：无人机场景下光照鲁棒三维重建的基准
UAVLight: A Benchmark for Illumination-Robust 3D Reconstruction in Unmanned Aerial Vehicle (UAV) Scenes
为多视图立体、SfM 与神经渲染方法提供了一个几何与视角固定、仅光照变化的受控评测基准，可用于诊断和缓解光照不一致导致的几何漂移、颜色不一致与阴影烙印问题，并支撑可重光照重建研究。
UAV-CB：面向无人机检测的复杂背景 RGB-T 数据集与局部频率桥接网络
UAV-CB: A Complex-Background RGB-T Dataset and Local Frequency Bridge Network for UAV Detection
LFBNet 在局部频率空间建模特征，以弥合频域-空域融合鸿沟与跨模态差异，这一思路可直接迁移到其他 RGB-T 或可见光-红外检测器的融合模块设计中；UAV-CB 则提供了面向伪装与杂乱背景的评测基准。
UAST：无人机任意目标的统一主动搜索与跟踪
UAST: Unified Active Search and Tracking for Arbitrary Targets with UAVs
提出一种无需建图的RGB-D主动搜索与跟踪框架，其双分支感知模块和基于规则的搜索策略可被借鉴到无人机视觉导航、目标跟踪与主动感知任务中，特别是跟踪感知可见性损失和动态可行轨迹生成方法对视觉伺服控制有参考价值。
UARE：统一视觉语言模型用于图像质量评估、复原与增强
UARE: A Unified Vision-Language Model for Image Quality Assessment, Restoration, and Enhancement
该工作提出用统一视觉语言模型联合建模图像质量评估与复原，并通过交错文本-图像数据微调对齐 IQA 信号与复原目标，为低层视觉任务提供了一种可复用的多任务协同训练范式。
U4D：面向激光雷达序列的不确定性感知 4D 世界建模
U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences
用预训练分割模型输出的空间不确定性图来引导扩散生成，先重建高熵难区再补全其余区域，并配 MoST 块融合时空表征——这套「不确定性引导的由难到易生成」可直接迁移到点云/占据栅格/视频等任何需要时序一致性的生成式世界模型。
U-Mind：面向实时多模态交互与视听生成的统一框架
U-Mind: A Unified Framework for Real-Time Multimodal Interaction with Audiovisual Generation
论文提出以文本优先的思维链规划驱动语音、动作和视频的同步生成，并实现基于姿态与语音条件的实时视频渲染，为视觉研究者提供了将语言推理与视频生成闭环结合的可复用框架。
Twin-T 与 TwintVQA：一种可靠的结构-细节分离 VLM 及面向图表与表格任务的综合基准
Twin-T & TwintVQA: A Reliable Structure-Detail Separating VLM and a Comprehensive Benchmark for Chart and Table Tasks
双头图像编码器分离结构线索与细节的思路可迁移到其他需要同时理解布局和细粒度内容的视觉任务（如文档分析、场景文本理解）；MINT 偏好学习方法强调数值与关键词保真度，为提升 VLM 在数值敏感任务上的可靠性提供了可复用的训练策略。
导师-学生强化学习：面向鲁棒深度伪造检测的动态课程
Tutor-Student Reinforcement Learning: A Dynamic Curriculum for Robust Deepfake Detection
将深度伪造检测的训练过程建模为马尔可夫决策过程，用PPO智能体根据样本的视觉特征和历史学习动态（EMA损失、遗忘次数）动态分配损失权重，这种基于强化学习的动态课程策略可迁移到其他需要鲁棒泛化的视觉任务中。
将预训练视觉 Transformer 转变为端到端病理全切片图像模型以用于生存预测
Turning Pre-Trained Vision Transformers into End-to-End Histopathology Whole Slide Image Models for Survival Prediction
把预训练 ViT 直接改造成端到端全切片图像模型，省去两阶段流程中的离线特征提取与 MIL 聚合，且不增加参数；对做病理或超大分辨率图像分析的人，这是一种可复用的「免额外参数、直接吃整张组织区域」的改造思路。
Turbo-GS：加速高分辨率辐射场的三维高斯拟合
Turbo-GS: Accelerating 3D Gaussian Fitting for High-Resolution Radiance Fields
针对高分辨率场景下 3DGS 拟合慢的问题，提出稀疏像素渲染（dilated rendering）与收敛感知的预算控制，可直接迁移到任何需要加速高斯泼溅训练或高分辨率辐射场重建的流程中。
带保证的可调软等变
Tunable Soft Equivariance with Guarantees
把预训练骨干的权重投影到设计好的子空间即可获得可控强度的软等变，并给出等变误差的理论界，视觉研究者可直接把它当作一个免重训的后处理插件，在分类、分割、轨迹预测等任务上按需调节等变程度。
面向长尾视觉识别的可信校准协同学习
Trust-calibrated Collaborative Learning for Long-Tailed Visual Recognition
针对多专家互蒸馏中的错误传播与错误固化问题，提出知识质量门控与尾部类补偿机制，可迁移到任何采用多专家/集成蒸馏的视觉识别框架中，用于抑制专家间错误共识。
TruckDrive：远程自动驾驶高速公路驾驶数据集
TruckDrive: Long-Range Autonomous Highway Driving Dataset
该数据集提供了长达1000米的2D检测和400米的3D检测基准，可用于评估和开发面向长距离感知的模型，特别是融合LiDAR、相机和4D雷达的多模态方法，以解决现有模型在150米外性能骤降的问题。
TriSim：基于极值理论的三维相似度建模用于遥感图文检索中的假阴性缓解
TriSim: Tri-Dimensional Similarity Modeling with Extreme Value Theory for False-Negative Mitigation in Remote Sensing Image-Text Retrieval
用三维负样本相似度空间（图-图、图-文、文-文）替代单一跨模态阈值来判定假阴性，并用极值理论对尾部样本建模、在三元组损失中赋概率权重；这套假阴性筛选与加权机制可直接迁移到其他图文/视频-文本对比学习检索任务中。
TriLite：基于通用视觉特征与三区域解耦的高效弱监督目标定位
TriLite: Efficient Weakly Supervised Object Localization with Universal Visual Features and Tri-Region Disentanglement
用冻结的 DINOv2 ViT 特征配合极少量可训练参数（<800K）做单阶段弱监督定位，TriHead 把图像块特征解耦为前景/背景/模糊三区以提升物体覆盖度，为「冻结大骨干+轻量头」的定位与密集预测任务提供了可复用范式。
TriDF：面向可解释深度伪造检测的感知、检测与幻觉评测基准
TriDF: Evaluating Perception, Detection, and Hallucination for Interpretable DeepFake Detection
把「感知证据定位—分类检测—解释可靠性」三者放进同一评测框架，并给出人工标注的细粒度伪造证据，可直接用于诊断多模态大模型在伪造检测中「看对了才判对」的因果链，也为设计带证据输出的检测器提供监督信号与评价协议。
面向多模态情感分析的三子空间解耦
Tri-Subspaces Disentanglement for Multimodal Sentiment Analysis
把多模态特征显式拆成全局共享、模态对共享、模态私有三类子空间，并用解耦监督加结构化正则保持纯度，这套「按共享范围分层解耦」的思路可直接迁移到视觉-语言任务（如VQA、图文检索）的表征融合环节，替代笼统的共享/私有二分。
面向无人机目标检测的三模态融合Transformer
Tri-Modal Fusion Transformers for UAV-based Object Detection
MAGE 的通道-空间门控与 BiTE 的双向词元级注意力提供了一套可复用的多模态融合模块，可直接插入 ViT 编码器的指定深度；其 61 组消融对融合位置与融合机制的对比，为设计多传感器检测骨干网络提供了实证参考。
TreeTeaming：通过分层策略探索对视觉语言模型进行自主红队测试
TreeTeaming: Autonomous Red-Teaming of Vision-Language Models via Hierarchical Strategy Exploration
提出基于LLM编排器的树状策略探索框架，可自动发现视觉语言模型的多模态越狱攻击路径，为评估和提升VLM安全性提供可复用的红队测试方法。
将信号翻译为语言以用于基于表面肌电信号的活动识别
Translating Signals to Languages for sEMG-Based Activity Recognition
把连续时序信号（sEMG）通过语言导向映射转成离散 token 序列，再交给冻结/微调的 LLM 做识别，这套「信号→语言 token→LLM 推理」的范式可直接迁移到视觉时序信号（骨架动作、眼动、IMU、事件相机流）的动作识别上。
过渡模型：重新思考生成学习目标
Transition Models: Rethinking the Generative Learning Objective
TiM 提出了一种精确的连续时间动力学方程，可解析定义任意有限时间间隔的状态转移，使生成模型能在单步跳跃与多步细化之间无缝切换，并随采样步数增加单调提升质量。这对视觉生成研究意味着可以设计更灵活的采样策略，在少步与多步生成间取得平衡，同时支持高达 4096x4096 的原生分辨率生成。
面向快速视频生成的转移匹配蒸馏
Transition Matching Distillation for Fast Video Generation
把扩散/流模型的骨干网络拆成「主骨干 + 轻量 flow head」，在每个外层转移步内用 flow head 做多次内层流更新，再配合分布匹配蒸馏，可作为一种通用的少步蒸馏结构复用到图像或视频扩散加速上。
从变换到迁移：提升视觉语言预训练模型上的对抗攻击迁移性
Transform to Transfer: Boosting Adversarial Attack Transferability on Vision-Language Pre-training Models
可学习的变换组合机制（自适应选择最优变换以最大化输入多样性）可直接迁移到任何黑盒迁移攻击流程中，替代手工固定的变换堆叠；积分梯度用于缓解对源模型的过拟合，也是提升跨模型迁移性的通用手段。
TransPrune：面向高效大型视觉语言模型的词元变化剪枝
TransPrune: Token Transition Pruning for Efficient Large Vision-Language Model
对做 LVLM 视觉侧推理加速的人，可直接复用「词元表征在模块间传播时的幅值与方向变化」作为重要性信号，替代有位置偏置的注意力/相似度准则，且免训练即可插到 LLaVA、Qwen2.5-VL 等架构中。
TrajRAG：面向零样本目标导航的几何-语义经验检索
TrajRAG: Retrieving Geometric-Semantic Experience for Zero-Shot Object Navigation
把导航过程中产生的历史观测压缩成拓扑-极坐标轨迹表示并做分层检索，为大模型推理提供可复用的几何-语义先验；做具身导航或VLA的读者可以直接借用这套「经验库+粗到细检索」的框架来替代纯常识先验。
免训练、感知一致的低分辨率预览与高分辨率图像：面向扩散模型高效工作流
Training-free, Perceptually Consistent Low-Resolution Previews with High-Resolution Image for Efficient Workflows of Diffusion Models
对做扩散/流匹配采样加速的人，这篇给出一个免训练的「commutator-zero」条件：通过选择下采样矩阵并施加引导，让低分辨率预览与高分辨率结果在感知上保持一致，可直接作为 HR 生成前的候选筛选环节，与现有少步/蒸馏加速叠加还能再拿 3 倍加速。
面向组合式视频生成的免训练运动分解
Training-free Motion Factorization for Compositional Video Generation
把复杂运动拆成静止/刚体/非刚体三类，并用免训练的引导分支在扩散采样中分别约束外观稳定、刚体几何与局部形变，可直接迁移到任何视频扩散骨干上做可控运动合成。
免训练混合分辨率潜变量上采样用于空间加速扩散 Transformer
Training-free Mixed-Resolution Latent Upsampling for Spatially Accelerated Diffusion Transformers
提出一种免训练的空间加速框架，通过区域自适应潜变量上采样和噪声-时间步匹配，在保持生成质量的同时显著加速扩散 Transformer，可复用于高分辨率图像生成等任务。
通过时空似然进行生成视频的训练无关检测
Training-free Detection of Generated Videos via Spatial-Temporal Likelihoods
提出一种无需训练、基于时空似然评分的零样本合成视频检测器，可复用其概率框架对视频的时空一致性进行建模，用于检测任务或作为生成质量评估的参考。
仅训练期异构图像块-文本图监督用于提升少样本学习适配器
Training-Only Heterogeneous Image-Patch-Text Graph Supervision for Advancing Few-Shot Learning Adapters
把训练期的异构图教师（多尺度图像块+文本提示的图 Transformer）蒸馏进 Tip-Adapter 的键值缓存，测试时零额外延迟，为视觉研究者提供了一种「训练加料、推理不变」的少样本 CLIP 适配增强范式。
基于细粒度对象绑定与自适应混合提示词的训练无关开放词表伪装目标分割
Training-Free Open-Vocabulary Camouflaged Object Segmentation via Fine-Grained Object Binding and Adaptive Hybrid Prompt
提出训练无关的开放词表伪装目标分割框架，利用MLLM生成细粒度文本描述，并通过语义探针和语义一致性排序实现视觉块与类别的精确绑定，结合熵引导的文本嵌入调整和自适应混合提示词生成，为SAM提供更准确的提示，可复用于其他开放词表分割任务。
训练单一模型通过强化学习掌握跨层级智能体动作
Training One Model to Master Cross-Level Agentic Actions via Reinforcement Learning
论文提出的多轮 GRPO 训练流程与自适应动作粒度切换机制，可迁移到视觉-语言-动作模型（VLA）或 GUI 智能体中，让模型在长程视觉任务里自主决定何时用高层 API、何时用低层像素级操作，从而提升长程推理的效率与泛化。
基于执行反馈强化学习训练高层调度器用于长程GUI自动化
Training High-Level Schedulers with Execution-Feedback Reinforcement Learning for Long-Horizon GUI Automation
提出了一种基于执行反馈强化学习训练高层调度器（Coordinator和State Tracker）的方法，可即插即用地增强任意低层执行器在长程GUI自动化任务中的规划与状态管理能力，为视觉语言模型在复杂交互任务中的多智能体协同提供了可复用的训练范式。
面向高效扩散 Transformer 的可训练对数线性稀疏注意力
Trainable Log-linear Sparse Attention for Efficient Diffusion Transformers
LLSA 把 DiT 自注意力的选择与计算复杂度从二次降到对数线性，并给出仅用稀疏索引的前向/反向 GPU 实现，可直接替换现有 DiT 中的 Top-K 块稀疏注意力，用于高分辨率像素空间长序列生成训练。
TrafficAlign：面向交通场景生成的大语言模型对齐
TrafficAlign: Aligning Large Language Models for Traffic Scenario Generation
用真实驾驶视频自动合成并校验交通场景，再以这些场景对齐/微调 LLM，为自动驾驶感知模型提供可挖掘失效模式的困难样本生成管线；其「生成—验证—对齐」闭环可直接用于构造碰撞密集的测试集与训练增强数据。
跟踪引导的 4D 生成：面向 3D 模型动画的基础跟踪器运动先验
Tracking-Guided 4D Generation: Foundation-Tracker Motion Priors for 3D Model Animation
将基础点跟踪器提取的稠密特征级运动先验注入多视图视频扩散模型的中间特征，并用于 4D-GS 的混合运动编码，为动态 4D 生成提供可复用的时序一致性约束手段。
通过事件衍生的瞬态线索实现严重遮挡下的跟踪
Tracking through Severe Occlusion via Event-Derived Transient Cues
将事件相机微秒级时间戳用于帧间位移预测的双向运动一致性约束，并用高斯掩码模拟遮挡退化来学习不变外观表征，为严重遮挡下的跟踪提供了可复用的事件-帧融合与遮挡增广思路。
通过预测随时间变化的三维高斯进行跟踪
Tracking by Predicting 3-D Gaussians Over Time
把视频编码为一组随时间运动的高斯泼溅，用重建式自监督预训练让跟踪能力自发涌现；做视频自监督表征或零样本点跟踪的研究者可直接复用这一归纳偏置与高斯轨迹投影到图像平面的读出方式。
TrackMAE：通过轨迹掩码与预测进行视频表征学习
TrackMAE: Video Representation Learning via Track Mask and Predict
把现成点跟踪器产生的稀疏轨迹当作显式重建目标与掩码先验，为视频自监督预训练注入细粒度运动信号；做视频表征学习或运动中心任务时，可直接复用其运动感知管状掩码与轨迹监督设计。
TraceGen：在3D轨迹空间中进行世界建模，实现跨具身视频学习
TraceGen: World Modeling in 3D Trace Space Enables Learning from Cross-Embodiment Videos
把世界模型的预测空间从像素空间换成紧凑的3D轨迹（trace）空间，用跨具身视频预训练出可迁移的3D运动先验，从而在只有5条目标机器人视频时也能少样本适配；对做视频世界模型、机器人策略学习和跨域表征的人来说，这是一个可复用的「用几何轨迹替代像素生成」的建模思路。
迈向增量统一多模态异常检测：从信息瓶颈视角增强多模态去噪
Towards an Incremental Unified Multimodal Anomaly Detection: Augmenting Multimodal Denoising From an Information Bottleneck Perspective
对做工业/3D 异常检测的人，这篇给出了一个可复用的思路：用信息瓶颈融合模块在融合后特征上显式过滤冗余维度，并用 Mamba 解码器解耦物体间特征耦合，从而在增量统一框架下抑制伪特征导致的灾难性遗忘。
迈向3D世界中的视觉查询定位
Towards Visual Query Localization in the 3D World
论文提出的3DVQL基准和LaF融合算法为视觉研究者提供了在3D点云与RGB-D数据上进行时空查询定位的新任务设定和可复用的多模态融合模块，可直接用于点云-图像融合的定位与跟踪研究。
迈向摄影相机通用计算像差校正：一份全面的基准分析
Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis
该基准为计算像差校正提供了跨24种图像复原算法的系统性评测，并引入光学退化评估器（ODE）量化任务难度，可直接用于评估和设计面向真实镜头的图像复原方法。
迈向统一的人类感知与机器理解：词元流引导的压缩框架
Towards Unified Human Perception and Machine Understanding: Token Flow Guided Compression Framework
TFGC 提出基于词元的灵活压缩框架，让 LVLM 直接处理压缩后的词元而无需图像重建，并支持超低码率下的可变码率控制；其词元流传播和语义引导对齐策略可被视觉研究者复用于设计面向机器理解的压缩-理解联合优化方案。
面向视频与时间序列的因果最优传输不确定性感知无监督域自适应
Towards Uncertainty-aware Unsupervised Domain Adaptation for Videos and Time-Series with Causal Optimal Transport
将因果图正则化嵌入最优传输对齐过程，为视频域自适应提供了一种同时对齐特征分布与因果结构的可复用框架，其基于熵与结构一致性的伪标签筛选策略可直接用于提升自训练稳定性。
迈向免训练的场景文本编辑
Towards Training-free Scene Text Editing
把「流形引导 + 注意力增强」做成无需训练的即插即用模块，可直接迁移到任意扩散/流模型的图像局部编辑任务（如文字替换、风格保持修复），省去逐任务微调与配对数据。
面向流式指代视频分割的大语言模型方法
Towards Streaming Referring Video Segmentation via Large Language Model
把图像级指代分割模型通过语义嵌入复用与在线掩码一致性感知扩展成流式视频分割，无需额外参数即可在单卡上以 7 FPS 流式推理，为实时指代视频分割与 MLLM 的在线部署提供可复用范式。
迈向叙事动画：人体与相机运动的联合合成
Towards Storytelling Animations: Joint Synthesis of Human and Camera Motions
把相机与角色视为同等实体、在扩散过程中显式建模两两交互的思路，可直接迁移到需要联合控制相机与动态主体的视频生成或虚拟摄影任务中；其真实+合成混合数据训练策略也值得借鉴。
面向车道线检测的隐蔽有效后门攻击：一种自然化数据投毒方法
Towards Stealthy and Effective Backdoor Attacks on Lane Detection: A Naturalistic Data Poisoning Approach
用扩散模型在易受攻击区域合成自然化后门触发器，并配合梯度热图定位最优注入位置，为视觉模型后门攻防研究提供了可复用的触发器生成与位置搜索范式。
面向无约束第一人称视频的稳定自监督物体表征
Towards Stable Self-Supervised Object Representations in Unconstrained Egocentric Video
用帧内蒸馏加深度正则化从无标注第一人称视频中自举出稳定的『原型物体』表征，并用教师过滤的时序一致性维持身份，可直接迁移到无监督目标发现与自监督预训练的表征稳定化环节。
面向野外世界稳定联邦持续测试时自适应
Towards Stable Federated Continual Test-Time Adaptation in Wild World
为视觉模型在无标签、客户端顺序到达的野外部署场景提供了一套稳定的在线自适应与聚合机制：用最大后验估计把贝叶斯先验注入本地 TTA 以防漂移，再用不确定性门控决定是否把单客户端更新并入全局模型，可直接迁移到跨域分类/分割的持续部署流程中。
面向稀疏视频理解与推理
Towards Sparse Video Understanding and Reasoning
把「选哪些帧」变成多轮推理中的可学习决策：用对话历史作记忆、跨轮维护思维链、自纠错保证结构有效，可直接套到任意 VLM 的视频输入前端，替代均匀采样以在更少帧下提升 VQA 准确率。
迈向鲁棒的 Vision Transformer：路径依赖分析与一种简单的两阶段对抗训练
Towards Robust Vision Transformers: Path Dependency Analysis and a Simple Two-Stage Adversarial Training
论文提出的梯度路径掩码（GPM）分析工具可用于定位 ViT 中向对抗样本泄露信息的残差路径，而两阶段对抗训练方案可直接套用到任意 ViT 变体上，在提升鲁棒性的同时不牺牲泛化；此外，论文关于对抗训练后的 ViT 在浅层更依赖全局而非局部关系的发现，为设计 ViT 专用（而非 CNN 混合）架构提供了依据。
面向复杂图像编辑的鲁棒序列分解
Towards Robust Sequential Decomposition for Complex Image Editing
把复杂指令式编辑拆成多步序列执行，并用合成数据管线构造带高质量分解序列的大规模编辑数据集，再与真实编辑数据联合训练实现 sim-to-real 迁移；对做指令编辑、组合式编辑的研究者，这套分解范式与数据构造方式可直接复用。
面向鲁棒多模态大语言模型的越狱攻击防御
Towards Robust Multimodal Large Language Models Against Jailbreak Attacks
对做多模态大模型安全的研究者，这篇提供了可复用的对抗训练循环：用对比目标在词元嵌入空间优化出对抗扰动（CoE-Attack），再更新模型参数中和扰动，可作为白盒越狱防御的基线方案。
面向鲁棒多模态语义分割的教师-学生框架与混合原型蒸馏
Towards Robust Multi-Modal Semantic Segmentation with Teacher-Student Framework and Hybrid Prototype Distillation
面向缺失模态的多模态语义分割，用反馈式自蒸馏让教师从非主导模态获得学生反馈，并用高层语义原型做跨模态蒸馏、用类内特征变化蒸馏保留模态特有细节，可直接迁移到任意多模态融合分割骨干上提升缺失模态鲁棒性。
面向脉冲神经网络对抗鲁棒性的可靠评测
Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks
对做 SNN 或脉冲类模型对抗鲁棒性评测的人，ASSG 提供了一种按输入分布自适应调整替代函数形状、缓解梯度消失的梯度估计手段，SA-PGD 则在梯度不精确时用自适应步长稳定收敛，可直接替换现有 PGD 评测流程，避免高估鲁棒性。
面向推理保持的多模态大语言模型遗忘
Towards Reasoning-Preserving Unlearning in Multimodal Large Language Models
提出一种无需训练、在推理时通过子空间引导和自适应转向来遗忘答案与推理痕迹的方法，可复用于多模态大模型的安全对齐与隐私保护，同时保持通用推理能力。
借助三维基础先验实现真实且一致的环绕视角视频生成
Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors
把 3D 基础生成模型的潜变量特征（全局潜向量 + 体特征投影的潜图像）通过多尺度 3D 适配器以跨注意力注入视频扩散模型，为长程视角外推（如背面合成）提供完整形状约束，避免显式网格提取；这套「3D 先验条件化视频生成」的接口设计可直接迁移到新视角合成与环绕视角视频生成任务。
面向真实世界文档解析：逼真场景合成与文档感知训练
Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training
对做文档/图表类视觉理解的人，这篇提供了可复用的思路：用布局模板+文档元素合成大规模全页端到端监督数据，配合渐进式学习与结构 token 优化来抑制 MLLM 的重复与幻觉输出；Wild-OmniDocBench 也可直接用于评测随手拍文档的鲁棒性。
迈向策略自适应的图像护栏：基准与方法
Towards Policy-Adaptive Image Guardrail: Benchmark and Method
对做视觉安全审核的人，这篇给出了一个用图像编辑模型构造「仅局部违规」安全-不安全图像对的基准构造范式，以及用可验证奖励强化学习（RLVR）替代固定策略 SFT 来让 VLM 护栏跨策略泛化的训练思路，可直接迁移到内容审核与越狱防御模型。
基于扩散框架实现照片级真实且高效的散景渲染
Towards Photorealistic and Efficient Bokeh Rendering via Diffusion Framework
将散景渲染与超分辨率统一进单个扩散框架，并用焦点感知掩码注意力与退化感知深度模块处理低分辨率真实图像，为手机端计算摄影中「先复原再渲染」的两阶段流水线提供了一体化替代方案。
走向持续性：学习拓扑约束用于基于事件的小目标检测
Towards Persistence: Learning Topological Constraints for Event-based Small Object Detection
针对事件相机数据中的小目标检测，提出拓扑学习模块和空间一致性模块来约束时空轨迹的连续性，并设计拓扑感知损失函数，为事件流上的目标检测与轨迹完整性提供了可复用的建模思路。
面向开放词表工业缺陷理解的大规模多模态数据集
Towards Open-Vocabulary Industrial Defect Understanding with a Large-Scale Multimodal Dataset
提供了一个百万级图文对齐的工业缺陷数据集，可用于训练和评测视觉语言基础模型在缺陷分类、分割、检索、描述生成上的开放词表能力；其从零训练扩散式视觉语言基础模型、再用不到 5% 任务数据轻量微调即达到专家模型水平的范式，对做领域自适应和少样本迁移的视觉研究者有直接参考价值。
面向开放环境与指令：通过快慢交互推理的通用视觉语言导航
Towards Open Environments and Instructions: General Vision-Language Navigation via Fast-Slow Interactive Reasoning
提出快慢交互推理框架：快模块用端到端策略网络实时输出动作并积累历史记忆，慢模块对记忆做深度反思提取结构化经验，持续优化快模块，可直接迁移到视觉导航、具身决策等需要在线适应未见环境的视觉任务。
面向少标签的多模态域泛化
Towards Multimodal Domain Generalization with Few Labels
把半监督伪标签与域泛化结合到多模态设定：用融合后各单模态一致的高置信预测生成伪标签，并对不一致样本单独建模，再用跨模态原型对齐约束域不变与模态不变表征——这套「一致性伪标签 + 分歧感知 + 原型对齐」可直接迁移到多模态分类或检索在少标注、跨域、模态缺失时的训练流程。
迈向运动图灵测试：评估人形机器人的类人程度
Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots
提供以 SMPL-X 运动学参数为输入的「人类相似度」自动评分任务与基准，可用于评估动作生成/人体动作合成模型输出是否像人，并给出一个优于 LLM 类方法的简单回归基线可作对照。
面向计算机视觉的知识增强贝叶斯深度学习
Towards Knowledge-augmented Bayesian Deep Learning For Computer Vision
提供了一种将领域知识作为信息先验和自适应似然注入贝叶斯深度学习的两阶段框架，可提升视觉模型在分布偏移下的鲁棒性和不确定性估计质量。
面向内参感知的单目3D目标检测
Towards Intrinsic-Aware Monocular 3D Object Detection
用 LLM/VLM 把相机内参编码成语义嵌入，再通过层级式内参适配模块调制检测网络特征，为跨相机内参泛化与多数据集联合训练提供了一条可复用的条件注入思路。
面向类人机器人书写的轮廓感知生成
Towards Human-Like Robot Handwriting via Contour-Aware Generation
将字符笔画轮廓建模为图结构并用GNN联合编码局部笔画细节与全局字形结构，这一「轮廓感知图表示」思路可迁移到笔迹/线条类视觉任务（如草图生成、矢量字体合成、手写识别中的结构先验建模）。
面向文本到图像扩散模型的人类不可感知后门攻击
Towards Human-Imperceptible Backdoor Attacks on Text-to-Image Diffusion Models
对做扩散模型安全与数据投毒的研究者，这篇给出了首个干净标签后门设定：图像端注入近不可感知噪声、文本端用同义替换加句法重排构造复合语义触发器，可在不破坏图文对齐的前提下植入后门并绕过商用内容过滤器，为评估生成模型供应链安全提供了新的威胁模型与防御测试基准。
面向视频帧插值的整体建模：自回归扩散 Transformer
Towards Holistic Modeling for Video Frame Interpolation with Auto-regressive Diffusion Transformers
把视频帧插值从「三元组」式局部处理改为整段视频的自回归扩散 Transformer 建模，配合 skip-concatenate 采样抑制误差累积、稀疏局部注意力与瓦片式 VAE 编码支持 4K 任意分辨率推理，可直接迁移到长视频生成与视频复原任务的长时序一致性建模。
面向高约束人体动作生成的检索引导扩散噪声优化
Towards Highly-Constrained Human Motion Generation with Retrieval-Guided Diffusion Noise Optimization
把「检索到的参考动作噪声」作为扩散噪声优化的初始化，并用奖励引导掩码与随机噪声混合，这一免训练思路可直接迁移到其他受强约束的生成任务（如布局约束的图像/视频生成、轨迹约束的动画）。
面向高迁移性视觉语言攻击的语义增强动态对比交互方法
Towards Highly Transferable Vision-Language Attack via Semantic-Augmented Dynamic Contrastive Interaction
对做视觉语言模型鲁棒性评测的人，这篇给出了一个可复用的攻击侧思路：用对抗/正/负样本三元组的动态对比机制持续破坏跨模态对齐，并把传统迁移攻击里的输入变换增强搬到 VLP 上做语义增广，可直接用于检验自家 VLM 的迁移攻击抵抗力。
面向高分辨率与解耦的基于参考的草图上色
Towards High-resolution and Disentangled Reference-based Sketch Colorization
以 SDXL 为骨干、草图作空间引导、RGB 参考图作颜色参考的参考式草图上色框架，其拆分交叉注意力加空间掩码分别处理前景/背景、以及用 tagger 网络提取属性级控制信号的思路，可直接迁移到其他需要区域解耦与细粒度参考控制的图像生成/编辑任务。
迈向高质量图像分割：通过惩罚邻居像素提升拓扑准确性
Towards High-Quality Image Segmentation: Improving Topology Accuracy by Penalizing Neighbor Pixels
SCNP 是一种即插即用的损失函数增强策略，通过惩罚像素与其最差分类邻居的 logits 来提升分割的拓扑正确性，可方便地集成到现有分割训练流程中，适用于需要保持连通分量数量的医学或遥感等分割任务。
迈向低光照理解的泛化表征：当信号恒常性遇上语义增强
Towards Generalized Representations for Low-Light Understanding: When Signal Constancy Meets Semantic Enrichment
把视觉基础模型的语义先验与光照不变信号先验耦合进低光照增强：用并行解码器重建光照不变分量做正则化、用 VFM 自相关图引导对比训练对齐语义空间，再用 CLIP 损失把语义线索注入像素级增强，可作为无真实低光数据下的通用域适应范式迁移到其他退化任务。
面向泛化的多模态单应性估计
Towards Generalized Multimodal Homography Estimation
用单张图像合成带真值偏移的未对齐图像对来替代真实配对数据，可作为任何需要几何配对监督的视觉任务（单应性、光流、匹配）的通用数据增广手段；同时其颜色与特征解耦、跨尺度融合的网络设计可直接迁移到跨模态配准。
面向可泛化AI生成图像检测的图像自适应提示词学习
Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning
把提示词从训练后固定改为按测试图像动态生成，并用单样本多视图预测一致性在推理时优化自适应 token，为视觉基础模型在分布外伪造图像上的泛化提供了一套可复用的测试时自适应提示词方案。
面向 GUI 智能体：用于 GUI 视觉定位的视觉语言扩散模型
Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding
将离散扩散视觉语言模型（如 LLaDA-V）用于 GUI 视觉定位任务，提出线性与确定性混合的掩码调度以捕捉边界框的层次几何结构，为视觉定位提供了一种非自回归的并行生成范式。
迈向 3D 场景理解基础模型：面向点云的实例感知自监督学习
Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds
用正交偏移分支在自监督预训练中同时学语义与几何，并用偏移分布正则与空间聚类正则把实例感知注入点云表征，可直接迁移到点云实例分割/全景分割的预训练阶段，减少对全量微调的依赖。
迈向细粒度归因：用于对齐扩散模型的实例感知偏好优化
Towards Fine-Grained Attribution: Instance-Aware Preference Optimization for Aligning Diffusion Models
将扩散模型对齐的偏好优化从图像级推进到实例级，通过自动构建实例级偏好数据集和动态重加权掩码，为视觉生成模型提供更细粒度的反馈信号，可复用于其他需要局部控制的生成任务。
以最少微调数据实现高效医学推理
Towards Efficient Medical Reasoning with Minimal Fine-Tuning Data
对做医学 VLM 适配的人，这篇给出了一个可直接复用的数据筛选准则：用样本梯度影响与难度的二维象限联合打分，只保留「高难度-高影响」样本，从而在 1% 数据下逼近全量微调效果，可迁移到任意 VLM 的领域 SFT 数据蒸馏流程。
面向多模态持续学习中的动态模态对齐
Towards Dynamic Modality Alignment in Multimodal Continual Learning
把跨模态对齐看作随任务与网络层演化而变化的动态过程，并用多层图正则化约束它，这个思路可直接迁移到视觉-语言模型的持续预训练或增量微调中，用来抑制跨模态表征漂移。
面向分解式人体运动生成的能量扩散模型
Towards Decompositional Human Motion Generation with Energy-Based Diffusion Models
把能量模型与扩散采样结合，用组合分布刻画多个运动概念的并集，从而在无逐概念真值的情况下把整体运动拆成可复用基元；这套「能量式组合分布 + 分解训练」的思路可直接迁移到视觉中的组合式视频/动作生成与概念解耦。
面向隐私保护可见光-红外行人重识别的跨模态保持、一致性与对齐
Towards Cross-Modal Preservation, Consistency and Alignment for Privacy-Preserving Visible-Infrared Person Re-Identification
针对可见光-红外行人重识别中的隐私保护问题，提出关键点保持正则化与差分一致性引导的模态对齐，可复用于跨模态检索中的匿名化特征对齐。
面向视觉语言模型提示词微调的校准
Towards Calibrating Prompt Tuning of Vision- Language Models
为 CLIP 提示词微调提供了一套即插即用的校准正则项：均值-方差间隔惩罚稳定类间 logit 间隔，文本矩匹配损失约束微调后文本嵌入的一二阶矩贴近冻结 CLIP 嵌入，可直接加到现有 prompt tuning 训练目标上降低 ECE。
面向 3D 人体姿态估计的平衡多模态学习
Towards Balanced Multi-Modal Learning in 3D Human Pose Estimation
用 Shapley 值量化各模态（RGB/LiDAR/mmWave/WiFi）对 3D 姿态估计的边际贡献来诊断模态不平衡，并配合训练早期的学习节奏调控策略，可迁移到任何多模态融合的视觉任务中做模态权重诊断与平衡训练。
迈向真实世界红外图像超分辨率：统一自回归框架与基准数据集
Toward Real-world Infrared Image Super-Resolution: A Unified Autoregressive Framework and Benchmark Dataset
提出热结构引导的自回归框架与条件自适应码本，可迁移到其他真实退化下的底层视觉任务（如低光增强、去模糊），其热序一致性损失为物理约束融入复原模型提供思路。
面向无人机跟踪的低成本高效时序学习
Toward Low-Cost yet Effective Temporal Learning for UAV Tracking
提出以 PPF（每 FLOP 精度）衡量时序学习组件的性价比，并用轻量的代表性外观 token 传播与合并实现时序建模，可直接迁移到任何单流跟踪器或需要低成本时序聚合的视频任务中。
面向可泛化全脑表征的高分辨率光片数据
Toward Generalizable Whole Brain Representations with High-Resolution Light-Sheet Data
提供了首个亚细胞分辨率全脑光片荧光显微镜基准数据集，可用于评估和开发面向大规模三维生物医学数据的检测与分类模型，并揭示了现有架构在细胞形态异质性下的泛化挑战。
面向文本到图像扩散模型的早期质量评估
Toward Early Quality Assessment of Text-to-Image Diffusion Models
对做 T2I 生成的人，Probe-Select 提供了一种在去噪轨迹早期（约 20% 步数）用中间激活预测最终质量分、提前终止劣质种子的插件式方案，可直接嵌入现有 diffusion/flow-matching 采样循环，把 generate-then-select 的算力开销降下来。
迈向可扩散的高维潜空间：频率视角
Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective
揭示了高维潜空间中编码器对高频成分欠表达、解码器却强依赖高频潜变量恢复细节的错配，并给出一个无需重训自编码器、可插拔的频率预热课程，可直接套用到任意潜空间扩散/流匹配训练流程中以提升生成质量。
TouchDream：通过想象触觉实现三维物体补全
TouchDream: 3D Object Completion through Imagined Touch
把触觉传感当作可生成的模态：以粗点云和采样接触位姿为条件，用扩散模型生成紧凑的触觉潜变量，再将其反投影到 3D 空间来优化几何，为点云补全提供了一条不依赖视觉线索、可复用的细节引导思路。
面向无监督非刚性点云对应的拓扑感知特征传播
Topology-aware Feature Propagation for Unsupervised Non-rigid Point Cloud Correspondence
用拓扑感知的超点特征传播替代基于空间近邻的传播，并用向量量化码本增强特征以抵抗形状差异，可直接迁移到非刚性配准、形变跟踪与点云对应任务的特征提取环节。
TopoSlide：拓扑信息引导的组织病理全切片图像表征学习
TopoSlide: Topologically-Informed Histopathology Whole Slide Image Representation Learning
把持续同调这类拓扑描述子当作图像块聚类空间排布的监督信号，用条件多任务目标训练ViT，为视觉表征学习提供了一种可复用的全局结构归纳偏置，也可用于检索时的拓扑条件控制。
TopoMesh：通过拓扑统一实现高保真网格自编码
TopoMesh: High-Fidelity Mesh Autoencoding via Topological Unification
提出将任意网格统一到 Dual Marching Cubes 拓扑框架下，从而在顶点/面级别建立显式对应并施加显式网格监督，可复用于任何需要高保真网格重建或作为 3D 生成 VAE 的工作。
TopoMA：基于分布式推理的拓扑引导多智能体稠密 RGB 三维重建
TopoMA: Topology-Guided Multi-Agent Dense RGB 3D Reconstruction via Distributed Inference
把场景的空间拓扑骨架作为可轻量传输的共享信息，让各智能体只交换拓扑而非稠密地图即可完成跨智能体对齐与子图融合，这一思路可直接迁移到多机器人 SLAM、分布式 NeRF/3DGS 建图等需要低带宽协同的视觉重建场景。
TopoHR：面向驾驶场景循环拓扑推理的分层中心线表示与点-实例关系
TopoHR: Hierarchical Centerline Representation for Cyclic Topology Reasoning in Driving Scenes with Point-to-Instance Relations
TopoHR 提出分层中心线表示（点查询、实例查询、语义表示）与分层拓扑推理模块，在统一架构中同时建模点-实例（P2I）和实例-实例（I2I）关系，并让中心线检测与拓扑推理形成循环增强。对做自动驾驶感知的研究者，这套 P2I 关系建模和端到端循环交互设计可直接迁移到车道线拓扑、路网结构理解等任务。
TopoCL：面向医学影像的拓扑对比学习
TopoCL: Topological Contrastive Learning for Medical Imaging
将持续同调得到的拓扑特征（持久图）通过自注意力与交叉注意力编码，并与视觉表征用自适应MoE融合，为医学图像自监督预训练提供了一种可插拔的拓扑感知增强与表征融合方案。
过于鲜艳而不真实？生成色彩保真度的基准评测与校准
Too Vivid to Be Real? Benchmarking and Calibrating Generative Color Fidelity
提供了一个可复用的色彩保真度评测基准（CFD）与学习式指标（CFM），并利用 CFM 的注意力引导无训练的空间-时间引导尺度调制，可直接用于诊断和修正 T2I 模型在写实风格下的过饱和、过对比偏差。
Token 化使多模态大语言模型能够理解、生成与编辑建筑平面图
Tokenization Allows Multimodal Large Language Models to Understand, Generate and Edit Architectural Floor Plans
把房间实例离散化为 token 并入语言模型词表，使 MLLM 能像生成文本一样自回归地生成与编辑结构化布局；这套「实例级离散 token + 多模态对齐」的做法可迁移到任何需要输出结构化几何（场景图、矢量图元、版面）的视觉生成任务。
TokenTrace：通过水印令牌恢复实现多概念归因
TokenTrace: Multi-Concept Attribution through Watermarked Token Recovery
提出一种在扩散模型生成过程中嵌入语义水印的主动防御框架，通过同时扰动文本提示词嵌入和初始潜变量噪声，并设计基于查询的TokenTrace模块，实现从单张生成图像中解耦并独立验证多个概念（如物体和风格）的归属，为生成内容的版权追溯和概念级归因提供了可复用的技术方案。
TokenSplat：面向无位姿前馈重建的词元对齐三维高斯泼溅
TokenSplat: Token-aligned 3D Gaussian Splatting for Feed-forward Pose-free Reconstruction
把跨视角语义对应直接放在特征空间里做词元对齐，并用非对称双流解码器把相机词元与图像词元解耦，这套设计可迁移到任何需要从无位姿多视图前馈重建三维表示（高斯/NeRF/点云）的流程中，省去逐场景优化与迭代位姿精化。
TokenLight：使用属性 token 实现图像中的精确光照控制
TokenLight: Precise Lighting Control in Images using Attribute Tokens
把光照属性（强度、颜色、环境光、漫反射程度、3D 光源位置）拆成独立 token 做条件控制，为图像编辑类工作提供了「属性解耦 + 连续可调」的条件注入范式，可直接迁移到材质、阴影、色温等其他连续编辑维度。
TokenHand：面向高效手部网格重建的离散 token 表示
TokenHand: Discrete Token Representation for Efficient Hand Mesh Reconstruction
把 3D 手部网格重建从回归改成对离散 token 的分类，并用预训练解码器从 token 直接还原网格，为视觉研究者提供了一条「离散化 + 分类」替代连续回归、兼顾精度与实时性的可复用思路，可迁移到人体、物体等其他参数化网格重建任务。
TokenGS：用可学习词元将 3D 高斯预测与像素解耦
TokenGS: Decoupling 3D Gaussian Prediction from Pixels with Learnable Tokens
将 3D 高斯预测从像素网格解耦为可学习词元，使前馈 3DGS 重建不再受输入分辨率和视图数限制，并支持在词元空间进行测试时优化，为动态场景重建和场景流估计提供了新思路。
词元变换帮助多模态大模型从邻近视角观察
Token Warping Helps MLLMs Look from Nearby Viewpoints
把视角变换从像素域搬到 ViT 词元域，用反向词元 warping 替代像素 warping，为 MLLM 提供对深度误差更鲁棒的视角外推手段；做多视角/具身推理的可以直接复用这一词元级几何对齐思路。
基于局部与全局上下文优化的词元缩减：面向高效视频大语言模型
Token Reduction via Local and Global Contexts Optimization for Efficient Video Large Language Models
面向视频大语言模型的免训练词元压缩：用注意力引导的帧内/帧间锚点加最优传输，把被剪词元的信息聚合进锚点，可直接套用到任何视频 LLM 的视觉编码器与 LLM 之间，降低视觉词元数而不丢时序细节。
TimeViper：一种用于高效长视频理解的混合 Mamba-Transformer 视觉语言模型
TimeViper: A Hybrid Mamba-Transformer Vision-Language Model for Efficient Long Video Understanding
TimeViper 的混合 Mamba-Transformer 骨干与 TransV 词元压缩模块，为视觉语言模型处理长视频提供了一种降低推理成本且保持多模态理解能力的可复用架构思路。
TimeRipples：通过理解潜空间中的时空相关性加速 vDiT
TimeRipples: Accelerating vDiTs by Understanding the Spatio-Temporal Correlations in Latent Space
针对 vDiT 自注意力推理延迟，利用潜空间中词元通道级的时空相关性，设计轻量自适应复用策略近似注意力计算，实现 85% 计算节省且视频质量几乎无损，为视频生成模型的高效推理提供可复用方案。
TimeLens：重新审视多模态大语言模型的视频时序定位
TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs
对做视频-语言理解的人，这篇给出了把 MLLM 训练成强时序定位器的完整配方：交错文本时间编码、免思维链的 RLVR 训练范式，以及一套可复用的高质量重标注流程与修正后的评测基准，可直接用于重训或重评自己的时序定位模型。
TimeBridge：基于首尾联合嵌入与中间帧预测的自监督视频表征学习
TimeBridge: Self-Supervised Video Representation Learning via Start-End Joint Embedding and In-Between Frame Prediction
用首尾帧的联合嵌入加轻量解码器重建中间帧，把「时序变换建模」变成可复用的自监督预训练目标，可直接迁移到视频分割、部件传播等密集预测任务的特征初始化。
面向模糊到视频分解的时间特化事件-图像对齐
Time-Specialized Event-Image Alignment for Blur-to-Video Decomposition
把事件相机的微秒级时序信息用相对时间编码注意力与时间面动态形变显式对齐到任意查询时刻，为从单张模糊图恢复高帧率视频提供了可复用的时序对齐范式，也可迁移到事件引导的插帧与去模糊任务。
时间感知单步扩散网络用于真实世界图像超分辨率
Time-Aware One Step Diffusion Network for Real-World Image Super-Resolution
提出时间感知的VAE编码器和时间感知VSD损失，使单步扩散超分能根据时间步动态调整潜变量特征，从而更充分利用预训练SD在不同时间步的生成先验，并实现保真度与真实感的可控权衡。
无时序之时：面向时空超分辨率的伪时序表征
Time Without Time: Pseudo-Temporal Representation for Space-Time Super-Resolution
把单张图像复制成伪时序视频、并在各帧独立零填充随机像素区域，从而用纯图像数据集预训练 STVSR 网络；这种「无需真实视频即可预训练视频复原模型」的构造方式，可直接迁移到去噪、去模糊、帧插值等需要时序聚合的底层视觉任务。
时间盲区：为何视频语言模型看不到人类能看到的东西？
Time Blindness: Why Video-Language Models Can't See What Humans Can?
SpookyBench 提供了一个极端设定：空间信息被噪声帧完全遮蔽，只保留时序结构，可直接用来诊断 VLM 是否真正在做时序推理，而非依赖帧级空间特征；做视频理解或时序建模的工作可以把它当作压力测试集，并据此设计解耦空间依赖的架构或训练目标。
TiViBench：面向视频生成的视频内推理评测基准
TiViBench: Benchmarking Think-in-Video Reasoning for Video Generation
为图像到视频生成模型提供了一套分层推理评测协议（4 个维度、24 个任务、3 个难度），并给出无需额外训练或奖励模型的测试时偏好优化策略 VideoTPO，可直接迁移到其他生成模型的推理增强与选优环节。
透过频率之镜：基于自适应调制的跨域泛化视线估计
Through the Frequency Lens: Cross-Domain Generalisable Gaze Estimation with Adaptive Modulation
把图像分解到频域、用可学习调制图抑制样本级干扰频段并做频谱分布多样化，这套频域自适应调制思路可直接迁移到其他对域偏移敏感的人脸/人体回归任务（如头部姿态、面部关键点）的域泛化训练中。
ThinkingViT：面向弹性推理的套娃式思考视觉 Transformer
ThinkingViT: Matryoshka Thinking Vision Transformer for Elastic Inference
把 Matryoshka 式嵌套 ViT 与按输入难度自适应的渐进式推理结合：先用少量注意力头出预测，置信度不足再在同一骨干内激活更多头重跑，并用词元回收融合上一阶段嵌入，可直接作为现有 ViT 骨干的即插即用加速方案。
边生成边思考：在视觉生成过程中交错嵌入文本推理
Thinking-while-Generating: Interleaving Textual Reasoning throughout Visual Generation
把文本推理链交错插入到视觉生成的时间轴上，让模型在生成局部区域时同步进行引导与反思；这一「边生成边推理」的调度方式可直接迁移到自回归图像生成、视频生成以及可控生成的条件注入设计中。
用视频思考：视频生成作为有前景的多模态推理范式
Thinking with Video: Video Generation as a Promising Multimodal Reasoning Paradigm
把视频生成模型（如 Sora-2）当作统一的多模态推理器，用视频帧作为推理媒介，为视觉研究者提供了一个可复用的思路：将生成式视频模型直接用于视觉问答、数学推理等任务，并可用自一致性与上下文学习提升其推理表现。
以编程视觉思考：迈向用图像思考的统一视角
Thinking with Programming Vision: Towards a Unified View for Thinking with Images
把「生成代码调用任意图像操作」作为统一工具接口，替代固定工具注册表，并用稠密过程奖励的强化学习训练多轮工具组合与运行时错误恢复；做视觉推理、工具增强 VLM 或多模态 agent 的工作可直接复用该框架与配套的朝向变化鲁棒性基准。
以帧思考：基于帧奖励模型的生成视频失真评估
Thinking with Frames: Generative Video Distortion Evaluation via Frame Reward Model
为视频生成提供帧级奖励模型与失真归因标签，可直接作为 T2V 后训练（如 GRPO 强化学习）的奖励信号，或用于诊断生成视频中的物体外观与交互异常；其动态采样机制可复用于长视频中稀疏失真帧的高效定位。
以草稿思考：面向高效长视频理解的推测式时序推理
Thinking with Drafts: Speculative Temporal Reasoning for Efficient Long Video Understanding
把「草稿模型快速提议关键帧 + 目标模型验证并迭代精化」的推测式双模型协作引入 thinking-with-frames 流程，可直接用于降低长视频 MLLM 推理中冗余多模态上下文的开销，其帧级证据标注与 RL 训练范式也可迁移到其他需要稀疏帧采样的视频推理任务。
在不确定性中思考：利用潜变量熵感知解码缓解多模态大模型中的幻觉
Thinking in Uncertainty: Mitigating Hallucinations in MLRMs with Latent Entropy-Aware Decoding
提出一种基于熵感知的解码策略，通过概率加权连续嵌入和视觉锚框注入来缓解多模态大模型在视觉问答中的幻觉，可作为一种即插即用的推理时增强手段用于视觉语言模型。
在动态中思考：多模态大语言模型如何感知、跟踪与推理物理4D世界中的动态
Thinking in Dynamics: How Multimodal Large Language Models Perceive, Track, and Reason Dynamics in Physical 4D World
论文提出的 Dyn-Bench 基准和 ST-TCM 结构化融合方法，为视觉研究者提供了评估和提升 MLLMs 在动态 4D 场景中时空推理与动态目标定位能力的可复用工具与思路。
在 360 度中思考：野外场景下的人形视觉搜索
Thinking in 360deg: Humanoid Visual Search in the Wild
把 360° 全景图当作可主动转头的沉浸式环境，构建了 MLLM 智能体做物体/路径搜索的基准与后训练方案；对做 VLM 空间推理、全景/具身视觉的人，可直接复用其 H* Bench 评测设定与后训练提升范式。
用视频思考：面向长视频推理的多模态工具增强强化学习
Thinking With Videos: Multimodal Tool-Augmented Reinforcement Learning for Long Video Reasoning
把「按需采样视频帧」做成可调用的视觉工具箱，并用 DGRPO 平衡多任务 RL 中的难度差异，为长视频 MLLM 推理提供了一条可复用的 agentic 训练范式；做视频问答或时序定位时可直接借鉴其多任务数据构造与 RL 策略。
思考扩散：惩罚与引导扩散多模态语言模型中的视觉定位推理
Thinking Diffusion: Penalize and Guide Visual-Grounded Reasoning in Diffusion Multimodal Language Models
针对扩散多模态大模型在思维链推理中过早生成答案且视觉定位不足的问题，提出位置与步数惩罚（PSP）和视觉推理引导（VRG），可复用于其他并行生成式多模态模型的推理增强。
超越标签的思考：基于推理增强LMM的无词表细粒度识别
Thinking Beyond Labels: Vocabulary-Free Fine-Grained Recognition using Reasoning-Augmented LMMs
利用推理增强的LMM自动生成并筛选细粒度类别名称，再实例化为轻量多模态分类器，为无词表细粒度识别提供了可复用的三阶段流程，并证明开源LMM在精心设计提示下可媲美闭源模型。
ThinkGen：面向视觉生成的泛化思维
ThinkGen: Generalized Thinking for Visual Generation
把 MLLM 的思维链推理作为扩散生成的指令来源，并用可分离的 GRPO 交替训练 MLLM 与 DiT，为视觉生成提供了一条可跨场景泛化的「先推理后生成」训练范式，可直接迁移到文生图、指令式编辑等条件生成任务。
边看边想：面向大型视觉语言模型的流式思维链推理
Think-as-You-See: Streaming Chain-of-Thought Reasoning for Large Vision-Language Models
把视频 LVLM 的思维链从「看完再想」改成「边看边想」，用流式注意力掩码、位置编码和并行 KV 缓存实现帧到达即推理，可直接迁移到任何需要低延迟视频问答或在线视频理解的视觉语言模型上。
先思考再生成：面向一致性3D生成的结构化思维链推理
Think-Then-Generate: Structural Chain-of-Thought Reasoning for Consistent 3D Generation
把思维链式推理引入文本到3D生成：先用文本语义解析做结构规划，再用多视图渲染结果评估潜变量不一致并多轮迭代修正，可直接迁移到任何基于2D扩散先验的3D生成管线以抑制多视图幻觉。
先思考，再验证：面向长视频理解的假设验证多智能体框架
Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding
将长视频问答重构为「先提出可检验假设、再定位证据验证」的多智能体流程，为视觉语言模型处理长视频时抑制语义漂移和相关性错误提供了一种可复用的推理范式。
以 3D 思考：基于有限视角的几何想象驱动空间推理
Think with 3D: Geometric Imagination Grounded Spatial Reasoning from Limited Views
把 VLM 推理过程中的隐状态与 VGGT 等 3D 基础模型输出的几何潜变量对齐，使模型在无 3D 先验输入时也能进行「脑内 3D 想象」，为视觉研究者提供了一条把 3D 几何表征注入多模态推理的可复用路径。
视觉思考，文本推理：抽象推理中的视觉-语言协同
Think Visually, Reason Textually: Vision-Language Synergy in Abstract Reasoning
论文揭示了视觉与语言在推理不同阶段的互补性：视觉擅长全局模式抽象与验证，语言擅长符号规则表述与精确执行。这为视觉研究者提供了一个可复用的思路——将视觉渲染作为验证模块嵌入文本推理流程，实现内在错误校正，尤其适用于需要从少量示例中归纳规则的少样本视觉推理任务。
驾驶前先思考：受世界模型启发的多模态视觉定位
Think Before You Drive: World Model-Inspired Multimodal Grounding
将世界模型的未来潜状态推演引入视觉定位，用命令感知的潜变量序列为歧义指令提供前瞻线索，这一「先推演后定位」的范式可迁移到任何需要空间关系推理的视觉-语言任务。
Think 360°：超越深度：评估多模态大模型的宽度中心推理能力
Think 360deg: Beyond Depth: Evaluating the Width-centric Reasoning Capability of MLLMs
该基准提出的细粒度思维树评测协议可用于诊断视觉语言模型在需要广泛搜索与多约束优化的视觉推理任务上的不足，为设计支持宽推理的视觉模型提供评测工具。
热激活双模态对抗服饰对抗AI监控系统
Thermally Activated Dual-Modal Adversarial Clothing against AI Surveillance Systems
把对抗补丁从可见光扩展到可见光+红外双模态，并用热致变色材料实现「按需激活」的物理隐身衣；对做物理对抗攻击、行人检测鲁棒性评测的人，它提供了一个可复现的跨模态攻击载体与真实场景成功率评测设定。
Thermal-Det：面向开放词表热成像目标检测的语言引导跨模态蒸馏
Thermal-Det: Language-Guided Cross-Modal Distillation for Open-Vocabulary Thermal Object Detection
把冻结的 RGB 开放词表检测器当作教师，为成对但无标注的 RGB-热成像数据提供几何与语义伪监督，这一跨模态蒸馏范式可直接迁移到其他缺少标注的成像域（如近红外、深度、事件相机）的开放词表检测。
热成像总是难以驯服：刻画并应对纯热成像新视角合成的挑战
Thermal is Always Wild: Characterizing and Addressing Challenges in Thermal-Only Novel View Synthesis
针对低动态范围与逐帧光度漂移，提出轻量预处理加泼溅管线来扩展可用动态范围并稳定每帧光度，可直接迁移到其他低质量传感器（如事件相机、低光相机）的 NVS 优化中，缓解无 RGB 引导时的 floater 伪影。
热扩散至关重要：基于热传导先验的红外时空视频超分辨率
Thermal Diffusion Matters: Infrared Spatial-Temporal Video Super-Resolution through Heat Conduction Priors
把热扩散/热传导方程当作视频超分中时序插帧与时空一致性的物理先验，并用频域扩散合成中间帧、用可学习谱滤波的选择性状态空间模型做时空精修，这套「物理方程约束 + 频域扩散 + SSM」的组合可迁移到其他低采样率视频复原任务。
TherA：热感知视觉语言提示用于可控 RGB 到热红外翻译
TherA: Thermal-Aware Visual-Language Prompting for Controllable RGB-to-Thermal Infrared Translation
TherA 将视觉语言模型（VLM）作为条件编码器，把用户提示的场景-物体条件对映射为热感知嵌入，再驱动潜扩散模型实现可控的 RGB 到热红外翻译；这种“VLM 编码条件 + 扩散解码”的范式可复用到其他需要物理属性感知的跨模态图像翻译任务（如 RGB 到近红外、深度、事件相机）。
细节决定成败：通过关键帧驱动的细节注入增强视频虚拟试穿
The devil is in the details: Enhancing Video Virtual Try-On via Keyframe-Driven Details Injection
提出关键帧驱动的细节注入策略，在不修改 DiT 架构的前提下将服装动态与背景一致性信息注入标准 DiT 块，为视频生成中的细粒度控制与背景保持提供可复用方案。
通用正态嵌入
The Universal Normal Embedding
把 DDIM 反演得到的扩散噪声当作可线性探测的语义潜变量，用线性探针与正交化方向实现无需改架构的可控属性编辑；这为视觉研究者提供了一条把生成噪声与 CLIP/DINO 嵌入对齐、复用于编辑与表征分析的具体路径。
噪声预训练对隐式神经表示的惊人有效性
The Surprising Effectiveness of Noise Pretraining for Implicit Neural Representations
用不同噪声类（均匀、高斯、Dead Leaves、1/|f|^α 频谱）预训练 INR 的初始化参数，可替代数据驱动的初始化方法；其中 1/|f|^α 频谱噪声预训练在信号拟合与去噪逆问题上取得最佳平衡，为缺乏领域数据的 INR 应用提供高效初始化方案。
SA-FARI 数据集：面向识别与鉴定的动物视频分割一切
The SA-FARI Dataset: Segment Anything in Footage of Animals for Recognition and Identification
SA-FARI 提供了大规模、多物种、跨地域的相机陷阱视频密集标注（掩码、边界框、身份），可直接用于训练和评测多动物跟踪与重识别模型；其基准测试还系统比较了 SAM 3 等视觉语言模型在物种特定与通用提示下的表现，为视觉-语言模型在细粒度动物跟踪中的适用性提供了参考。
少有人走的路：弱监督视频异常检测中的片段探索
The Road Less Seen: Segment Exploration for Weakly Supervised Video Anomaly Detection
针对弱监督视频异常检测中AUROC高但低FPR下召回率低的问题，提出结合时序聚类与不确定性采样的双重探索策略，可复用于其他弱监督时序定位任务中缓解正负样本极度不平衡。
先验的力量：基于LLaVA的免训练开放词表语义分割
The Power of Prior: Training-Free Open-Vocabulary Semantic Segmentation with LLaVA
利用LLaVA内部层产生的局部化特征作为免训练开放词表分割的像素级激活，并生成视觉提示引导SAM，为无需微调即可复用MLLM空间先验提供了可操作路径。
衰减步长的力量：提升基于符号优化器的攻击稳定性与迁移性
The Power of Decaying Steps: Enhancing Attack Stability and Transferability for Sign-based Optimizers
把基于符号的对抗攻击优化器重新表述为逐坐标梯度下降，并用单调递减的坐标级步长（MDCS）解决迭代次数增加反而导致攻击成功率下降的问题；做迁移攻击或对抗训练的人可以直接把这一调度替换进 I-FGSM/MI-FGSM 类流程，提升黑盒迁移性与稳定性。
通用图像分割中视觉 Transformer 缺失的一环
The Missing Point in Vision Transformers for Universal Image Segmentation
把掩码生成与掩码分类解耦，用 ViT 做点基分类器作为免预训练适配器，可直接插到现有 mask-based 分割流程中提升边界模糊与类别不均衡下的分类精度，并支持用粗标注/边界框标注替代精细标注。
缺失的 GAP：从求解方形拼图到处理真实世界考古碎片
The Missing GAP: From Solving Square Jigsaw Puzzles to Handling Real World Archaeological Fragments
GAP 提供了由真实考古碎片分布驱动的、形状不受限且严重侵蚀的合成拼图数据集，可用于评测形状不规则碎片的装配算法；PuzzleFlow 用 ViT 加 Flow-Matching 建模碎片间的连续匹配关系，为处理非方形、带侵蚀的碎片装配提供了可复用的建模范式。
度量深度的点石成金
The Midas Touch for Metric Depth
把现成的相对深度预测结果用极稀疏的 3D 点（如 LiDAR 稀疏点、SfM 点）提升为度量深度，分段稀疏图优化加不连续感知测地代价的像素级细化，可直接作为后处理模块接在任意单目深度模型后面，用于需要真实尺度的下游 3D 任务。
LLM 瓶颈：开源视觉大语言模型为何难以进行层级视觉识别
The LLM Bottleneck: Why Open-Source Vision LLMs Struggle with Hierarchical Visual Recognition
论文用约百万道四选一视觉问答任务，把「层级分类一致性」拆成可量化的评测维度，并证明瓶颈在 LLM 一侧而非视觉编码器；做层级识别、细粒度分类或 VLM 微调的人可以直接复用这套诊断协议，判断性能上限是被语言模型的知识缺口卡住，还是被视觉表征卡住。
分布外检测中的隐形大猩猩效应
The Invisible Gorilla Effect in Out-of-distribution Detection
对做 OOD 检测的人，这篇论文提示：在近分布 OOD 场景下，检测分数会被伪影与 ROI 的视觉相似性（如颜色）系统性抬高或压低，因此设计检测器时应把伪影颜色/纹理与 ROI 的相似度作为控制变量，并用颜色交换的反事实样本做压力测试，而不是只在单一伪影类型上报告 AUROC。
图像即奖励：面向图像生成的对抗奖励强化学习
The Image as Its Own Reward: Reinforcement Learning with Adversarial Reward for Image Generation
用参考图像和视觉基础模型（如 DINO）提供密集视觉奖励，替代标量偏好奖励，可缓解奖励攻击并提升生成质量；该对抗奖励框架可复用于扩散模型或流匹配模型的强化学习微调。
黄金子空间：持续测试时自适应中效率与泛化的交汇点
The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation
把预训练分类器的行空间当作「黄金子空间」，用样本级平均梯度外积（AGOP）在线估计它，再用轻量适配器把特征投影进去——这套做法可以迁移到任何需要在无源数据、分布偏移下在线更新特征的视觉模型（检测、分割、BEV 感知），且只学一个紧凑缩放向量，几乎不增加推理开销。
鲁棒性的几何：优化损失景观曲率与特征流形对齐以实现视觉语言模型的鲁棒微调
The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models
对做 VLM 微调的人，这篇给出了一个可复用的正则化组合：用局部曲率自适应的权重扰动把优化推向平坦极小值，再加一个跨干净/对抗/OOD 输入的特征对齐损失，从而在同一个微调流程里同时保住 ID、OOD 和对抗三个轴，可直接移植到 CLIP 类模型的鲁棒微调。
漂移核：为何扩散模型即使被要求不变也会改变输出
The Drift Kernel: Why Diffusion Models Change Even When Told Not To
该论文提出的漂移核 K_M(σ) 为量化扩散模型在空操作下的感知偏差提供了理论工具，其与解码器雅可比矩阵的关联（k_M = Tr(J_D J_D^T)）可指导视觉研究者设计更稳定的解码器或评估编辑保真度。
魔鬼藏在注意力共享中：通过注意力协同提升复杂非刚性图像编辑的保真度
The Devil is in Attention Sharing: Improving Complex Non-rigid Image Editing Faithfulness via Attention Synergy
针对扩散模型注意力共享中位置嵌入与语义特征失衡导致的注意力坍缩问题，提出按去噪步量化编辑幅度并动态调制位置嵌入影响的注意力协同流程，可直接复用于免训练编辑中保真度与编辑强度的平衡控制。
魔鬼藏在梯度纠缠中：面向鲁棒广义类别发现的能量感知梯度协调器
The Devil Is in Gradient Entanglement: Energy-Aware Gradient Coordinator for Robust Generalized Category Discovery
把「梯度纠缠」作为可诊断的优化失效模式，并用参考模型锚定有监督梯度方向、用能量系数自适应缩放无监督梯度投影，这套梯度级插件可直接移植到任何半监督/开放词表表征学习流程中，无需改动网络结构。
一致性评论器：通过参考引导的注意力对齐纠正生成图像中的不一致
The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment
把参考图引导的后编辑作为修正生成不一致的手段，并给出基于注意力对齐损失与细节编码器的可复用修正模块，可嵌入智能体做多轮局部编辑，为定制化生成的一致性修复提供思路。
连贯性陷阱：当多模态大语言模型构建的叙事利用被操纵的视觉上下文
The Coherence Trap: When MLLM-Crafted Narratives Exploit Manipulated Visual Contexts
提出利用MLLM生成语义连贯的虚假图文对来构建对抗数据集，并设计伪影感知编码与操作导向推理框架，为检测MLLM驱动的多模态虚假信息提供了可复用的数据生成与检测思路。
适配的盲区：量化与缓解微调驾驶模型中的遗忘
The Blind Spot of Adaptation: Quantifying and Mitigating Forgetting in Fine-tuned Driving Models
把适配从权重空间搬到提示词空间、按场景线索动态路由到不同知识专家的做法，为视觉研究者提供了一种在微调下游任务时保住预训练世界知识的可复用范式，尤其适合 VLM 迁移到驾驶等专用域的场景。
Texvent：基于文本提示的异步事件数据仿真
Texvent: Asynchronous Event Data Simulation via Text Prompt
用多模态大模型按文本提示渲染视频，再经物理仿真器转成异步事件流，为事件相机视觉任务提供低成本、可扩展的合成数据管线；其中自适应亮度感知帧插值与基于缓存的电压刷新机制可直接复用于事件数据增广与仿真器改进。
TextPecker：以奖励方式量化结构异常以增强视觉文本渲染
TextPecker: Rewarding Structural Anomaly Quantification for Enhancing Visual Text Rendering
把「结构异常感知」做成可微/可打分的奖励信号，用于对任意文生图模型做 RL 微调；对做可控生成、奖励建模或 OCR 辅助生成的研究者，这套字符级异常标注数据集 + 笔画编辑合成引擎可直接复用来构造更干净的奖励。
TextOVSR：文本引导的真实世界戏曲视频超分辨率
TextOVSR: Text-Guided Real-World Opera Video Super-Resolution
用退化描述文本作为负分支约束、内容描述文本作为正分支与判别器语义引导，为真实世界视频超分提供了一种可复用的文本条件化退化建模与跨模态融合思路，可直接迁移到其他低质档案视频复原任务。
TextFM：语言引导的鲁棒半稠密特征匹配
TextFM: Robust Semi-dense Feature Matching with Language Guidance
将视觉语言模型（VLM）的文本嵌入作为实例级查询引入无检测器特征匹配的粗匹配阶段，为视觉特征提供域不变的语义上下文；同时用LoRA微调视觉基础模型并融合光照不变物理先验，提升跨域和极端光照下的匹配鲁棒性。
文本引导特征解耦的跨模态步态识别
Text-guided Feature Disentanglement for Cross-modal Gait Recognition
用 LLM 生成的模态感知文本先验作为语义锚点，配合 CLIP 多粒度编码器把激光雷达点云序列与 RGB 视频对齐到统一视觉-语言空间，再通过 top-k 文本匹配与残差正交约束解耦出模态共享步态特征；这套「文本引导解耦」思路可迁移到其他 2D-3D 跨模态检索与识别任务。
文本印刷图像：弥合图像-文本模态鸿沟以实现大型视觉语言模型的文本中心训练
Text-Printed Image: Bridging the Image-Text Modality Gap for Text-centric Training of Large Vision-Language Models
提出将文本直接渲染为图像（TPI）来桥接模态鸿沟，为LVLM在仅有文本数据时提供低成本训练方案，可复用于数据稀缺场景下的视觉语言模型微调与数据增强。
双先验文本-相位协同网络用于无监督跨域图像检索
Text-Phase Synergy Network with Dual Priors for Unsupervised Cross-Domain Image Retrieval
利用CLIP生成的域特定提示作为文本先验提供语义监督，并引入域不变相位特征作为相位先验桥接域分布差距，为无监督跨域检索提供可复用的双先验协同框架。
文本-图像条件驱动的3D生成
Text-Image Conditioned 3D Generation
论文提出文本-图像联合条件的3D生成任务，并给出TIGON双分支基线：分别保留图像条件与文本条件骨干，再用轻量跨模态融合模块整合两路预测。对做3D生成的研究者，这提供了一个可复用的条件融合范式，也提示可用晚期融合作为诊断手段来量化不同条件模态的互补性。
基于手语数据的文本驱动三维手部动作生成
Text-Driven 3D Hand Motion Generation from Sign Language Data
把手语视频的伪标注通过 LLM 转成细粒度手部动作文本描述，从而以极大规模自动构建「3D 手部动作-文本」配对，并用文本条件扩散模型生成手部运动；对做人体/手部动作生成、手语理解与文本到运动的研究者，这套数据构造与跨域评测设定可直接复用。
面向极速动作扩散的测试时稀疏性
Test-time Sparsity for Extreme Fast Action Diffusion
把「测试时稀疏化 + 跨去噪步/跨 rollout 的特征复用」做成可插拔的加速范式，对视觉里做扩散 Transformer 推理加速（如视频/图像扩散的 few-step 与缓存复用）可直接迁移；其并行化去噪时间步、剪枝器与解码器异步重叠的流水线设计，也是降低非主干延迟的通用工程思路。
通过多标签原型增长和双线索一致性的测试时自我-他人中心适应用于动作预测
Test-time Ego-Exo-centric Adaptation for Action Anticipation via Multi-Label Prototype Growing and Dual-Clue Consistency
提出测试时自适应框架，利用多标签原型增长和双线索一致性，在无需目标域数据训练的情况下实现跨视角动作预测，可复用于其他存在域偏移的视频理解任务。
通过几何内点判别实现激光雷达语义分割在损坏下的测试时训练
Test-Time Training for LiDAR Semantic Segmentation under Corruption via Geometric Inlier Discrimination
提出几何内点判别（GeoID）作为自监督辅助任务，通过注入合成离群点并区分几何一致的内点来驱动测试时训练，可复用于其他3D感知任务在分布偏移下的自适应。
面向视觉-语言-动作模型的延迟反馈测试时扰动调优
Test-Time Perturbation Tuning with Delayed Feedback for Vision-Language-Action Models
对做视觉-语言-动作模型的研究者，这篇给出了一个无需微调基座模型、无需额外验证器的测试时自适应流程：用基于不确定性的数据增强加动作投票抑制动作与实体间的伪相关，再用延迟反馈驱动的轻量扰动模块校正动作 logits 的过度自信，可直接迁移到机器人操作策略的部署阶段。
面向开放词表遥感图像分割的测试时多提示词自适应
Test-Time Multi-Prompt Adaptation for Open-Vocabulary Remote Sensing Image Segmentation
提出一种即插即用的测试时多提示词自适应方法，利用大语言模型生成上下文感知的类别描述，并通过视觉引导的测试时自适应策略和熵最小化像素级损失优化提示词表示，可灵活集成到现有开放词表分割方法中提升性能。
测试时实例特定参数组合：自适应生成建模的新范式
Test-Time Instance-Specific Parameter Composition: A New Paradigm for Adaptive Generative Modeling
在推理前一次性生成输入条件化的权重增量并注入预训练生成模型，为视觉生成模型提供免微调的逐样本自适应手段，可直接用于轻量化/量化扩散模型的质量补偿与测试时扩展。
面向被植入后门的大型视觉语言模型的测试时注意力净化
Test-Time Attention Purification for Backdoored Large Vision Language Models
对做多模态大模型安全与部署的研究者，这篇给出了一个可直接复用的测试时检测信号——跨模态融合层中视觉-文本注意力比值，以及一个免训练、即插即用的输入净化流程（剪除高注意力可疑视觉 token），无需重训 LoRA 或适配器即可中和后门激活。
通过空文本嵌入优化实现文本到图像扩散模型的测试时对齐
Test-Time Alignment of Text-to-Image Diffusion Models via Null-Text Embedding Optimisation
把测试时对齐的作用点从潜变量或噪声改到无分类器引导的无条件文本嵌入上，利用文本嵌入空间的语义结构约束优化轨迹，可直接复用到任何需要奖励微调或偏好对齐的扩散采样流程中，并缓解奖励攻击。
测试时三维占用预测
Test-Time 3D Occupancy Prediction
利用视觉基础模型在测试时增量构建并优化3D高斯，再体素化为任意分辨率的占用预测，无需训练即可实现开放词表识别，为动态场景理解提供免训练、可适配的3D表示方案。
TerraSeg：面向任意激光雷达的自监督地面分割
TerraSeg: Self-Supervised Ground Segmentation for Any LiDAR
提出一种无需人工标注、跨传感器配置的激光雷达地面分割自监督框架，其 PseudoLabeler 通过逐扫描运行时优化生成高质量伪标签，可复用于其他点云分割任务的标签生成与域泛化。
TerraScope：面向地球观测的像素级视觉推理
TerraScope: Pixel-Grounded Visual Reasoning for Earth Observation
把像素级掩码嵌入推理链，让 VLM 在输出答案的同时给出可验证的分割证据，这一「推理链内嵌掩码」的监督构造方式可迁移到需要空间定位的视觉问答与指代任务；其光学/SAR 自适应融合与多时相序列建模也为遥感 VLM 提供了可复用的输入组织范式。
时序表征增强（TRE）：学习遗忘主导模式以增强时序脉冲特征
Temporal Representation Enhancement (TRE): Learning to Forget Dominant Patterns for Enhanced Temporal Spiking Features
对训练多时间步脉冲网络的人有用：用类特定贡献估计加时序累积找出主导语义模式并动态抑制，把监督从「时间不变」改成「时间互补」，可直接套到任意 SNN 骨干上提升时序判别力与特征多样性。
面向胸部X光片间期变化学习的时序反转
Temporal Inversion for Learning Interval Change in Chest X-Rays
把「图像对反转」当作监督信号来训练时序视觉-语言模型，这个思路可直接迁移到任何需要建模方向性变化的视觉任务（如变化检测、视频时序顺序判别、术前术后对比），并提供了一个可复用的顺序敏感性与一致性评测协议。
脉冲 Transformer 中的时序交互与多延迟混合器
Temporal Interaction in Spiking Transformers with Multi-Delay Mixer
MD-Mixer 作为即插即用模块替换脉冲 Transformer 中的空间自注意力，为事件相机等神经形态视觉输入提供显式时序混合，可直接用于事件驱动视觉骨干网络的改造。
类增量学习中正负监督的时序不平衡
Temporal Imbalance of Positive and Negative Supervision in Class-Incremental Learning
提出时序衰减核来重加权交叉熵中的负监督，可直接嵌入任何类增量学习框架的损失函数，缓解因旧类负监督过强导致的预测偏置与遗忘。
时间均衡平均流：弥合一步生成的尺度差距
Temporal Equilibrium MeanFlow: Bridging the Scale Gap for One-Step Generation
TEMF 通过时间均衡加权和动态边界调度器解决了 MeanFlow 在一步生成中的时间尺度不平衡问题，使一步生成达到 SOTA FID，为视觉生成任务提供了无需改变架构的稳定训练策略。
TempoMaster：通过下一帧率预测实现高效长视频生成
TempoMaster: Efficient Long Video Generation via Next-Frame-Rate Prediction
把长视频生成拆成「先低帧率粗蓝图、再逐级升帧率精修」的层级自回归范式，帧内双向注意力保证并行效率、跨帧率自回归保证长程时序一致，可直接迁移到任何需要长时序一致性的视频扩散/流匹配采样流程中。
TempoControl：面向文本到视频模型的时序注意力引导
TempoControl: Temporal Attention Guidance for Text-to-Video Models
利用文本到视频扩散模型中的交叉注意力图作为可优化的控制信号，在推理阶段对概念出现的时间位置进行对齐，无需重训练；这一思路可迁移到任何基于交叉注意力的可控生成任务（如空间布局控制、视频编辑中的时序一致性约束）。
TempR1：通过时序感知多任务强化学习提升多模态大模型的时序理解能力
TempR1: Improving Temporal Understanding of MLLMs via Temporal-Aware Multi-Task Reinforcement Learning
把 GRPO 强化学习扩展到多任务时序训练，并按区间-实例对应关系设计定位奖励，可直接用于长视频时序定位与时间敏感问答的 MLLM 后训练。
Tell2Adapt：基于视觉基础模型的无源无监督域自适应统一框架
Tell2Adapt: A Unified Framework for Source Free Unsupervised Domain Adaptation via Vision Foundation Model
利用视觉基础模型（VFM）的上下文感知提示正则化生成高质量伪标签，并通过视觉合理性精炼将预测重新锚定到目标图像的低层特征，为无源域自适应分割提供可复用的两阶段框架。
告诉模型该看哪里：以视觉引导注意力缓解多模态大模型中的幻觉
Tell Model Where to Look: Mitigating Hallucinations in MLLMs by Vision-Guided Attention
VGA 利用视觉词元的语义内容构造精确视觉定位，并在推理时用该定位重定向注意力，为视觉研究者提供了一种免训练、兼容 FlashAttention 的注意力干预手段，可直接用于缓解 MLLM 的视觉幻觉与提升区域级视觉理解。
TeamHOI：学习面向任意团队规模协作式人-物交互的统一策略
TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size
用 Transformer 加队友 token 的分散式策略处理可变团队规模协作，以及用单人参考动作加掩码 AMP 在缺少多智能体数据时保证动作真实感，这两点可直接迁移到视觉驱动的具身多智能体控制与动作生成。
教 DINOv3 理解部分 3D 几何：一种自监督的几何感知方法
Teaching DINOv3 About Partial 3D Geometry: A Self-Supervised Geometry-Aware Approach
用 LoRA 自监督微调 DINOv3 特征，使其对部分观测（partial shape）鲁棒，可直接替换部分形状匹配与左右对称预测流程中的特征描述子。
教师引导路由的稀疏视觉混合专家
Teacher-Guided Routing for Sparse Vision Mixture-of-Experts
提出用预训练稠密教师模型的中间表示构建教师路由器，为学生路由器的专家选择提供伪监督，从而稳定稀疏MoE训练中的路由波动；这一思路可直接迁移到视觉MoE模型（如V-MoE）的训练中，提升高稀疏配置下的路由一致性与精度。
Tea-Adapter：面向高效条件生成的教师适配器
Tea-Adapter: Teacher Adapter for Efficient Conditional Generation
用小型已调好的教师扩散模型通过逆蒸馏把精确控制能力迁移进十亿参数视频 DiT，配合 Mixture of Condition Experts 在统一结构里动态路由多条件输入，为可控视频生成提供了一条免全量微调、低显存可复用的适配器路线。
TeHOR：文本引导的带纹理三维人体与物体重建
TeHOR: Text-Guided 3D Human and Object Reconstruction with Textures
用文本描述替代/补充接触先验来约束人-物联合三维重建，可复用于非接触交互场景（指向、注视）的重建与生成；其将外观线索纳入对齐过程的做法，对单图人-物重建中的视觉合理性约束有直接借鉴价值。
TeFlow：为自监督前馈场景流估计实现多帧监督
TeFlow: Enabling Multi-frame Supervision for Self-Supervised Feed-forward Scene Flow Estimation
提出时序集成策略，从多帧候选池中聚合最一致的监督信号，可复用于任何需要从点对应中挖掘可靠监督的自监督3D任务，如场景流、光流或深度估计。
面向层次化视觉识别的分类学感知表征对齐：结合大型多模态模型
Taxonomy-Aware Representation Alignment for Hierarchical Visual Recognition with Large Multimodal Models
把生物基础模型经层次对比学习得到的表征，通过中间层特征对齐注入 LMM，为视觉研究者提供了一种无需重训即可让多模态模型获得分类学结构先验、并泛化到新类别的可复用对齐手段。
Tavatar：面向可动画人体化身的拓扑感知高斯属性推导
Tavatar: Topology-Aware Gaussian Attribute Derivation for Animatable Human Avatars
将高斯属性（尺度、旋转）解析地绑定到网格局部几何，而非自由学习，为基于 3DGS 的人体建模提供了一种保证拓扑一致性的参数化方案，可推广到其他需要与模板网格对齐的动态场景重建。
TaskIT：通过跨任务重要性迁移实现多 LoRA 大语言模型的显存高效微调
TaskIT: Memory-Efficient Fine-Tuning of Multi-LoRA LLMs via Cross-Task Importance Transfer
对需要在显存受限设备上部署多任务视觉-语言模型的场景，TaskIT 的跨任务重要性迁移与基于块的显存预测器可用于在插入 LoRA 模块前估计其重要性，并配合动态规划调度器在显存预算内选择模块位置、数量与秩，可直接迁移到多任务视觉基础模型的端侧微调。
TaskForce：面向多任务优化的协作式多智能体强化学习
TaskForce: Cooperative Multi-agent Reinforcement Learning for Multi-task Optimization
TaskForce 把多任务损失加权建模为协作式多智能体强化学习问题，智能体以梯度 Gram 矩阵和损失值为观测输出各任务的平衡权重；做多任务视觉模型（如 NYU-v2 深度+法向、Cityscapes 检测+分割）时可直接复用该梯度级冲突消解与动态加权机制。
面向任务的数据合成与控制修正采样用于遥感语义分割
Task-Oriented Data Synthesis and Control-Rectify Sampling for Remote Sensing Semantic Segmentation
提出基于 MM-DiT 的文本-图像-掩码联合注意力控制方案与全微调策略，并设计控制修正流匹配（CRFM）在采样早期用语义损失动态调整方向，可直接用于提升少样本遥感语义分割的合成数据质量。
面向激光雷达系统自动化设计的任务驱动隐式表示
Task-Driven Implicit Representations for Automated Design of LiDAR Systems
把激光雷达传感器配置编码为6D连续空间中的隐式密度，用流生成模型学习任务相关的采样分布，再用EM拟合出具体传感器参数——这套「任务驱动隐式表示+参数拟合」的思路可直接迁移到相机阵列、事件相机、ToF等成像系统的联合设计，也可作为生成式传感器仿真的新范式。
面向高级视觉感知的任务感知图像信号处理器
Task-Aware Image Signal Processor for Advanced Visual Perception
把 ISP 从「还原好看图像」改成「为预训练视觉模型生成任务友好表征」，用少量多尺度调制算子替代稠密卷积，可直接插在 RAW 输入的下游检测/分割模型前，兼顾精度与延迟。
面向红外小目标检测的重建引导目标感知可逆编码器
Target-Aware Invertible Encoder with Reconstruction Guidance for Infrared Small Target Detection
可逆编码器将信息损失显式化为可优化量，配合仅在逆路径生效的目标感知重建调制，为小目标检测提供了一种不改变前向检测分布的表征增强手段，可迁移到其他尺度敏感检测任务。
驯服长尾：通过自适应扰动重平衡对抗训练
Taming the Long Tail: Rebalancing Adversarial Training via Adaptive Perturbation
把对抗扰动当作可调节的训练分布重加权手段，为长尾视觉任务（如长尾分类、检测）提供了一种即插即用的对抗训练改造思路，可直接嵌入现有对抗训练流程。
通过零样本相机控制驾驭视频模型实现 3D 与 4D 生成
Taming Video Models for 3D and 4D Generation via Zero-Shot Camera Control
提出一种免训练、模型无关的推理时相机轨迹控制方法：在去噪过程中用步内精修循环注入运动引导，并用光流分析定位潜空间中与运动相关的通道，从而解耦运动与外观；可直接复用于视频生成、3D/4D 生成以及视频编辑、稳定化等需要精确相机控制的下游任务。
用方差扩张损失驯服潜扩散模型中的采样扰动
Taming Sampling Perturbations with Variance Expansion Loss for Latent Diffusion Models
针对潜空间扩散模型的 tokenizer 训练环节，提出方差扩张损失来抑制 b-VAE 潜空间的方差坍缩，使潜流形对扩散采样中的随机扰动更鲁棒；做 LDM/DiT 类生成时可直接替换或叠加到 VAE 微调目标中，无需改动扩散主干。
通过方向解耦对齐驯服扩散强化学习中的偏好模式坍缩
Taming Preference Mode Collapse via Directional Decoupling Alignment in Diffusion Reinforcement Learning
针对文生图扩散模型做 RLHF 时出现的偏好模式坍缩（奖励黑客）问题，提出在奖励模型嵌入空间中学习一个方向性修正并作用于奖励信号，可直接用于任何基于奖励优化的扩散微调流程以保住生成多样性；配套的 DivGenBench 也提供了衡量多样性坍缩的评测手段。
抑制噪声导致的原型退化：面向隐私保护的个性化联邦微调
Taming Noise-Induced Prototype Degradation for Privacy-Preserving Personalized Federated Fine-Tuning
为视觉多域个性化联邦微调提供客户端隐私插件：按维度类别方差分配各向异性噪声、并用蒸馏引导裁剪正则化把特征范数压到裁剪阈值附近，可直接替换 ProtoPFL 中的各向同性高斯扰动以改善隐私-效用权衡。
驯服生成式扩散模型用于任务导向红外成像
Taming Generative Diffusion Model for Task-Oriented Infrared Imaging
把扩散模型的多步采样压缩成单步、并用动态时间步估计对齐潜变量轨迹，这一思路可直接迁移到其他退化严重、需要物理约束的低层复原任务（如低光、去雾、医学成像）；同时用任务感知低秩适配把复原模型快速接到下游语义任务，是「复原+下游」联合设计的可复用范式。
共同交谈：从音频合成共处同一空间的 3D 对话
Talking Together: Synthesizing Co-Located 3D Conversations from Audio
从混合音频中同时生成两个共处同一空间的人物的完整 3D 面部动画，并显式建模两人之间的相对位置、朝向与相互注视；其双流架构、说话人角色嵌入与说话人之间的交叉注意力，以及视线损失，为多人语音驱动动画与共处场景合成提供了可复用的建模思路。
Talk2Move：基于强化学习的场景中文本指令物体级几何变换
Talk2Move: Reinforcement Learning for Text-Instructed Object-Level Geometric Transformation in Scenes
将强化学习（GRPO）与扩散模型结合，通过设计物体级空间奖励（位移、旋转、缩放）实现文本指令驱动的物体几何变换，为可控图像编辑提供了一种无需配对监督的优化范式。
TagSplat：面向动态网格建模与跟踪的拓扑感知高斯泼溅
TagSplat: Topology-Aware Gaussian Splatting for Dynamic Mesh Modeling and Tracking
把高斯球的连通性显式编码成拓扑结构，并据此做致密化与剪枝，可让基于高斯泼溅的动态重建直接产出流形一致的网格序列；这套「拓扑感知致密化/剪枝 + 时序正则化」的思路可迁移到任何需要从高斯表示提取干净网格或做表面跟踪的 4D 重建流程。
以博弈论多智能体协作框架应对模型偏差的仇恨模因分类
Tackling Model Bias via Game-theoretic Multi-agent Collaboration Framework for Hateful Meme Classification
把多个 LMM 当作博弈参与者，用个体准确率与跨模型一致性构成的混合奖励引导它们收敛到合作均衡，这一思路可直接迁移到任何需要多模态模型集成或投票的视觉-语言任务（如 VQA、多模态事实性判别），用来缓解单个模型的认知偏差。
通过对话式属性挖掘解决行人检索中的对齐歧义
Tackling Alignment Ambiguity in Person Retrieval through Conversational Attribute Mining
用 MLLM 生成对话式属性描述来补充文本侧细粒度线索，并用双向交叉注意力混合器做 token 级对齐，这一「对话属性挖掘 + token 对齐」思路可迁移到任何细粒度图文检索或跨模态 grounding 任务。
TacSIm：足球战术风格模仿数据集与基准
TacSIm: A Dataset and Benchmark for Football Tactical Style Imitation
该工作提供了从广播视频中提取全部22名球员位置与动作并投影到标准球场坐标系的流程，以及基于空间占用和运动向量相似度的风格模仿评估协议，可复用于多目标跟踪、轨迹预测和团队行为建模等视觉任务。
TableMix：从数据中心视角增强多模态大语言模型的表格推理能力
TableMix: Enhancing Multimodal Table Reasoning in MLLMs from a Data-Centric Perspective
对做多模态表格理解或文档 VLM 的研究者，这篇给出了一个可复用的数据配方：把多模态表格数据、纯文本数学推理数据和简单多模态感知数据按比例混合，再用难度感知的 GRPO 奖励塑形，缓解预训练造成的推理能力退化；这套数据混合与奖励设计思路可以直接迁移到图表问答、文档理解等视觉推理任务的后训练中。
TWINGS：面向稀疏视角高斯泼溅的薄板样条形变对齐初始化
TWINGS: Thin Plate Splines Warp-aligned Initialization for Sparse-View Gaussian Splatting
用薄板样条把单目深度反投影点对齐到三角化控制点，为 3DGS 提供几何一致的稠密初始化；做稀疏视角重建时可直接替换随机初始化或 SfM 点云初始化环节。
TWEO：无极端离群值的 Transformer 实现 FP8 训练与傻瓜式量化
TWEO: Transformers Without Extreme Outliers Enables FP8 Training And Quantization For Dummies
TWEO 通过一个简单的损失项消除激活离群值，使 ViT 和 LLM 无需工程技巧即可进行全模型 FP8 预训练，并支持硬件友好的 W8A8 静态量化，为视觉 Transformer 的低精度训练与部署提供了可直接复用的方法。
TVHighlights：LLM 引导的无人工协同训练用于影视剧视频亮点检测
TVHighlights: LLM-Guided Human-Free Collaborative Training for Video Highlight Detection in Movies and TV Dramas
把 LLM 生成的片段级伪标签与轻量视频模型的置信度预测放进自提升闭环，配合噪声鲁棒学习，为长视频时序定位类任务提供了一套无需人工标注的协同训练范式，可直接迁移到视频摘要、精彩片段检索等时序定位问题。
TV2TV：面向交错语言与视频生成的统一框架
TV2TV: A Unified Framework for Interleaved Language and Video Generation
把视频生成拆成交错的文本推理与视频流匹配两步，用 Mixture-of-Transformers 让语言塔决定「接下来发生什么」、视频塔负责出帧，可直接借鉴到需要长程语义分支的视频生成与推理时文本干预控制。
TUNA：为原生统一多模态模型驯服统一视觉表征
TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models
把 VAE 编码器与预训练表征编码器级联成统一连续视觉空间，让理解与生成共享同一表征，视觉研究者可直接复用该表征设计来消除理解/生成双编码器的格式错配，并借鉴其「表征编码器越强则全任务越好」的结论选型骨干。
TUDSR：用于更高超分辨率的两次上采样扩散
TUDSR: Twice Upsampling-Diffusion for Higher Super-Resolution
提出两阶段上采样扩散框架，通过循环分块训练策略在有限资源下实现高分辨率（2048²）图像超分，可复用于其他需要突破模型原生分辨率限制的生成任务。
TTRV：面向视觉语言模型的测试时强化学习
TTRV: Test-Time Reinforcement Learning for Vision Language Models
把 GRPO 式的强化学习从训练阶段搬到推理阶段：对每个测试样本多次采样，用基座模型输出频率构造奖励，并加入经验分布熵正则控制多样性，从而在无任何标注的情况下在线提升 VLM 的识别与 VQA 表现，可直接复用于任意现成 LVLM 的测试时增强。
TTP：面向视觉语言模型对抗检测与鲁棒自适应的测试时填充
TTP: Test-Time Padding for Adversarial Detection and Robust Adaptation on Vision-Language Models
对做 CLIP 类视觉语言模型鲁棒性的人，这篇给出了一个无需重训的推理期防御范式：用空间填充前后 CLIP 特征的余弦相似度漂移做对抗检测，并对检测出的对抗样本用可训练填充修复注意力模式，可直接套用到自己的 VLM 安全部署流程中。
TTL：面向预训练视觉语言模型 OOD 检测的测试时文本学习
TTL: Test-time Textual Learning for OOD Detection with Pretrained Vision-Language Models
把 CLIP 的可学习 prompt 在无标签测试流上做在线更新，并用伪标签筛选与文本知识库做跨批次分数校准，可直接迁移到任何需要测试时分布漂移检测的视觉流水线（如开放世界分类、异常检测）。
TTAPFormer：通过瞬态异步融合帧与事件实现鲁棒的任意点跟踪
TTAPFormer: Robust Arbitrary Point Tracking via Transient Asynchronous Fusion of Frames and Events
提出瞬态异步融合机制，用连续事件流更新离散帧间的时序演化，解决帧-事件异步融合的时序错位问题；跨模态局部加权融合模块根据模态可靠性自适应调整空间注意力，为多模态融合在模糊/低光下的鲁棒性提供可复用思路。
TSTM：面向视觉强化学习泛化的任务相关掩码时序分割
TSTM: Temporal Segmentation for Task-relevant Mask in Visual Reinforcement Learning Generalization
TSTM 利用时序信息分割任务相关区域，并通过不变表征学习提升视觉 RL 策略的泛化性，其掩码生成与一致性约束思路可迁移到其他需要抑制背景干扰的视觉任务。
TRivia：面向表格识别的视觉语言模型自监督微调
TRivia: Self-supervised Fine-tuning of Vision-Language Models for Table Recognition
把 GRPO 式的强化学习自监督微调用在 VLM 上，用「识别结果能否被正确问答」构造无需标注的奖励信号，并配注意力引导的多样化问题生成；这套闭环奖励设计可迁移到任何缺乏标注的结构化图像解析任务（如公式、图表、版面解析）。
TROPHIES：从多视角视频中时序重建场所、人体与相机
TROPHIES: Temporal Reconstruction of Places, Humans, and Cameras from Multi-view Videos
把动态人体、静态场景与相机位姿放进同一全局坐标系联合优化，并用尺度一致性、接触先验与跨视角时序一致性做耦合，可直接借鉴到多视角/自我中心视频下的 4D 场景重建与人体-场景交互建模。
TRM-VLA：面向视觉-语言-动作模型的时序感知思维链推理与记忆
TRM-VLA: Temporal-Aware Chain-of-Thought Reasoning and Memorization for Vision-Language-Action Models
TRM-VLA 将时序感知的思维链推理与记忆机制引入 VLA 模型，其关键帧触发推理（KTR）和粒度自适应上下文记忆（GCM）可被视觉研究者复用于需要长程规划与实时执行的机器人操作任务，为视觉-语言-动作模型的推理效率与一致性提供新思路。
TRIDENT：面向药物与 RNA 条件细胞形态合成的三模态级联生成框架
TRIDENT: A Trimodal Cascade Generative Framework for Drug and RNA-Conditioned Cellular Morphology Synthesis
把转录组表达谱当作生成条件去合成 Cell Painting 细胞形态图像，为视觉研究者提供了一个「多模态条件级联生成 + 生物表型预测」的可复用范式：可用 RNA 条件替代或补充化学扰动条件，并借助 MorphoGene 这类配对数据集评估生成保真度与对未见化合物的泛化。
TRCoRSurg：面向手术视频三元组识别的时序-关系协同推理
TRCoRSurg: Temporal-Relational Co-Reasoning for Surgical Video Triplet Recognition
面向手术视频的三元组（器械-动作-目标）识别框架，其多尺度类别激活图引导的关系提取与双向时序-关系融合注意力可迁移到任何需要建模帧内标签共现与帧间语义一致性的视频结构化识别任务；同时提出的 TCER 指标为衡量跨实体因果/语义一致性提供了可复用的评测思路。
TRANSPORTER：从 VLM 流形迁移视觉语义
TRANSPORTER: Transferring Visual Semantics from VLM Manifolds
把 VLM 的 logit 分数通过最优传输耦合映射到 T2V 模型的语义嵌入空间，用生成视频作为解释载体——做 VLM 可解释性或探针研究时，可复用这套「logit→嵌入方向→条件生成」的流程来可视化模型内部语义。
TR2M：借助语言描述与双层尺度导向对比将单目相对深度迁移为度量深度
TR2M: Transferring Monocular Relative Depth to Metric Depth with Language Descriptions and Dual-Level Scale-Oriented Contrast
把相对深度经文本+图像双模态条件、以像素级重缩放图映射到度量深度，并用深度分布引导的双层对比学习约束尺度，可作为跨域深度尺度对齐与伪度量标签构建的可复用范式。
TM-BSN：用于真实世界自监督图像去噪的三角掩码盲点网络
TM-BSN: Triangular-Masked Blind-Spot Network for Real-World Self-Supervised Image Denoising
提出三角掩码卷积，在原始分辨率下构造菱形盲点以匹配去马赛克噪声的相关性几何，避免下采样带来的噪声统计改变和上下文损失；并用知识蒸馏将多个盲点预测集成到轻量U-Net，为真实图像自监督去噪提供了可复用的架构设计。
TLMA：缓解弱标签信息对视频异常检测的影响
TLMA: Mitigating the Impact of Weakly Labeled Information for Video Anomaly Detection
把正常视频中的困难片段当作锚框样本，用对比学习与多示例学习联合拉开异常片段与锚框的投影距离，可直接迁移到其他只有视频级弱标签的时序定位任务（如暴力片段定位、关键事件检测）。
TIPSv2：以增强的图像块-文本对齐推进视觉-语言预训练
TIPSv2: Advancing Vision-Language Pretraining with Enhanced Patch-Text Alignment
论文提出的 iBOT++ 让未掩码 token 也直接参与损失，并证明图像块级蒸馏可显著增强稠密图像块-文本对齐（学生甚至超过教师），为需要稠密视觉-语言对齐的下游任务（分割、深度预测、开放词表定位）提供了可复用的预训练配方。
TINA：面向已遗忘文本到图像扩散模型的无文本反演攻击
TINA: Text-Free Inversion Attack for Unlearned Text-to-Image Diffusion Models
用无文本（null-text）DDIM 反演加优化来绕过以文本为中心的擦除防御，为评估扩散模型概念擦除是否真正移除视觉知识提供了一个可复用的探针手段；做 unlearning/safety 评测时可直接借用该 inversion 流程检验模型内部是否仍保留被擦除概念的生成通路。
TIM：面向纵向放射学报告生成的时序解耦与迭代互精炼模型
TIM: Temporal Decoupling with Iterative Mutual-Refinement Model for Longitudinal Radiology Report Generation
把「空间病理特征」与「时序演变模式」显式解耦到不同表征空间，再用前后两次检查的报告互相纠错迭代精炼——这套解耦+互反馈的思路可迁移到任何需要跨时间点比较的视觉-语言生成任务（如变化描述、时序 VQA）。
TIGeR：时间、图像与地理位置检索的统一框架
TIGER: A Unified Framework for Time, Images and Geo-location Retrieval
TIGeR 用同一套表征同时完成地理定位、拍摄时间预测与「同地异时」图像检索，其核心思路是在外观剧烈变化下保持地点身份不变——这对做跨视角/跨季节地点识别、以及需要把时间作为检索条件的视觉检索系统，提供了一个可复用的多模态查询接口与训练范式。
TIACam：面向相机鲁棒零水印的文本锚定不变特征学习与自动增强
TIACam: Text-Anchored Invariant Feature Learning with Auto-Augmentation for Camera-Robust Zero-Watermarking
可学习的自动增强器用可微的几何、光度与摩尔纹算子模拟相机重捕获退化，这一思路可直接迁移到任何需要建模真实拍摄退化的鲁棒性训练中；文本锚定的跨模态对抗对齐则为在特征空间约束语义一致性提供了可复用的手段。
多多益善：面向高阶多模态对齐的对比融合
THE MORE, THE MERRIER: CONTRASTIVE FUSION FOR HIGHER-ORDER MULTIMODAL ALIGNMENT
ConFu 把「模态对」与「模态对+第三模态」的融合嵌入一起拉进同一对比空间，可直接用于视觉-语言-音频等三模态检索与分类；做 VLM 时若需建模图像、文本、音频之间的 XOR 式互补关系，可把该融合对比项接到现有 CLIP 式双塔上，而不必放弃成对对齐。
TGTrack：面向统一单目标跟踪的时序生成式学习
TGTrack: Temporal Generative Learning for Unified Single Object Tracking
把「预测未来帧特征」作为自监督辅助任务来训练跟踪器，并用时间词元显式编码帧位置；这套生成式时序监督可直接迁移到任何需要建模帧间动态的视觉跟踪或视频表征学习框架中。
TGT：面向局部可控视频生成的文本接地轨迹
TGT: Text-Grounded Trajectories for Locally Controlled Video Generation
把点轨迹当作直观的运动句柄，并与局部文本配对，通过位置感知交叉注意力注入扩散/流模型，为视频生成提供细粒度、多目标的局部运动与外观控制；双CFG分别调节局部与全局文本引导的思路可直接迁移到其他条件控制生成任务。
TGSFormer：面向具身语义场景补全的可扩展时序高斯泼溅
TGSFormer: Scalable Temporal Gaussian Splatting for Embodied Semantic Scene Completion
用持久化的高斯记忆加置信度感知的跨注意力做时序融合，替代依赖帧缓存与图像一致性的做法，可复用到任何需要在线增量重建、且场景尺度无界的具身感知或流式建图任务中。
TF-SSD：通过协同掩码筛选构建免训练协同显著性目标检测的强流水线
TF-SSD: A Strong Pipeline via Synergic Mask Filter for Training-free Co-salient Object Detection
展示如何免训练地协同 SAM 与 DINO：用 SAM 生成候选掩码池，再用 DINO 注意力图做图像内显著性筛选、用跨图像原型相似度做图像间选择，可直接迁移到其他需要跨图像一致性的分割任务。
TF-CADE：面向零样本时序动作检测的前景集中文本-视频对齐
TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection
提出前景集中的文本-视频对齐方法，通过动作集中聚合和基于确定性的置信度重加权，提升零样本时序动作检测中动作类别的语义区分度，可复用于其他需要细粒度文本-视频对齐的视频理解任务。
TEXTRIX：面向原生纹理生成及更多应用的潜变量属性网格
TEXTRIX: Latent Attribute Grid for Native Texture Generation and Beyond
用潜空间三维属性网格 + 稀疏注意力 Diffusion Transformer 直接在体空间给 3D 模型上色，绕开多视角融合的视角不一致问题；同一架构改预测语义属性即可做 3D 部件分割，为「生成式三维表征复用为判别任务」提供了可借鉴范式。
TESSERA：用于地球表征与分析的地表光谱时序嵌入
TESSERA: Temporal Embeddings of Surface Spectra for Earth Representation and Analysis
TESSERA 用 Barlow Twins 加稀疏随机时序采样，让像素级嵌入对观测缺失保持不变，这种「对不规则采样鲁棒」的自监督目标可以直接迁移到视频或时序图像的自监督预训练中；它发布的 int8 全球嵌入和轻量适配头也为大规模检索提供了可复用的工程范式。
TESO：通过随机优化在线跟踪本质矩阵
TESO: Online Tracking of Essential Matrix by Stochastic Optimization
提出一种在本质矩阵流形上做在线随机优化的方法，用核相关鲁棒损失函数直接优化稀疏对应点，无需训练即可在线跟踪双目外参漂移，对资源受限的视觉感知系统有直接复用价值。
TEAR：面向文本到视频模型的时序感知自动化红队测试
TEAR: Temporal-aware Automated Red-teaming for Text-to-Video Models
对做视频生成的人，这篇给出了一个可复用的安全评测范式：把「时序动态」当作攻击面，用两阶段训练加在线偏好学习自动搜索文本无害但触发违规视频的提示词，可直接用来给自己的 T2V 模型做红队体检或构造安全对齐数据。
TDATR：通过表格细节感知学习和单元格级视觉对齐改进端到端表格识别
TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment
论文提出的结构引导的单元格定位模块和单元格级视觉-语言对齐方法，可被其他需要细粒度视觉-语言对齐的文档理解任务（如表格问答、文档布局分析）借鉴；其“先感知后融合”策略和利用多任务学习增强数据效率的思路，对数据受限场景下的视觉-语言模型训练有参考价值。
TC-Pade：面向扩散加速的轨迹一致 Padé 逼近
TC-Pade: Trajectory-Consistent Pade Approximation for Diffusion Acceleration
用有理函数（Padé 逼近）替代 Taylor 类多项式外推来做扩散模型的特征缓存预测，并配合自适应系数调制与分阶段预测策略，可直接嵌入 DiT/FLUX/Wan 等视觉生成骨干，在 20-30 步低步数区间实现约 2-3 倍采样加速而不掉画质。
TAlignDiff：基于扩散变换学习的自动牙齿对齐
TAlignDiff: Automatic Tooth Alignment assisted by Diffusion-based Transformation Learning
将扩散模型用于学习变换矩阵的潜分布，并与点云回归网络双向反馈，为点云配准/对齐任务提供了一种结合几何约束与生成式先验的新范式。
TAS-LoRA：基于混合低秩适配专家的Transformer架构搜索
TAS-LoRA: Transformer Architecture Search with Mixture-of-LoRA Experts
将低秩适配（LoRA）作为子网专属参数引入Transformer架构搜索，配合混合专家路由，可缓解超网特征坍缩问题；该思路可迁移到视觉Transformer的轻量化搜索与参数高效微调场景。
TAR：面向细粒度广义类别发现的词元感知精炼
TAR: Token-Aware Refinement for Fine-grained Generalized Category Discovery
指出 ViT 注意力在少数词元上异常高响应（注意力伪影）会压制细粒度局部线索，并提出用整个词元序列而非仅首个词元做分类的即插即用精炼模块，可直接移植到任何基于 ViT 特征的细粒度识别或开放类别发现流程中。
TAPE：音频语言模型中任务自适应原型进化用于完全少样本类增量音频分类
TAPE: Task-Adaptive Prototype Evolution in Audio-Language Models for Fully Few-shot Class-incremental Audio Classification
论文提出的任务适配器（Task-Adapter）和原型进化机制可迁移到视觉中的少样本类增量学习场景，例如利用CLIP等视觉语言模型进行增量目标识别时，通过隔离特征空间和动态原型更新来缓解灾难性遗忘与过拟合。
TAP：面向无训练扩散加速的词元自适应预测器框架
TAP: A Token-Adaptive Predictor Framework for Training-Free Diffusion Acceleration
把「逐词元自适应选择预测器」作为即插即用的无训练加速模块，可直接套到已有扩散/流匹配采样器上，用首层单次前向作为低成本探针来分配不同阶数/视野的泰勒外推，替代全局固定缓存策略。
TANGO：面向标签噪声下视觉语言模型鲁棒微调的文本锚定引导优化
TANGO: Text-Anchored Guided Optimization for Robust Fine-tuning Vision-Language Models under Label Noise
用文本模态构造与训练标签无关的语义锚点，替代线性分类器并指导样本筛选与标签纠错，为视觉研究者提供一种在脏标注数据上微调 VLM 的即插即用范式。
TanGo：面向医学图像泛化的分布级基础先验一致性与实例级风格校准学习
TANGO: Learning Distribution-wise Foundation Prior Consistency and Instance-wise Style Calibration for Medical Image Generalization
把冻结的视觉基础模型编码器中的低频稳定表征作为分布级先验来约束源模型的特征分布，并用可学习的数据装饰器把测试图像拉回增强后的源域分布——这套「基础模型先验 + 实例级风格校准」的组合可直接迁移到其他面临域偏移的密集预测任务（如跨中心分割、跨域检测）。
TAMER：面向零样本心电图诊断的三模态对比对齐与多尺度嵌入细化框架
TAMER: A Tri-Modal Contrastive Alignment and Multi-Scale Embedding Refinement Framework for Zero-Shot ECG Diagnosis
论文提出的三模态对比对齐与多尺度嵌入细化框架，可迁移到视觉-语言-信号的多模态融合任务中，特别是利用诊断报告进行细粒度语义对齐的思路，对医学图像的多模态预训练有直接参考价值。
TALON：面向在线类别发现的测试时自适应学习
TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery
把测试时自适应从「只调分类器」扩展到「同时更新语义原型与编码器参数」，为开放世界视觉任务中在线吸收新类别提供了可复用范式；其 margin-aware logit 校准思路也可迁移到任何需要为未来类别预留嵌入空间的长尾/增量识别场景。
TALO：推动 3D 视觉基础模型走向全局一致的在线重建
TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction
把 3D 基础模型逐窗口的前馈预测用薄板样条（TPS）做高自由度长程对齐，并用点无关的子图配准提升对噪声几何的鲁棒性；做在线/流式 3D 重建或需要跨时序窗口融合深度与位姿时可直接复用这套即插即用框架。
TAG-MoE：面向统一生成式混合专家的任务感知门控
TAG-MoE: Task-Aware Gating for Unified Generative Mixture-of-Experts
把任务语义（范围、类型、保留程度）注入 MoE 门控网络，用预测对齐正则化让路由决策与高层任务意图对齐，可直接迁移到任何需要多任务共享参数的扩散 Transformer 中，缓解局部编辑与主体驱动生成之间的任务干扰。
TACO：面向激光雷达定位与3D目标检测联合的任务感知对比学习
TACO: Task-Aware Contrastive Learning for Joint LiDAR Localization and 3D Object Detection
用对比学习显式解耦静态地理特征与目标中心特征，让定位与3D检测共享一个骨干网络并互为监督；做激光雷达定位或多任务BEV感知时，可借鉴这种按任务属性拆分特征空间、过滤动态噪声的思路。
T2SGrid：面向视频时序定位的时序到空间网格化
T2SGrid: Temporal-to-Spatial Gridification for Video Temporal Grounding
将视频帧按时间顺序以行主序拼成网格图像，把时序定位转化为二维空间理解任务，为视觉语言模型处理长视频提供了一种无需额外时间戳词元的可复用输入组织方式。
面向检测、分割与视觉定位的可扩展精确学习的合成物体组合
Synthetic Object Compositions for Scalable and Accurate Learning in Detection, Segmentation, and Grounding
用 3D 几何布局与相机配置增强把高质量物体片段合成为带精确掩码、框和指代表达的训练图像，可直接替代或补充 LVIS/COCO 等真实标注数据，尤其适合低数据量与细粒度属性判别场景。
合成课程强化组合式文本到图像生成
Synthetic Curriculum Reinforces Compositional Text-to-Image Generation
用场景图定义组合难度并配合 MCMC 图采样构造由易到难的训练课程，再接入 GRPO 做强化学习微调，这套「难度感知课程 + 策略优化」流程可直接迁移到扩散或自回归 T2I 模型的组合能力提升上。
将视觉概念合成为视觉-语言程序
Synthesizing Visual Concepts as Vision-Language Programs
把 VLM 当作结构化视觉描述生成器，再将描述编译成可在图像上直接执行的神经符号程序，为需要系统性逻辑推理的视觉任务提供了一条可解释、可抑制捷径学习的替代路径，可复用于视觉归纳推理与组合式推理基准。
SynthRGB-T：面向多样性合成的语言-视觉引导图像翻译
SynthRGB-T: Language-Vision Guided Image Translation for Diversity Synthesis
把红外↔可见光图像翻译建模为视觉语言引导的去噪扩散过程，并用解耦注入策略与双条件交叉注意力处理多路引导冲突，可直接复用于跨模态数据增广与开放世界条件生成。
腹腔镜手术视频中出血区域与出血点的协同检测
Synergistic Bleeding Region and Point Detection in Laparoscopic Surgical Videos
把 SAM2 的掩码记忆机制改造成跨任务双向引导：掩码分支的边缘/点提示词嵌入与点分支的掩码记忆诱导点记忆互相喂信息，并用帧间光流补运动线索，这套「分割记忆→点跟踪」的耦合设计可迁移到其他需要同时输出区域与关键点的视频密集预测任务。
SyncMos：面向多智能体场景交互的可扩展运动同步
SyncMos: Scalable Motion Synchronisation for Multi-Agent Scene Interaction
把扩散后验采样与时间规整控制结合，在无需重训练的前提下把单智能体运动合成模型扩展为多智能体时序同步生成，可直接迁移到人体-场景交互、虚拟角色动画等需要跨主体时序对齐的生成任务。
SyncDreamer：超越说话头部的可控且富有表现力的虚拟人生成
SyncDreamer: Controllable and Expressive Avatar Generation Beyond the Talking Head
用 Diffusion Transformer 直接从单图+语音+文本提示词生成全身说话数字人，其视觉适配器与注意力定位损失可复用于任何需要身份保持的条件生成任务；音频动力学编码器把节奏/能量等连续语音特征注入扩散过程，为语音驱动的细粒度运动控制提供了可借鉴的条件注入方式。
SynMotion：面向运动定制视频生成的语义—视觉自适应
SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation
把主体与运动表征解耦成双嵌入、再叠加参数高效运动适配器的做法，可直接迁移到任何需要「保留主体身份、只换动作」的视频扩散定制任务；配套的交替训练策略与 SPV 数据构造方式也为少样本运动定制提供了可复用的训练范式。
SynCLIP：面向鲁棒开放词表密集感知的同义词连贯语言-图像预训练
SynCLIP: Synonym-Coherent Language-Image Pretraining for Robust Open-Vocabulary Dense Perception
针对CLIP类开放词表密集感知中同义词导致的视觉定位不一致问题，提出语义一致空间注意力对齐模块和空间注意力细化模块，可复用于任何需要文本-图像空间对齐的视觉语言任务。
Symphony：受认知启发的多智能体系统用于长视频理解
Symphony: A Cognitively-Inspired Multi-Agent System for Long-Video Understanding
提出基于VLM的视觉定位方法评估视频片段与问题的相关性，并设计带反思的多智能体协作机制，可复用于长视频问答中的关键片段定位与多步推理。
SymphoMotion：联合控制相机运动与物体动态的连贯视频生成
SymphoMotion: Joint Control of Camera Motion and Object Dynamics for Coherent Video Generation
把相机位姿与物体级 3D 轨迹作为解耦条件注入视频扩散模型，为可控视频生成提供了「相机运动 vs 物体运动」分离建模的可复用范式，并配套 RealCOD-25K 真实配对数据可用于训练与评测。
SwitchCraft：基于注意力控制的免训练多事件视频生成
SwitchCraft: Training-Free Multi-Event Video Generation with Attention Controls
EAQS 通过按事件对齐帧级注意力来引导提示词注入，ABSS 自适应调节引导强度，这套免训练的注意力操控思路可直接迁移到任何 DiT 类视频扩散模型上，用于解决多阶段叙事、镜头切换等时序可控生成问题。
SwiftVLA：以极小开销为轻量 VLA 模型解锁时空动态
SwiftVLA: Unlocking Spatiotemporal Dynamics for Lightweight VLA Models at Minimal Overhead
用预训练的 4D 视觉几何 Transformer 加时序缓存，从 2D 图像流增量提取 4D 特征，再通过可学习的 Fusion Tokens 与未来预测目标把 4D 特征注入轻量 VLM；掩码重建策略让 4D 分支在推理时可丢弃，为视觉侧提供了一条「训练时用几何先验、部署时零开销」的可复用范式。
SwiftTailor：基于几何图像表示的高效三维服装生成
SwiftTailor: Efficient 3D Garment Generation with Geometry Image Representation
用紧凑的几何图像（统一 UV 空间编码所有衣片 3D 表面）替代序列化缝纫图案到网格的物理仿真流程，配合重网格化与动态缝合的逆映射直接组装网格，为视觉研究者提供了一种可复用的「2D 参数化图像 → 3D 网格」快速重建范式，可迁移到其他可展曲面/薄壳物体的生成。
SurgCoT：通过思维链基准推进手术视频中的时空推理
SurgCoT: Advancing Spatiotemporal Reasoning in Surgical Videos through a Chain-of-Thought Benchmark
提供了一个带结构化思维链标注（问题-选项-知识-线索-答案）的手术视频时空推理基准，可用于诊断多模态大模型在因果动作排序、线索-动作对齐、可供性映射等细粒度时序环节上的失效点，并作为逐步推理评测协议的模板迁移到其他视频理解任务。
抑制掩码图像建模表征中的非语义噪声
Suppressing Non-Semantic Noise in Masked Image Modeling Representations
对做 MIM 预训练的人，这篇给出了一个免训练、可插拔的线性头，把图像块表征里与语义无关的分量投影掉，从而直接提升下游零样本性能；其基于 PCA 的语义不变性打分也可作为评估表征语义纯度的通用诊断工具。
Superman：统一骨架与视觉的人体运动感知与生成
Superman: Unifying Skeleton and Vision for Human Motion Perception and Generation
提出视觉引导的运动分词器，利用3D骨架与视觉数据的几何对齐构建跨模态运动词汇表，使单一MLLM统一处理时序3D姿态估计与运动生成任务，为人体运动分析提供可复用的统一建模范式。
SunFaded：面向相机搭载主动光源暗场景的光照感知高斯泼溅
SunFaded: Illumination-Aware Gaussian Splatting for Dark Scenes with Camera-Mounted Active Lighting
针对相机搭载主动光源的暗场景，提出基于瓦片的着色方案与光照加权损失函数，将光照与场景本征外观显式分离，并利用几何先验模型提升重建精度，为暗光下的三维重建提供了可复用的光照解耦思路。
SubspaceAD：基于子空间建模的无训练少样本异常检测
SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling
用冻结的 DINOv2 patch 特征拟合 PCA 子空间、以重建残差作为异常分数，为少样本/单样本工业异常检测提供了一个无需训练、无需 memory bank 的强基线，可直接迁移到其他需要无监督打分的一类分类场景。
基于典型相关分析的 CLIP 持续学习子空间对齐
Subspace Alignment for CLIP-based Continual Learning via Canonical Correlation Analysis
针对 CLIP 单模态持续学习中视觉分支漂移强于文本分支的「非对称漂移」问题，用跨任务累积的视觉-文本协方差求解 CCA 共享子空间，在不改动 CLIP 参数、不用样本回放的前提下恢复跨模态对齐；这一子空间对齐思路可直接迁移到任何需要冻结主干、只做后处理投影的持续学习或跨模态检索场景。
基于最优传输的子模型提取实现高效个性化联邦学习
Submodel Extraction for Efficient and Personalized Federated Learning via Optimal Transport
提出基于最优传输的服务器端个性化剪枝框架，可在不访问原始数据的情况下为异构客户端生成定制子模型，并利用自适应正则化缓解参数发散，为视觉模型在边缘设备上的高效个性化部署提供可复用方案。
SuP：子点云驱动的点云配准
SuP: Sub-cloud Driven Point Cloud Registration
把低重叠配准转化为高重叠子点云对（锚框对）挖掘问题，用特征显著性先验加权加多尺度邻域一致性后加权筛选锚框对，再做 merge-to-match 生成对应关系；对做点云配准、部分重叠匹配的人可直接复用这套子点云锚框挖掘与对齐感知加权损失。
StyleTextGen：风格条件化的多语言场景文字生成
StyleTextGen: Style-Conditioned Multilingual Scene Text Generation
双分支风格编码器从复杂背景中解耦文字风格表征，配合掩码引导推理在生成时做字符级风格对齐，这套「参考图风格注入 + 掩码约束采样」的范式可直接迁移到字体风格迁移、艺术字生成与跨文字系统的风格一致生成任务。
StyleGallery：面向任意图像参考的免训练且语义感知的个性化风格迁移
StyleGallery: Training-free and Semantic-aware Personalized Style Transfer from Arbitrary Image References
用潜扩散特征做自适应聚类得到语义区域，再以块过滤匹配和区域风格损失引导扩散采样，为免训练风格迁移提供了可复用的区域级对齐与能量函数优化范式。
StyleDoctor：面向以风格为中心的生成任务的专家奖励模型
StyleDoctor: Towards Specialist Reward Model for Style-centric Generation Tasks
为风格化扩散生成提供可复用的风格感知奖励模型，可直接接入 RLHF/奖励微调流程，替代通用人类偏好奖励模型来提升风格一致性与文图对齐。
Style-GRPO：由奖励建模引导的语义感知图像风格迁移偏好优化
Style-GRPO: Semantic-Aware Preference Optimization for Image Style Transfer Guided by Reward Modeling
提供了一套可复用的「奖励模型 + 在线 RL」范式：先构建 8 万级空间关系偏好对训练 SpatialScore 奖励模型，再用其驱动 GRPO 式在线强化学习提升扩散模型的空间关系生成能力，可直接迁移到其他需要精确空间布局的可控生成任务。
结构到强度扩散的恶劣天气激光雷达生成
Structure-to-Intensity Diffusion for Adverse-Weather LiDAR Generation
把扩散去噪过程按「先几何结构、后反射强度」显式分解，并用真实传感器统计做天气退化仿真，可直接用于扩充恶劣天气下的激光雷达训练数据，也可作为点云生成中解耦几何与辐射属性的可复用范式。
面向微小密集目标分割的结构感知表征蒸馏
Structure-Aware Representation Distillation for Tiny-Dense Object Segmentation
把教师特征的结构重要性（边界显著性、几何复杂度、局部特征变化）做成加权图来引导蒸馏损失，可直接迁移到任何密集预测任务的师生对齐中，替代逐像素 mask 模仿。
视觉语言模型的结构化图探测
Structural Graph Probing of Vision-Language Models
把每一层建模为神经元共激活相关图，用图结构定位跨模态的 hub 神经元并做因果扰动验证，为视觉研究者提供一种介于局部归因与完整电路复原之间的中层可解释性工具，可直接用于诊断 VLM 中视觉与语言信息如何逐层融合。
面向三维灵巧操作的结构化动作 Transformer
Structural Action Transformer for 3D Dexterous Manipulation
把动作块从时序序列重构为无序的逐关节轨迹序列，并用关节码本编码运动学先验，使 Transformer 能以变长序列原生处理不同自由度的机械手；这一「结构化动作表示 + 点云条件流匹配」的思路可迁移到任何需要跨本体泛化的视觉-动作策略学习。
StructXLIP：利用多模态结构线索增强视觉-语言模型
StructXLIP: Enhancing Vision-language Models with Multimodal Structural Cues
StructXLIP 将边缘图作为视觉结构代理，并设计结构中心损失来增强视觉-语言对齐，为跨模态检索提供了一种即插即用的微调策略，可复用于其他多模态模型的结构感知训练。
更强的无归一化 Transformer
Stronger Normalization-Free Transformers
Derf 可作为 LayerNorm/RMSNorm/DyT 的即插即用替代，用于视觉识别与生成任务中的无归一化 Transformer，降低归一化层开销并可能提升泛化。
精简的开放词表人-物交互检测
Streamlined Open-Vocabulary Human-Object Interaction Detection
对做开放词表检测的人，这篇给出了一个可复用的思路：不再拼接传统检测器与 VLM 两套表征，而是把交互查询和骨干图像 token 一起送进 DINOv3 的文本对齐视觉头，让交叉注意力在同一个表征空间内完成，从而绕开跨模型特征融合的鸿沟；同时全冻结骨干、只训练少量参数的做法可直接迁移到其他开放词表定位任务。
精简知识蒸馏
Streamlined Knowledge Distillation
提供了一种仅用 logit 的蒸馏损失设计：用归一化 logit 的 Gram 矩阵加马氏距离（Tikhonov 正则化 + Cholesky 分解稳定）传递方向性知识，可即插即用地替换视觉模型压缩中常用的特征蒸馏，省去多层特征对齐的工程开销。
StreamingTOM：面向高效视频理解的流式词元压缩
StreamingTOM: Streaming Token Compression for Efficient Video Understanding
提出免训练的两阶段词元压缩框架，在LLM前通过因果时序缩减减少每帧预填充成本，在LLM后通过4位量化内存管理KV缓存，为流式视频理解提供可预测延迟和有限内存的解决方案。
流式视频指令微调
Streaming Video Instruction Tuning
把离线视频 LLM 改造成逐帧到达即可响应的流式助手，其 Streamo-Instruct-465K 的多任务指令构造方式与统一训练管线，可直接复用于需要实时解说、时序定位或时间敏感问答的视频-语言系统。
基于时空因果推理的流式视频犯罪预测
Streaming Video Crime Anticipation with Spatio-Temporal Causal Reasoning
将实体间的隐式动态关系显式建模为时空因果超图，并以流式模块接入 VLM，为视频时序推理提供了一种可复用的因果结构注入方式，可用于任何需要预测未来事件或建模实体交互的视频理解任务。
用于快速红外与可见光视频融合的流式扩散模型
Streaming Diffusion Model for Fast Infrared and Visible Video Fusion
将预训练扩散模型的生成先验蒸馏到单步采样框架，并用记忆增强的潜变量管道与时序聚合适配器保证视频帧间一致性，为视频复原/融合任务提供高效且时序稳定的扩散方案。
StreamVLO：带累积漂移补偿的流式视觉-激光雷达里程计
StreamVLO: Streaming Visual-LiDAR Odometry with Cumulative Drift Compensation
用 Mamba 做跨多帧的视觉-激光雷达统一时空关联，并以因果方式从历史帧学习残差修正来抑制累积漂移，可直接迁移到视觉里程计/SLAM 的长序列位姿估计与多传感器融合骨干设计。
StreamReady：学习在长流式视频中何时回答与回答什么
StreamReady: Learning What to Answer and When in Long Streaming Videos
提出了一种基于证据窗口的时序就绪度机制，可集成到流式视频理解模型中，实现证据出现时及时回答，避免过早或过晚响应。
StreamRAG：以检索增强提升实时视频理解
StreamRAG: Enhancing Real-Time Video Understanding with Retrieval Augmentation
把 RAG 从离线视频搬到流式视频，其 Stream Event Segmentation 的实时边界检测和 Token-Reusing Accelerator 的跨帧计算复用，可直接用于任何需要低延迟视频字幕/检索的视觉语言流水线。
StreamDiT：实时流式文本到视频生成
StreamDiT: Real-Time Streaming Text-to-Video Generation
把流匹配训练与移动缓冲区结合，使 DiT 能逐块流式生成视频；配套的分段多步蒸馏把 NFE 压到缓冲区块数，为视觉研究者提供了把任意扩散/流模型转成实时流式生成器的可复用范式。
StreamAvatar：面向实时交互式人体虚拟人的流式扩散模型
StreamAvatar: Streaming Diffusion Models for Real-Time Interactive Human Avatars
把高保真人体视频扩散模型通过自回归蒸馏+对抗精炼改造成因果流式生成器，配合 Reference Sink 与 RAPR 维持长时一致性，为实时交互式数字人提供可复用的少步流式采样方案。
StoryTailor：面向动作丰富多主体视觉叙事的零样本流水线
StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives
GCA 用高斯加权注意力缓解多主体 grounding box 重叠，AB-SVR 在文本嵌入空间放大动作方向，SFC 缓存可迁移背景线索——三者都是可插拔的零样本模块，可直接迁移到多主体视频生成或长序列故事板生成中提升主体一致性与动作忠实度。
面向三维高斯泼溅重建的随机光线追踪
Stochastic Ray Tracing for the Reconstruction of 3D Gaussian Splatting
用无排序的可微随机光线追踪替代沿光线对高斯做深度排序，可直接复用到非针孔相机与可重光照 3DGS 的重建与渲染流程中，解决排序瓶颈并支持全光线追踪阴影与着色。
Stitch-a-Demo：从多步描述构建视频演示
Stitch-a-Demo: Creating Video Demonstrations from Multistep Descriptions
把「多步文本描述→连贯视频演示」建模为跨片段检索与拼接问题，其弱监督数据构造与难负样本设计可直接迁移到视频检索、程序性视频理解与图文对齐任务中。
StereoWorld：几何感知的单目到立体视频生成
StereoWorld: Geometry-Aware Monocular-to-Stereo Video Generation
把预训练视频生成器改造成单目到立体的生成器，并用几何感知正则化显式约束视差结构，对做视频生成、立体内容生产、以及想在生成过程中注入3D几何先验的人可直接复用。
立体世界模型：相机引导的立体视频生成
Stereo World Model: Camera-Guided Stereo Video Generation
提出相机帧RoPE和立体感知注意力分解，在RGB模态下直接生成具有视差一致性的立体视频，可复用于需要相机控制的多视角视频生成任务，并支持长视频蒸馏。
面向流匹配模型 GRPO 的逐步信用分配
Stepwise Credit Assignment for GRPO on Flow-Matching Models
把扩散/流匹配的采样步按「低频结构 vs 高频细节」分层做信用分配，可直接迁移到任何用 GRPO/RLHF 微调图像或视频生成模型的后训练流程，提升样本效率与收敛速度。
引导扩散方向：基于引导扩散桥的表型响应模拟生成建模
Steering Where to Diffuse: Generative Modeling of Phenotypic Response Simulation with Steered Diffusion Bridge
把扩散桥的采样过程形式化为随机动力系统下的最优控制问题，用解析可解的控制策略把生成轨迹引导到指定数据子空间，这一思路可直接迁移到图像/视频扩散中的条件引导与轨迹漂移抑制。
通过恢复嵌入几何窃取分割学习底层模型
Stealing Split Learning Bottom Models by Recovering Embedding Geometry
对做隐私保护视觉模型部署的人，这篇给出一个可复用的攻击探针：用对比空间+邻域图匹配来检验嵌入通道的防御是否真的抹掉了关系结构，可作为评估分割式协同推理/联邦视觉系统泄露风险的标准基线。
各司其职：面向稠密视频描述的角色专属查询与重叠抑制损失
Stay in your Lane: Role Specific Queries with Overlap Suppression Loss for Dense Video Captioning
把定位与描述拆成角色专属查询并用对比对齐保持语义一致，再以查询间时序重叠惩罚抑制冗余，这套「解耦查询+重叠抑制损失」可直接迁移到任何 query-based 视频定位/描述或时序动作检测框架中缓解多任务干扰。
统计特征引导的高分辨透射电子显微镜快速成像去噪
Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging
把统计特征（空间偏差、频带能量）作为权重来调制卷积核与频域增益，是一种可迁移到其他强噪声成像域（低剂量 CT、荧光显微、天文成像）的去噪先验注入方式；其针对特定成像模态的噪声标定与仿真数据生成流程也值得在数据稀缺的科学成像任务中复用。
Stand-In：一种轻量且即插即用的视频生成身份控制方法
Stand-In: A Lightweight and Plug-and-Play Identity Control for Video Generation
通过受限自注意力与条件位置映射把条件图像分支注入预训练视频生成模型，仅用约1%额外参数即可实现身份可控生成，为视觉研究者提供了一种低成本、可复用的个性化/换脸/姿态参考视频生成控制接口。
立桩定界：结构忠实的实例遗忘
Stake the Points: Structure-Faithful Instance Unlearning
把「语义锚点 + 结构感知对齐」作为可复用的遗忘正则手段：在删除指定样本时，用 CLIP 文本属性锚定保留集的知识结构，可直接迁移到人脸识别、检索模型的隐私删除与版权撤回场景。
StableMaterials：通过半监督学习增强材质生成的多样性
StableMaterials: Enhancing Diversity in Material Generation via Semi-Supervised Learning
把 SDXL 的对抗式蒸馏用于潜扩散模型，可在无标注条件下扩展生成分布，这一思路可迁移到其他数据稀缺的生成任务（如特定风格纹理、领域受限图像）；其四步潜一致性蒸馏加去伪影的 tileable 采样技巧，对需要快速、无缝生成的视觉应用有直接参考价值。
StableMTL：改造潜扩散模型以从部分标注的合成数据集进行多任务学习
StableMTL: Repurposing Latent Diffusion Models for Multi-Task Learning from Partially Annotated Synthetic Datasets
把预训练潜扩散模型改造成多任务密集预测的潜回归器，用统一潜损失替代逐任务损失、用任务注意力把 N-to-N 交互降为 N-to-one，为视觉研究者提供了一条免调损失权重、可随任务数扩展的多任务训练范式。
稳定高效的单次采样强化学习用于多模态推理
Stable and Efficient Single-Rollout RL for Multimodal Reasoning
针对多模态大模型强化学习微调中单次采样不稳定的问题，提出基于熵的优势塑造机制，可复用于视觉语言模型的RLVR训练，提升样本效率并防止训练崩溃。
Stable Spike：基于按位与运算的脉冲神经网络双重一致性优化
Stable Spike: Dual Consistency Optimization via Bitwise AND Operations for Spiking Neural Networks
用按位与操作从多时间步脉冲图中解耦出稳定脉冲骨架，并以此作为一致性目标约束不稳定脉冲图，这一思路可迁移到任何需要跨时间步表征一致性的视觉模型（如视频/事件相机骨干网络）中，作为无需额外标注的表示正则手段。
稳定平均流：受李雅普诺夫启发的一步流匹配
Stable Mean Flow: Lyapunov-Inspired One-Step Flow Matching
为一步流匹配生成器提供一个可即插即用的稳定性正则项，约束单步传输映射的局部非扩张性，从而抑制轨迹漂移并加速收敛；做少步/一步图像生成的研究者可直接把该正则加入训练损失以提升样本质量。
通过动态特征归一化稳定流式视频几何
Stabilizing Streaming Video Geometry via Dynamic Feature Normalization
DyFN 通过动态调制潜变量特征的统计量（均值和方差）来稳定单目几何基础模型在流式输入下的尺度漂移，仅微调 2% 参数即可复用现有强模型，为视频深度估计和在线三维重建提供了一种轻量、因果的时序一致性方案。
稳定含噪预训练模型的特征几何以提升下游任务鲁棒性
Stabilizing Feature Geometry in Noisy Pretrained Models for Robust Downstream Tasks
对做预训练-微调视觉模型的人，这篇给出一个可复用的诊断量 PDA 来量化噪声预训练模型的主特征子空间旋转，并用扰动一致性、方差-激活正则与特征一致性蒸馏把子空间拉回干净模型的方向，可直接用于清洗噪声数据后的模型修复或鲁棒微调。
面向物体引导的人-人协同操作的稳定性驱动运动生成
Stability-Driven Motion Generation for Object-Guided Human-Human Co-Manipulation
把流匹配的向量场回归与基于采样的稳定性优化耦合起来，用于生成多个人体与共享物体之间的接触运动；其中「对抗交互先验」与「仿真驱动的流场修正」这两个模块，可以直接迁移到人-物交互、双手操作等需要物理合理性的运动生成任务上。
StaR-KVQA：面向隐式知识视觉问答的结构化推理链
StaR-KVQA: Structured Reasoning Traces for Implicit-Knowledge Visual Question Answering
对做VQA/多模态推理的人，可复用其「符号关系路径+路径锚定自然语言解释」的双路推理链构造与离线数据筛选流程，把答案监督升级为结构感知的自蒸馏，无需外部检索器即可在单次自回归推理中提升可解释性与准确率。
StaMo：从紧凑状态表征中无监督学习可泛化的机器人运动
StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation
用预训练 DiT 作为解码器，从静态图像编码出仅两个 token 的紧凑状态表征，并通过潜变量插值得到可直接解码为机器人动作的潜动作；对做 VLA、世界模型或从视频/图像中挖掘动作监督的视觉研究者，这是一个可复用的轻量表征与潜动作提取方案。
SpotEdit：扩散 Transformer 中的选择性区域编辑
SpotEdit: Selective Region Editing in Diffusion Transformers
SpotSelector 用感知相似度判定哪些 token 在编辑中保持稳定并直接复用条件图像特征，SpotFusion 再做动态融合——这套「只去噪变化区域」的免训练策略可直接移植到任何 DiT 类编辑/修复管线，用来省算力并避免未编辑区域被破坏。
Spot The Ball：视觉社会推理基准
Spot The Ball: A Benchmark for Visual Social Inference
提供了一个需要从注视方向、身体姿态等社会线索推断隐藏目标的评测设定，可用于检验 VLM 是否真正利用结构化行为线索而非空间捷径，并启发在视觉编码中显式建模人体朝向与视线几何。
SplitFlux：从单张图像学习解耦内容与风格
SplitFlux: Learning to Decouple Content and Style from a Single Image
对 Flux 单流块做 LoRA 微调并按秩约束与显著性门控拆分内容/风格分支，为视觉研究者提供了一个可直接复用的「从单图分离内容与风格再重嵌入新语境」的定制化生成流程，也可迁移到其他 DiT 架构的可控编辑。
Splatent：泼溅扩散潜变量用于新视角合成
Splatent: Splatting Diffusion Latents for Novel View Synthesis
在 VAE 潜空间做 3DGS 新视角合成时，不必在 3D 空间里补细节，而是用多视角注意力从输入视角的 2D 特征中恢复高频细节，从而在不微调 VAE、不依赖扩散模型幻觉的前提下提升重建保真度；这一思路可直接迁移到任何潜空间辐射场或前馈式稀疏视角重建管线。
SplatSuRe：面向多视图一致三维高斯泼溅的选择性超分辨率
SplatSuRe: Selective Super-Resolution for Multi-view Consistent 3D Gaussian Splatting
把相机位姿与场景几何结合，判断哪些区域缺少高频监督，只在这些欠采样区域注入超分辨率内容，从而避免逐图独立 SR 带来的多视图不一致；这一「按几何可见性选择性增强」的思路可直接迁移到 3DGS/NeRF 的高分辨率重建与训练视图增密流程。
基于泼溅的锥束 CT 金属伪影校正：紧凑衰减建模
Splat-Based Metal Artifact Reduction in Cone-Beam CT via Compact Attenuation Modeling
把连续高斯泼溅表示与能量相关的紧凑材质参数化结合，构建可微多色前向模型，为锥束 CT 中金属伪影的联合几何-材质优化提供了无需金属掩膜的方案，可迁移到其他需要物理一致前向模型的逆渲染问题。
Spk2VidNet：一种用于从长脉冲相机流中高保真重建视频的分层循环架构
Spk2VidNet: A Hierarchical Recurrent Architecture for High-Fidelity Video Reconstruction from Long Spike-Camera Streams
针对脉冲相机低空间分辨率问题，提出分层循环网络从长脉冲流重建高分辨率图像序列，其分层扩大时序感受野、基于运动一致性的对齐模块和多尺度相似性融合模块可复用于其他时序超分或视频复原任务。
SpiralDiff：面向跨相机 RGB-to-RAW 转换的螺旋扩散与 LoRA
SpiralDiff: Spiral Diffusion with LoRA for RGB-to-RAW Conversion Across Cameras
把信号相关的噪声加权引入扩散采样过程，并按相机插入轻量 LoRA 分支，为「一个模型适配多台相机 ISP」提供了可复用的条件化与加权思路，可直接迁移到去噪、低光照增强等跨设备复原任务。
SpikeTrack：基于脉冲神经网络的高性能节能事件相机目标跟踪
SpikeTrack: High-performance and Energy-efficient Event-Based Object Tracking with Spiking Neural Network
把纯脉冲驱动的 SNN 骨干与 DI-LIF 自适应整数激活结合，用于事件相机单目标跟踪；其 MSST 训练范式（多搜索序列配单模板）可作为事件数据上时序依赖建模与低功耗推理的可复用方案。
SpikeTrack：面向高效视觉跟踪的脉冲驱动框架
SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking
把脉冲神经网络的不对称时间步扩展与单向信息流设计用于 RGB 跟踪，并用记忆检索模块在分支间传递模板线索；对做视觉跟踪或想在视觉任务中引入 SNN 低能耗计算的人，这是一套可直接借鉴的骨干与跨分支信息传递范式。
脉冲驱动的离散聚合用于事件相机目标检测
Spike-driven Discrete Aggregation for Event-based Object Detection
把事件流到稠密张量的表征聚合从「无差别累积」改成「阈值触发的离散选择」，用门控循环脉冲神经元实现可微的稀疏事件筛选，可直接替换事件检测/识别流水线中的事件体素化或时间聚合前端。
SpiderCam：基于差分散焦的低功耗快照深度相机
SpiderCam: Low-Power Snapshot Depth from Differential Defocus
把 depth-from-differential-defocus 从离线算法变成可在极小 FPGA 上流式运行的快照深度方案，其针对低功耗传感器的算法改进与内存局部化流式实现，可为资源受限端的被动深度感知提供可复用设计思路。
球面 Voronoi：将方向外观作为球面的可微划分
Spherical Voronoi: Directional Appearance as a Differentiable Partition of the Sphere
用可微的球面 Voronoi 分区替代球谐函数来参数化 3DGS 的视角相关颜色，可直接替换现有管线中的 SH 系数，并进一步把反射方向作为输入当作可学习反射探针，解决 SH 无法表达高光和吉布斯振铃的问题。
面向视觉分词与生成的球面 Leech 量化
Spherical Leech Quantization for Visual Tokenization and Generation
把无参数量化统一到格编码框架下，用 Leech 格（Λ24）在高维球面上做均匀量化，可直接替换 BSQ 等无查找量化器嵌入自回归图像生成与压缩管线，简化训练配方并改善重建-压缩折中。
以更短高斯列表加速三维高斯学习
Speeding Up the Learning of 3D Gaussians with Much Shorter Gaussian Lists
通过定期重置高斯尺度并沿射线对 alpha 混合权重施加熵约束，缩短每个像素的高斯列表长度，可直接嵌入现有 3DGS 训练流程以降低泼溅渲染开销；该思路也可迁移到其他基于射线采样的表示（如神经辐射场）的加速。
SpeeDiff：可扩展的像素锚定端到端潜扩散模型
SpeeDiff: Scalable Pixel-Anchored End-to-End Latent Diffusion Model
把扩散损失梯度直接回传到 VAE 编码器做端到端联合训练，并用 Tweedie 公式从中间噪声态解码预测的干净潜变量来加像素级重建约束，避免潜空间坍缩；做视觉生成的人可以借此替换掉「预训练冻结 VAE + 两阶段」的常规流程，显著缩短训练时间并复用其 32x 压缩 VAE 与 Transformer 联合缩放策略。
SpeeDe3DGS：基于时序剪枝与运动分组的快速可形变三维高斯泼溅
SpeeDe3DGS: Speedy Deformable 3D Gaussian Splatting with Temporal Pruning and Motion Grouping
对做动态 3DGS 的人，这篇给出了一套把逐高斯神经推理换成共享 SE(3) 群变换 + 时序敏感剪枝的加速范式，可直接迁移到任何带神经运动场的可形变场景表示上，在几乎不掉画质的前提下把渲染提速一个数量级。
从散焦中获取光谱：基于色差焦栈的快速光谱成像
Spectrum from Defocus: Fast Spectral Imaging with Chromatic Focal Stack
把色差当作编码而非缺陷：用普通镜片的色散焦栈做光谱编码，再用快速物理迭代算法反解，为计算成像/光谱重建提供了一个光学极简、可解释的替代方案，可迁移到去模糊、深度-光谱联合估计等逆问题。
面向卫星影像的光谱蒸馏表征与指令增强 LLM 对齐
Spectrally Distilled Representations Aligned with Instruction-Augmented LLMs for Satellite Imagery
用冻结的多光谱教师模型向 RGB 学生模型蒸馏光谱先验，再把视觉空间对齐到指令增强 LLM 的嵌入空间，使推理阶段只需 RGB 输入即可获得光谱感知的跨模态表征；这套「教师蒸馏 + LLM 对齐」的两阶段范式可直接迁移到遥感或其他多模态缺失场景的视觉语言预训练。
面向无位姿激光雷达视图合成的频谱-几何神经场
Spectral-Geometric Neural Fields for Pose-Free LiDAR View Synthesis
把频谱先验作为混合表示来补全稀疏无纹理激光雷达几何，并用特征兼容性置信图做无位姿全局对齐，可直接迁移到无位姿 NeRF/3DGS 的位姿-几何联合优化与稀疏点云重建。
基于对抗展开与数据驱动光谱正则化的光谱超分辨率：从多光谱卫星数据到 NASA 高光谱图像
Spectral Super-Resolution via Adversarial Unfolding and Data-Driven Spectrum Regularization: From Multispectral Satellite Data to NASA Hyperspectral Image
把深度展开网络与数据驱动先验网络（PriorNet）结合，并在展开架构中嵌入对抗判别器，使判别器在训练与测试阶段都参与重建；这一「展开对抗学习」思路可迁移到其他病态逆问题（如去噪、去模糊、超分辨率）中，用轻量先验网络替代隐式深度先验以大幅降低 MACs 与参数量。
频谱手术刀：通过频率选择性滤波放大相邻动作差异的骨骼动作分割方法
Spectral Scalpel: Amplifying Adjacent Action Discrepancy via Frequency-Selective Filtering for Skeleton-Based Action Segmentation
把频域选择性滤波当作可插拔模块，用于放大相邻动作在频谱上的差异，可直接迁移到其他需要锐化时序边界的密集预测任务（如视频动作分割、在线时序定位）。
面向持续学习的谱混合专家
Spectral Mixture-of-Experts for Continual Learning
把专家参数约束到互不相交的频域子空间以获得先验正交更新，并用离线专家重要性记忆约束路由漂移，这套「频域正交 + 双路由」思路可直接移植到视觉大模型的持续微调与多任务适配器合并中。
谱共形风险控制：基于贝叶斯求积的分布无关尾部保证
Spectral Conformal Risk Control: Distribution-Free Tail Guarantees via Bayesian Quadrature
为视觉模型提供分布无关的尾部风险（CVaR 式）控制手段：只需黑盒访问已训练模型，即可在分割、多标签与零样本分类等任务上构造具有有限样本保证的预测集，适合医疗影像、自动驾驶等对罕见高代价错误敏感的场景。
面向细粒度开放世界分类的特异性感知强化学习
Specificity-aware reinforcement learning for fine-grained open-world classification
为视觉语言模型在开放世界细粒度分类中提供了一种基于强化学习的微调框架，通过动态验证器奖励平衡预测的正确性与特异性，可复用于其他需要提升生成具体性的视觉语言任务。
Spe-BEVHead：重新审视鸟瞰图目标检测的检测头设计
Spe-BEVHead: Rethinking the Detection Head Design for Bird's-Eye-View Object Detection
针对 BEV 检测头这一被忽视的环节，提出几何对齐的旋转框分类核与局部响应精炼模块，可直接替换现有 BEV 主干上的 center-based 检测头，在无 NMS 的端到端设定下取得增益，对做 BEV 3D 检测的读者是一个即插即用的改进点。
面向气候模拟的时空金字塔流匹配
Spatiotemporal Pyramid Flow Matching for Climate Emulation
将级联视频生成中的时空金字塔思想引入流匹配：把生成轨迹按空间分辨率与时间尺度分层，每层绑定一个时间尺度并直接采样，从而在任意时间层级并行生成。这一「分辨率-时间尺度耦合」的采样设计可迁移到长视频生成与多尺度时空预测任务，用于降低长时序 rollout 的计算成本。
时空差分引导的互补视觉传感器运动去模糊
Spatio-Temporal Difference Guided Motion Deblurring with the Complementary Vision Sensor
把 CVS 传感器输出的高帧率多比特空间差分（SD，编码结构边缘）与时序差分（TD，编码运动线索）作为额外模态，用循环多分支网络迭代编码融合来引导 RGB 去模糊，为极端运动下的复原提供了「事件相机之外」的新传感模态与融合范式。
面向模态缺失 RGBT 跟踪的时空条件去噪 Transformer
Spatio-Temporal Conditional Denoising Transformer for Modality-Missing RGBT Tracking
把扩散式条件去噪引入多模态跟踪的特征重建：用长短期时序上下文作为条件，把可用模态的噪声特征逐步去噪成时序一致的多模态表征，并用噪声调制适配机制在单一网络内统一缺失/完整模态两种输入，可直接迁移到其他模态缺失的多模态融合任务。
SpatialVID：带空间标注的大规模视频数据集
SpatialVID: A Large-Scale Video Dataset with Spatial Annotations
SpatialVID 提供了带逐帧相机位姿、深度图、动态掩码和运动指令的大规模真实视频，可直接用于训练可控视频生成、几何重建和世界模型，解决这些任务缺乏真实动态场景真值相机运动数据的问题。
SpatialTree：空间智能在多模态大模型中如何分支
SpatialTree: How Spatial Intelligence Branches Out in MLLMs
该论文提出的空间能力层级分类和基准测试，为评估多模态大模型的空间智能提供了系统化框架；其发现的负迁移现象和auto-think强化学习策略，对设计视觉-语言模型的空间推理训练方法有直接启发。
SpatialStack：面向3D VLM空间推理的分层几何-语言融合
SpatialStack: Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning
把多视图几何编码器的多层特征逐级同步注入语言主干，替代只在深层做视觉-几何晚期融合的做法；做3D VLM或需要精细空间关系理解的工作可直接复用这一分层融合范式。
SpatialScore：迈向空间智能的全面评测
SpatialScore: Towards Comprehensive Evaluation for Spatial Intelligence
该基准覆盖 30 类空间任务与多种视觉数据形态，可直接用于诊断视觉语言模型在空间关系、视角变换上的短板；其 331K 监督微调语料与 12 个空间感知工具构成的多智能体框架，为在视觉模型中注入空间推理能力提供了可复用的数据与免训练工具编排思路。
SpatialReward：面向文本到图像生成中细粒度空间一致性的可验证空间奖励建模
SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation
提供了一套可验证的空间奖励建模流程：用提示词分解器抽取实体与空间元数据，用专家检测器做视觉定位，再用视觉语言模型做思维链推理判断空间关系，可直接作为强化学习微调 T2I 模型（SD、FLUX）的奖励信号，也可复用其 SpatRelBench 评测生成图像的空间一致性。
SpatialDiff：通过隐式空间建模实现三维感知的物体移动
SpatialDiff: 3D-Aware Object Movement via Implicit Spatial Modeling
把隐式三维空间先验注入扩散编辑模型，并用全局空间监督约束潜变量，为在复杂遮挡与跨深度场景下做一致的对象移动提供可复用思路。
空间-光谱残差引导的扩散神经算子用于全色锐化
Spatial-Spectral Residuals Informed Diffusion Neural Operator for Pan-sharpening
用Galerkin型神经算子替代注意力去噪骨干网络，在扩散逆过程中显式注入像素级空间-光谱残差作为闭环引导，为图像融合与复原任务提供了一种兼顾效率与保真度的扩散采样框架。
Spatial-SSRL：通过自监督强化学习增强空间理解
Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning
把普通 RGB/RGB-D 图像自动转成可验证奖励的自监督 pretext 任务（打乱图像块重排、翻转识别、裁剪块修复、区域深度排序、相对 3D 位置预测），可直接用于 LVLM 的 RLVR 训练，绕开人工标注与专用工具，是提升视觉语言模型空间理解的可复用数据构造思路。
Spatial-SAM：基于 SDF 记忆与半监督学习的空间一致三维电子显微镜分割
Spatial-SAM: Spatially Consistent 3D Electron Microscopy Segmentation with SDF Memory and Semi-Supervised Learning
用 3D U-Net 预计算的有符号距离场（SDF）替代 SAM2 的记忆库，为视频/体数据分割提供几何先验以维持跨切片空间一致性；配合双轨伪标签迭代，可在极少标注下把 SAM2 的少样本能力迁移到 3D 体数据，这套「SDF 记忆 + 伪标签自训练」思路可复用到其他层序切片数据（CT、MRI、显微）的 3D 分割。
面向遮挡可见光-红外行人重识别的空间-频率协同学习
Spatial-Frequency Collaborative Learning for Occluded Visible-Infrared Person Re-Identification
将频域特征作为空间特征的补充，通过跨模态频率对齐模块和空间-频率交互模块提升遮挡下的跨模态特征对齐能力，为可见光-红外行人重识别提供了一种可复用的双域协同学习思路。
通过人类视频视觉-物理对齐的空间感知VLA预训练
Spatial-Aware VLA Pretraining through Visual-Physical Alignment from Human Videos
从大规模人类演示视频中自动抽取3D视觉与3D动作标注，作为对齐2D观测与3D空间推理的监督信号；该「视觉-物理对齐预训练」思路可迁移到任何需要从2D视觉输入推断3D动作的视觉-语言-动作模型，为视觉表征注入3D感知特征。
空间检索增强的自动驾驶
Spatial Retrieval Augmented Autonomous Driving
把离线检索的地理图像作为额外输入模态，与车载传感器特征对齐融合，为遮挡、暗光、雨雾等感知退化场景提供先验；做自动驾驶感知/规划的研究者可以把它当作即插即用的额外输入分支，或直接使用其扩展的 nuScenes 基准来评测跨模态融合。
空间很重要：位置引导的 3D 指代表达分割
Spatial Matters: Position-Guided 3D Referring Expression Segmentation
把显式空间关系建模引入 3D 指代分割：用聚合局部上下文与空间关系的 point proxy 生成查询，并在解码器中用位置引导的可变形注意力逐步聚焦目标，可迁移到任何需要区分视觉相似实例的点云定位/分割任务。
SpatiaLQA：评估视觉语言模型空间逻辑推理能力的基准
SpatiaLQA: A Benchmark for Evaluating Spatial Logical Reasoning in Vision-Language Models
可复用其递归场景图辅助推理框架：用视觉基础模型把复杂室内场景逐步分解为与任务相关的场景图，再交给 VLM 做多步空间逻辑推理，这一思路可直接迁移到具身导航、机器人操作等需要空间关系判断的视觉任务。
Spatia：具有可更新空间记忆的视频生成
Spatia: Video Generation with Updatable Spatial Memory
将3D点云作为持久空间记忆，通过视觉SLAM迭代更新，为视频生成提供几何约束，可复用于长视频生成中的空间一致性保持与相机控制。
面向三维语义场景补全的稀疏性感知体素注意力与前景调制
Sparsity-Aware Voxel Attention and Foreground Modulation for 3D Semantic Scene Completion
用共享 dummy 节点跳过空体素、只对占用体素做可变形注意力，是单目 3D 重建中处理 >93% 空体素的高效注意力设计，可直接迁移到 NeRF/体素/占据预测类任务；Foreground Dropout 与文本引导图像滤波为长尾语义类别提供了一种免重采样的调制思路。
稀疏性作为钥匙：从潜变量结构中解锁分布外检测的新洞见
Sparsity as a Key: Unlocking New Insights from Latent Structures for Out-of-Distribution Detection
把 Top-k 稀疏自编码器套在 ViT 的 [CLS] 词元上，将稠密特征解耦成结构化潜空间，并用类激活剖面（CAPs）的能量散度做 OOD 打分；做 ViT 特征分析或需要可解释 OOD 判据的工作可直接复用这套「稀疏解耦 + 剖面偏离」流程。
稀疏地刻画变化：面向遥感解译的脉冲时序框架
Sparsely Timing the Change: A Spiking Temporal Framework for Remote Sensing Interpretation
把双时相辐射差转成带 time-to-first-spike 特性的稀疏脉冲序列，再用 SNN 提取动态变化特征，并通过可学习时序衰减与 ANN 语义特征融合——这套「脉冲编码+轻量适配器」思路可迁移到任何需要从稀疏时序观测中挖掘动态信息的视觉任务（如视频变化检测、事件相机处理）。
SparseWorld-TC：轨迹条件稀疏占用世界模型
SparseWorld-TC: Trajectory-Conditioned Sparse Occupancy World Model
用稀疏占用表示替代鸟瞰图投影与离散 VAE token，直接在原始图像特征上端到端预测多帧未来占用，并以任意未来轨迹作为条件；做自动驾驶场景预测或占用世界模型时，可借鉴其绕过 BEV 几何先验、保留连续表征的思路。
SparseSplat：面向可应用的像素非对齐预测前馈三维高斯泼溅
SparseSplat: Towards Applicable Feed-Forward 3D Gaussian Splatting with Pixel-Unaligned Prediction
用熵驱动的概率采样按局部纹理丰富度自适应决定高斯密度，并配合点云网络编码局部上下文，可直接用于需要紧凑 3DGS 表示的下游重建与实时渲染管线。
SparseOIT：通过主动集方法改进顺序无关透明 3DGS
SparseOIT: Improving Order-Independent Transparency 3DGS via Active Set Method
将主动集方法引入 OIT 3DGS 渲染方程求解，利用高斯泼溅间稀疏依赖加速重建，为透明/非朗伯材质的新视角合成提供可复用优化框架。
SparseCam4D：基于稀疏相机的时空一致 4D 重建
SparseCam4D: Spatio-Temporally Consistent 4D Reconstruction from Sparse Cameras
用生成模型提供的多视角/多帧观测替代密集相机阵列，并通过时空畸变场统一建模生成观测在空间与时间上的不一致性，为稀疏、无标定输入下的动态 4D 重建提供了可复用的「生成观测去噪」思路。
基于在线神经三维回归的稀疏视图定位
Sparse-View Localization via Online Neural 3D Regression
提出在线训练的神经回归器，在无预建3D地图、数据库图像视觉重叠有限的稀疏视图设定下，直接从查询与K个位姿数据库视图的稀疏匹配预测查询关键点的3D坐标，为视觉定位提供了一种不依赖离线SfM重建的可复用方案。
Sparse-LaViDa：稀疏多模态离散扩散语言模型
Sparse-LaViDa: Sparse Multimodal Discrete Diffusion Language Models
对做视觉生成/编辑的人，这篇给出了一个可直接套用的加速手段：在掩码离散扩散的每一步采样中动态截断冗余的掩码 token，并用 register token 保留其信息、用匹配的注意力掩码对齐训练与推理，从而在文本到图像生成与图像编辑上获得约 2 倍加速而不掉质量。
基于超网络的稀疏任务向量混合用于全切片图像预后中的高效知识迁移
Sparse Task Vector Mixup with Hypernetworks for Efficient Knowledge Transfer in Whole-Slide Image Prognosis
提出基于任务向量混合与超网络稀疏聚合的模型合并方案，可高效地将多个源域模型的知识迁移到目标域模型，无需联合训练或多模型推理，为医学影像中的跨癌种知识迁移提供了可复用的技术路径。
稀疏谱 LoRA：面向医学视觉语言模型的路由专家
Sparse Spectral LoRA: Routed Experts for Medical VLMs
把预训练权重按 SVD 分段初始化 MoE 专家，并配一个与全秩全量微调对齐的缩放规则，为视觉语言模型在异构医学数据上做参数高效适配提供了可复用的低秩专家路由方案，可直接迁移到其他多数据集 VLM 微调场景。
SparVAR：探索视觉自回归建模中的稀疏性以实现免训练加速
SparVAR: Exploring Sparsity in Visual AutoRegressive Modeling for Training-Free Acceleration
SparVAR 提出免训练的稀疏注意力机制，利用 VAR 模型中的注意力汇、跨尺度激活相似性和局部性，动态预测高分辨率尺度的稀疏模式，并实现高效块稀疏核，可将 8B 模型生成 1024x1024 图像的时间降至 1 秒，为视觉自回归生成模型提供通用加速方案。
SpaceTools：通过双重交互式强化学习实现工具增强的空间推理
SpaceTools: Tool-Augmented Spatial Reasoning via Double Interactive RL
提出双阶段交互式强化学习框架，让视觉语言模型通过探索和反馈学习协调多种视觉工具（深度估计、分割、姿态估计），为视觉任务中的工具增强推理提供了可复用的训练范式。
SpaceTimePilot：跨空间与时间的动态场景生成式渲染
SpaceTimePilot: Generative Rendering of Dynamic Scenes Across Space and Time
通过动画时间嵌入与时间扭曲训练方案，在视频扩散模型中显式解耦相机运动与场景运动，为可控新视角视频生成提供可复用的条件控制手段；CamxTime 数据集可用于训练自由时空轨迹渲染。
SpaceMind：面向视觉语言模型空间推理的相机引导模态融合
SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language Models
把相机表示当作主动引导模态、在语言模型前用轻量融合模块对空间 token 做相机条件化偏置与门控，这一思路可直接迁移到任何需要几何 grounding 的 RGB-only VLM 中，替代浅层特征拼接。
SpaceDrive：将空间感知注入基于视觉语言模型的自动驾驶
SpaceDrive: Infusing Spatial Awareness into VLM-based Autonomous Driving
把 3D 坐标（多视角深度、历史自车状态、文本提示）统一编码为位置编码，既叠加到 2D 视觉 token 上，又替代数字 token 作为 VLM 的输入输出，使 VLM 能直接回归连续轨迹坐标；这一「空间位置编码替代数字 token」的思路可迁移到任何需要 VLM 做几何量输出的视觉任务。
运动感知高斯分组的动态场景时空预测
Space-Time Forecasting of Dynamic Scenes with Motion-aware Gaussian Grouping
把 4D 高斯泼溅从「重建已观测动态」推进到「外推未来」，其运动感知高斯分组与组级优化可作为动态场景表示的结构化先验，供后续做长时预测或动态新视角合成的论文复用。
SounDiT：地理上下文声景到景观生成
SounDiT: Geo-Contextual Soundscape-to-Landscape Generation
把环境声景作为条件、地理上下文作为先验，用 DiT 生成地理上合理的景观图像；其 PSS 评测框架（元素/场景/人类感知三级一致性）可迁移到其他跨模态生成任务的条件一致性度量。
Soul：为数字人注入生命，实现高保真长期多模态动画
Soul: Breathe Life into Digital Human for High-fidelity Long-term Multimodal Animation
提出基于Wan2.2-5B骨干的多模态驱动数字人动画框架，通过音频注入层和阈值感知码本替换实现长期一致性，并利用步数/CFG蒸馏与轻量VAE实现11.4倍推理加速，为视频生成中的长时一致性和效率优化提供可复用方案。
SonoWorld：从单张图像到三维视听场景
SonoWorld: From One Image to a 3D Audio-Visual Scene
把单图三维场景生成从纯视觉扩展到视听联合：先用外扩得到 360 度全景，再提升为可导航三维场景，并在场景几何上放置语言引导的声源锚点、渲染 ambisonics 空间音频，为做 3D 生成的人提供了一个可复用的『几何对齐空间音频』管线与评测设定。
结合物理与深度生成先验求解标记 MRI 的非线性盲逆问题
Solving a Nonlinear Blind Inverse Problem for Tagged MRI with Physics and Deep Generative Priors
把 MR 成像物理前向模型与深度生成先验结合，在未知成像参数下盲估计高分辨率解剖图像并同时做 3D 微分同胚 Lagrangian 运动跟踪，这套「物理+生成先验」的盲非线性逆问题框架可迁移到其他带编码伪影的医学/科学成像复原与配准任务。
基于 FFT 插值的免矩阵求逆最小问题求解
Solving Minimal Problems Without Matrix Inversion Using FFT-Based Interpolation
为相机几何中的最小问题求解器提供了一条免矩阵求逆、免符号展开的构造路径：用稀疏隐变量结式加 FFT 插值重建行列式多项式，再用秩亏子矩阵与 Cramer 法则回代未知量，可直接替换 Grobner 基/结式求解器嵌入 RANSAC 等几何估计流程。
仿射相机模型下视图图的可解性
Solvability of the Viewing Graph Under the Affine Camera Model
为 SfM 提供一种在仿射相机模型下判定视图图是否可解（相机是否被唯一确定）的线性系统方法，可用于在增量式/全局式 SfM 中预先筛除不可解或退化配置，并指导视图图构建与边选择。
SoliReward：缓解视频生成奖励模型对奖励攻击与标注噪声的敏感性
SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models
为视频生成模型的偏好对齐提供了一套可复用的奖励模型训练范式：用单条二值标注加跨提示配对构造偏好数据，用分层渐进查询注意力聚合特征，并改造 BT 损失以容纳平局样本、正则化正样本分数分布，从而缓解奖励攻击；做视频生成后训练或构建 VLM 奖励模型时可直接借鉴这套数据与损失设计。
MoE-VLM 中软模态引导的专家特化
Soft Modality-Guided Expert Specialization in MoE-VLMs
对做多模态大模型的人来说，这篇给出了一个可复用的路由改造思路：用随层变化的软模态分数（注意力或高斯统计得到）驱动专家分配，并加互信息正则化让专家按模态分工，同时按专家并行部署做分箱以降低通信；可直接迁移到任意 MoE-VLM 的专家路由设计中。
Socratic-Geo：通过多智能体交互的合成数据生成与跨模态几何推理
Socratic-Geo: Synthetic Data Generation and Cross-Modal Geometric Reasoning via Multi-Agent Interaction
对做视觉语言模型几何推理的人，这篇提供了用多智能体闭环把「图像-文本对」合成与模型学习需求耦合起来的范式：Teacher 用参数化 Python 脚本加可解性/视觉有效性反思保证数据纯度，Solver 的失败路径反过来指导定向增广，Generator 把「图像-代码-指令」三元组蒸馏成图像生成能力，可直接迁移到其他数据稀缺的推理任务。
SocialNav：训练受人类启发的社会感知具身导航基础模型
SocialNav: Training Human-Inspired Foundation Model for Socially-Aware Embodied Navigation
提出基于流匹配的强化学习框架 SAFE-GRPO，将社会合规性作为奖励信号融入导航策略优化，为视觉导航中的社会规范学习提供了可复用的训练范式。
SoccerMaster：面向足球理解的视觉基础模型
SoccerMaster: A Vision Foundation Model for Soccer Understanding
可借鉴其「监督式多任务预训练」把检测、事件分类等异构任务统一进单个基础模型的范式，以及 SoccerFactory 这种用自动化流水线从现有视频数据集批量生成多任务标注的做法，用于构建其他垂直领域的基础模型。
SoPE：基于球坐标的位置嵌入用于增强3D大视觉语言模型的空间感知
SoPE: Spherical Coordinate-Based Positional Embedding for Enhancing Spatial Perception of 3D LVLMs
针对3D点云词元的位置编码缺陷，提出球坐标位置嵌入（SoPE），可替换RoPE用于3D LVLMs，提升空间感知与方向变化建模，为视觉语言模型中的3D几何表示提供新思路。
SoC：面向测试时提示词调优的语义正交校准
SoC: Semantic Orthogonal Calibration for Test-Time Prompt Tuning
对做 VLM 测试时自适应的人，这篇给出了一个可直接替换全正交约束的 Huber 型正则项：在文本提示词嵌入的原型分离上做平滑约束，既保留语义近邻又避免过度自信，可插到任何 TPT 流程里改善置信度校准。
平滑分数函数以增强扩散模型的泛化能力
Smoothing the Score Function to Enhance Generalization in Diffusion Models
为扩散模型提供了一套解释记忆化（memorization）的理论框架，并给出两种可直接插入训练流程的改进手段——噪声去条件化（Noise Unconditioning）与温度平滑（Temperature Smoothing），可用于缓解采样崩溃、提升生成泛化性，对做扩散模型训练与采样的人可直接复用。
SmokeSVD：基于扩散模型渐进式新视角合成与细化的单视图烟雾重建
SmokeSVD: Smoke Reconstruction from A Single View via Progressive Novel View Synthesis and Refinement with Diffusion Models
利用扩散模型生成物理约束下的侧视图，缓解单视图重建的不适定性，并通过渐进式多阶段新视角合成与可微平流优化重建动态烟雾的密度与速度场，为稀疏视角动态流体重建提供了可复用的生成式先验与优化框架。
Smart Replay：面向计算资源感知增量学习的自适应记忆复述调度
Smart Replay: Adaptive Scheduling of Memory Rehearsal for Computational Resource-Aware Incremental Learning
把回放比例当作可调度控制变量、用启发式Q函数在训练中周期性调整，为视觉增量学习在固定算力预算下提供了一种即插即用的调度策略，可直接嵌入基于回放的类增量分类/检测流程。
小目标，大挑战：小目标视觉定位基准
Small Object, Great Challenge: A Benchmark for Small Object Visual Grounding
对做视觉定位的研究者，这篇提供了小目标场景的评测基准 RefCOCOs 与基于 MLLM 的自动数据构建流水线，可直接用于检验现有 VG 模型在尺度分布偏移下的失效模式；SoVG-Net 的分层文本注入模块也给出了把多层级语言特征注入视觉骨干的具体做法。
SliderEdit：基于细粒度指令控制的连续图像编辑
SliderEdit: Continuous Image Editing with Fine-Grained Instruction Control
把多段编辑指令解耦成可连续调节的滑块，用一组共享的低秩适配矩阵实现强度插值，可直接套用到 FLUX-Kontext、Qwen-Image-Edit 等指令编辑模型上，为交互式编辑提供细粒度控制手段。
Skyra：基于接地伪影推理的AI生成视频检测
Skyra: AI-Generated Video Detection via Grounded Artifact Reasoning
提出基于多模态大语言模型的伪影定位与推理框架，可复用于其他可解释视觉检测任务；构建的细粒度伪影标注数据集与基准为后续研究提供评测基础。
SkySense-VITA：面向多模态遥感影像的通用上下文分割
SkySense-VITA: Towards Universal In-context Segmentation of Multi-modal Remote Sensing Imagery
论文提出的提示与预测解耦策略（VITA-Former 负责融合多模态提示，VITA-Decoder 负责预测）以及语义粒度退火（SGA）的由粗到细课程，可直接迁移到其他需要同时支持视觉提示、文本提示与融合提示的通用分割框架中。
SkyReels-Text：面向海报设计的细粒度字体可控文本编辑
SkyReels-Text: Fine-Grained Font-Controllable Text Editing for Poster Design
提出无需字体标签和测试时微调的字形条件注入机制，可复用于任意字体风格迁移与文本区域编辑任务，为可控生成中的细粒度风格控制提供新思路。
Sky2Ground：变高度场景建模基准
Sky2Ground: A Benchmark for Site Modeling under Varying Altitude
提出 SkyNet 双流网络与 Masked-Satellite-Attention 机制，解决卫星图像在多视角相机定位与渲染中引入噪声的问题，并采用课程学习式相机采样策略；对做多视角几何、跨视角定位与神经渲染的研究者可复用其注意力隔离与训练采样思路。
Skullptor：借助多视图法线预测在数秒内实现高保真三维头部重建
Skullptor: High Fidelity 3D Head Reconstruction in Seconds with Multi-View Normal Prediction
把单目基础模型扩展成带跨视图注意力的多视图法线预测器，前馈输出几何一致法线，再作为强几何先验注入逆渲染优化恢复高频细节——这套「前馈先验 + 优化精修」的混合范式可直接迁移到人脸、人体、物体等少视图高保真重建任务。
SkillSight：基于注视的高效第一人称技能评估
SkillSight: Efficient First-Person Skill Assessment with Gaze
把注视信号作为第一人称视频理解的额外模态，并用教师-学生蒸馏把多模态模型压缩成仅注视输入的轻量模型，为可穿戴设备上的低功耗视觉感知提供了可复用的范式。
SketchVL：通过细粒度信用分配的策略优化用于图表理解及其他任务
SketchVL: Policy Optimization via Fine-Grained Credit Assignment for Chart Understanding and More
把中间推理步骤以「在图上画标记」的形式外化并回灌给模型，再用过程奖励模型对每一步打分做细粒度信用分配，这套「视觉标注式思维链 + 步级 RL」可直接迁移到需要精确空间定位的视觉推理任务（图表、几何、文档、计数）。
SketchRevive：扩散先验引导多模态大语言模型的细粒度像素到矢量草图补全
SketchRevive: Fine-Grained Pixel-to-Vector Sketch Completion with Diffusion-Prior-Guided Multimodal LLMs
把扩散模型的多尺度 UNet 特征与线条预测 logits 注入 MLLM 视觉嵌入并做词元压缩，这一「扩散先验聚合编码」思路可迁移到任何需要把像素级生成先验喂给多模态大模型的图像编辑/矢量化任务。
SketchFaceGS：基于高斯泼溅的实时草图驱动人脸编辑与生成
SketchFaceGS: Real-Time Sketch-Driven Face Editing and Generation with Gaussian Splatting
把 2D 草图作为稀疏、深度歧义的交互条件，用 Transformer 前馈预测 UV 特征图再细化成 3D 高斯头部，为「草图→三维表示」的单次前向生成与自由视角编辑提供了可复用的 UV 空间特征融合与掩码融合思路。
SketchDeco：面向精确草图上色的免训练潜空间组合方法
SketchDeco: Training-Free Latent Composition for Precise Sketch Colourisation
把扩散反演当作精确的局部「上色」工具，再用自定义自注意力把局部编辑与全局底图融合，这套免训练的潜空间组合流程可直接迁移到 inpainting、局部风格编辑等需要区域一致性的可控生成任务。
SketchAssist：面向语义编辑与精确局部重绘的实用助手
SketchAssist: A Practical Assistant for Semantic Edits and Precise Local Redrawing
将 DiT 与任务引导的混合专家（T-MoE）结合到低秩适配层中，为草图编辑提供统一框架，可复用于其他需要同时处理语义修改与局部重绘的可控生成任务。
Sketch2Colab：基于可控流蒸馏的草图条件多人动画
Sketch2Colab: Sketch-Conditioned Multi-Human Animation via Controllable Flow Distillation
把草图条件扩散先验蒸馏成潜空间整流流学生模型，并用可微目标（关键帧、路径、接触、物理一致性）做引导，为视觉研究者提供了一条「强条件控制 + 快速采样」的运动生成范式；CTMC 规划器用于切换离散交互模式，可迁移到人-物-人交互或手-物操作序列建模。
Sketch2CT：面向结构感知三维医学体数据生成的多模态扩散模型
Sketch2CT: Multimodal Diffusion for Structure-Aware 3D Medical Volume Generation
把「2D 草图 + 文本」作为多模态条件，先由噪声生成 3D 器官分割掩码、再以其引导潜变量扩散模型合成 3D CT 体数据，这套「先结构后外观」的两阶段条件生成流程可直接迁移到其他需要解剖结构约束的医学体数据合成与数据增广任务。
SkeletonContext：面向零样本骨架动作识别的骨架侧上下文提示词学习
SkeletonContext: Skeleton-side Context Prompt Learning for Zero-Shot Skeleton-based Action Recognition
将大语言模型生成的上下文语义通过提示词学习注入骨架编码器，为骨骼动作识别提供实例级语义定位，可迁移到其他需要跨模态对齐的时序动作理解任务。
基于单步扩散与语义时序引导的视频编码
Single-step Diffusion-based Video Coding with Semantic-Temporal Guidance
将单步扩散生成器与条件编码框架结合，利用缓冲特征提取帧自适应语义引导替代文本条件，并通过时序一致性引导增强帧间连贯性，为低码率视频压缩提供高效高感知质量的方案。
单轮可扩展解析联邦学习
Single-Round Scalable Analytic Federated Learning
SAFLe 把非线性模型等价改写为高维线性回归，从而复用解析 FL 的单轮闭式聚合；做视觉联邦训练时可直接套用这一「分桶特征 + 稀疏分组嵌入」检测头，在 non-IID 客户端上省掉多轮通信。
SineProject：面向稳定视觉语言对齐的机器遗忘方法
SineProject: Machine Unlearning for Stable Vision-Language Alignment
对做多模态大模型安全对齐的研究者，这篇论文指出遗忘训练会破坏投影器的雅可比条件数，并给出用正弦调制可训练参数稳定跨模态嵌入的轻量方案，可直接用于视觉语言模型的知识擦除与安全微调。
SinGeo：释放单模型潜力实现鲁棒的跨视角地理定位
SinGeo: Unlock Single Model's Potential for Robust Cross-View Geo-Localization
论文提出的课程学习策略和一致性评估方法可被视觉研究者复用于提升模型对视角变化的鲁棒性，例如在跨视角定位、无人机视觉等任务中设计渐进式训练和稳定性度量。
Simple-ViLMedSAM：简单文本提示结合视觉语言模型用于医学图像分割
Simple-ViLMedSAM: Simple Text Prompts Meet Vision-Language Models for Medical Image Segmentation
用 CLIP 文本嵌入隐式生成位置先验图来替代 SAM 的几何提示，并通过双向交叉注意力把该先验与 SAM 像素特征对齐，这一「文本→位置图→分割」的提示替代思路可直接迁移到其他需要免手工提示的开放词表分割任务。
简单有效的基于三元组的压缩策略用于紧凑视觉定位
Simple but Effective Triplet-Based Compression Strategies for Compact Visual Localization
提出一种基于三元组选择的简单SfM点云压缩策略，可直接用于视觉定位中减少场景表示的内存占用，且与乘积量化结合后性能优于近期学习方法。
简单智能体在生物医学成像工作流优化中胜过专家
Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization
对做视觉落地的人，这篇给出了一个可复用的思路：用简单智能体自动改写生产级视觉流水线代码以适配小样本专有数据，替代微调与人工改码；其系统化评测框架也可用于比较不同智能体架构在代码适配任务上的收益。
相似性一致似然扩散实现从墙壁反射的隐藏人物检测
Similarity-Consistent Likelihood Diffusion enables Hidden Person Detection from Wall Reflections
将异方差伪似然融入确定性DDIM采样，并通过退火贝叶斯精度更新与扩散先验融合，为逆问题提供可复现且测量一致的生成式重建方案，可迁移到其他欠定视觉重建任务。
SimScale：通过大规模真实世界仿真学习驾驶
SimScale: Learning to Drive via Real-World Simulation at Scale
利用神经渲染构建可交互仿真环境，合成大规模多视角驾驶数据，并通过伪专家轨迹提供动作监督，为自动驾驶规划策略的鲁棒性和泛化性提升提供可扩展的数据增强方案。
SimRecon：从真实视频重建仿真就绪的组合式场景
SimRecon: SimReady Compositional Scene Reconstruction from Real Videos
把真实视频重建为可交互的仿真就绪组合式资产：先用场景级语义重建得到物体级分割与位姿，再对每个物体做单物体补全生成，最后用场景图在仿真器中从零组装；其中主动视角优化在 3D 空间搜索最佳投影视图作为生成条件，是提升生成资产视觉保真度的可复用手段。
SimLBR：通过学习检测真实图像来检测伪造图像
SimLBR: Learning to Detect Fake Images by Learning to Detect Real Images
提出在潜空间对真实图像做混合正则化来学习紧致的真实分布边界，将伪造类别视为汇点类，这种思路可迁移到其他需要检测分布外样本的视觉任务（如异常检测、开放集识别）。
SignPR：一种用于手语生成的渐进式矢量量化扩散框架
SignPR: A Progressive Vector-Quantized Diffusion Framework for Sign Language Production
把 VQVAE 的离散语义表征与分块因果扩散结合，先出语义一致的整体姿态再逐步细化运动细节，这套「离散 token + 渐进细化 + 因果分块」的生成范式可迁移到人体动作生成、手势驱动和长序列姿态合成等视觉任务。
SigLino：面向凝聚式视觉基础模型的高效多教师蒸馏
SigLino: Efficient Multi-Teacher Distillation for Agglomerative Vision Foundation Models
把 SigLIP2 与 DINOv3 两个教师的知识蒸馏进 Dense/MoE 学生，并给出非对称关系知识蒸馏损失、词元均衡批处理与层次聚类数据采样三条可复用配方，可直接用于构建早期融合 Grounding-VLM 的视觉主干。
ShreddingNet：面向多源碎纸手稿的由粗到细复原方法
ShreddingNet: Coarse-to-Fine Restoration for Multi-Source Shredded Manuscripts
把「多源碎片拼接」形式化为先按来源聚类、再在候选集内做精细匹配的两阶段流程，其「错误匹配很少跨源」的假设可直接迁移到图像拼接、拼图复原、碎片化文档重建等需要鲁棒特征匹配与离群匹配剔除的视觉任务。
ShowUI-p：基于流的生成模型作为 GUI 灵巧手
ShowUI-p: Flow-based Generative Models as GUI Dexterous Hands
将流匹配生成模型用于 GUI 连续拖拽动作的闭环控制，为视觉智能体提供了一种从屏幕视觉观测直接生成平滑轨迹的轻量动作专家设计，可迁移到其他需要连续交互的视觉-动作任务。
ShowTable：通过协同反思与精炼解锁创意表格可视化
ShowTable: Unlocking Creative Table Visualization with Collaborative Reflection and Refinement
把 MLLM 当作规划与错误评判的编排器、扩散模型当作执行器，通过渐进式自纠正循环把结构化数据映射为高保真信息图，这一「推理-生成-纠错」闭环可迁移到任何需要精确数据到视觉映射的条件生成任务。
ShotDirector：具备电影化转场的导演级可控多镜头视频生成
ShotDirector: Directorially Controllable Multi-Shot Video Generation with Cinematographic Transitions
把 6-DoF 相机位姿与内参作为参数级条件注入视频生成模型，并用镜头感知掩码实现分层提示控制，为可控多镜头视频生成提供了可复用的条件注入与转场设计范式。
鞋风格不变与地面感知学习用于密集足部接触估计
Shoe Style-Invariant and Ground-Aware Learning for Dense Foot Contact Estimation
针对鞋外观多样性，引入鞋风格对抗训练以学习风格不变特征；针对地面外观单调，设计基于空间上下文的地面特征提取器。这两点可迁移到其他需要跨外观泛化的密集预测任务（如人体解析、交互区域分割）。
ShiftLUT：面向高效图像复原的空间偏移增强查找表
ShiftLUT: Spatial Shift Enhanced Look-Up Tables for Efficient Image Restoration
用可学习通道级空间偏移（LSS）在不增加 LUT 体积的前提下扩展感受野，配合非对称双分支把算力倾斜到信息密集分支以降低推理延迟，这套思路可直接迁移到任何基于 LUT 或轻量卷积的端侧图像复原/增强模型设计。
ShelfOcc：超越激光雷达的原生三维监督用于基于视觉的占用估计
ShelfOcc: Native 3D Supervision beyond LiDAR for Vision-Based Occupancy Estimation
把视觉三维几何基础模型的输出经跨帧静态几何累积与动态内容剔除，蒸馏成度量一致的语义体素伪标签，可直接替换现有占用模型的 LiDAR 监督信号，为无 LiDAR 的三维场景理解提供可复用的数据侧监督管线。
揭示VLN鲁棒性：基于室内光照的对抗攻击黑盒框架
Shedding Light on VLN Robustness: A Black-box Framework for Indoor Lighting-based Adversarial Attack
提出通过操纵室内全局光照（静态强度变化与动态开关切换）对VLN智能体进行黑盒对抗攻击的框架，为视觉导航模型的鲁棒性评估提供了现实可行的扰动范式，可启发针对光照变化的防御与数据增强策略。
SharpTimeGS：通过生命周期调制实现清晰稳定的动态高斯泼溅
SharpTimeGS: Sharp and Stable Dynamic Gaussian Splatting via Lifespan Modulation
提出可学习的生命周期参数，将高斯的时序可见性从高斯衰减改为平顶分布，并据此调制运动幅度与致密化策略，为动态高斯泼溅中静态与动态区域的解耦优化提供了可复用的技术手段。
ShapeR：从随手拍摄中稳健地进行条件式三维形状生成
ShapeR: Robust Conditional 3D Shape Generation from Casual Captures
把视觉惯性 SLAM 稀疏点、多视角位姿图像与 VLM 生成的描述作为条件，用整流流 Transformer 直接回归度量尺度三维形状，为「随手拍摄视频→物体级三维资产」提供了一条不依赖干净分割与完整观测的流水线；其在线组合式增广与物体级/场景级课程训练策略可直接迁移到其他条件式三维生成任务。
ShapeAR：通过自回归扩散生成可编辑形状层
ShapeAR: Generating Editable Shape Layers via Autoregressive Diffusion
把光栅图像分解为可编辑的 RGBA 矢量形状层，并用自回归流匹配扩散在潜空间中逐步生成，为图像矢量化与分层编辑提供了一条不依赖边界追踪的新路径；其几何感知评测指标也可复用于形状生成质量评估。
Shape-of-You：融合 Gromov-Wasserstein 最优传输用于野外语义对应
Shape-of-You: Fused Gromov-Wasserstein Optimal Transport for Semantic Correspondence in-the-Wild
将伪标签生成建模为融合 Gromov-Wasserstein 最优传输问题，并利用 3D 基础模型提供几何结构约束，为无监督语义对应提供了一种可复用的结构化监督信号生成思路。
ShadowDraw：从任意物体到阴影绘画组合艺术
ShadowDraw: From Any Object to Shadow-Drawing Compositional Art
将3D物体投影为阴影并生成互补线稿，为计算视觉艺术提供可复用的场景优化与轮廓引导生成管线，可启发基于物理投影的图像合成与编辑。
Sensor2Sensor：面向自动驾驶的跨具身传感器转换
Sensor2Sensor: Cross-Embodiment Sensor Conversion for Autonomous Driving
用4D高斯泼溅把真实自动驾驶日志反向渲染成行车记录仪风格视频，从而构造配对数据，再用扩散模型完成单目视频到多视角相机加激光雷达的跨模态生成；这套「先合成配对数据、再做跨传感器转换」的流程，可直接复用于缺失模态补全与多传感器数据增广。
SenseSearch：通过强化学习赋能视觉语言模型的高分辨率智能体搜索推理
SenseSearch: Empowering Vision-Language Models with High-Resolution Agentic Search-Reasoning via Reinforcement Learning
提出通过强化学习让 VLM 自适应协调图像搜索、文本搜索和图像裁剪工具，解决高分辨率细粒度视觉理解问题；其 BN-GSPO 算法和 HR-MMSearch 基准可直接用于多模态智能体训练与评测。
SenCache：通过敏感性感知缓存加速扩散模型推理
SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching
提出基于模型输出敏感性的动态缓存策略，可无缝集成到现有视频扩散模型（如 Wan 2.1、CogVideoX）中，在相近计算预算下提升生成质量，为免训练加速提供理论指导。
SemiGDA：面向半监督医学图像分割的生成式双分布对齐
SemiGDA: Generative Dual-distribution Alignment for Semi-Supervised Medical Image Segmentation
用双编码器分别建模图像与掩码的特征分布，并在潜空间施加分布约束做对齐，这个思路可迁移到任何只有少量标注、需要特征级一致性正则的半监督密集预测任务；CDSA 的双跳跃适配器加一致性损失也是可直接复用的多尺度特征融合模块。
基于锚框语义感知与连续伪标签重铸的半监督超声心动图视频分割
Semi-supervised Echocardiography Video Segmentation via Anchor Semantic Awareness and Continuous Pseudo-label Reforging
针对医学视频中噪声和动态运动导致的边界模糊问题，提出可学习的锚框语义感知模块和连续伪标签重铸策略，可迁移到其他半监督视频分割任务中提升时序一致性和伪标签质量。
基于无标签非一致性得分的半监督保形预测
Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
为视觉模型提供一种在标注数据稀缺时仍能保证覆盖率的校准方法，可直接用于分类、分割等任务的不确定性量化，提升预测集在不同运行间的稳定性。
语义先行：用异步潜扩散协调语义与纹理建模
Semantics Lead the Way: Harmonizing Semantic and Texture Modeling with Asynchronous Latent Diffusion
把预训练视觉编码器的语义潜变量与 VAE 纹理潜变量拼接，并用带时间偏移的两套噪声调度异步去噪，让语义先于纹理成形；这一「语义先行」的调度可直接嵌入现有 DiT/LDM 训练流程，用于加速收敛并提升 FID。
SemanticVLA：通过协同显式轨迹与潜变量动作规划实现超越动作记忆的语义推理
SemanticVLA: Towards Semantic Reasoning over Action Memorization via Synergistic Explicit Trace and Latent Action Planning
对做具身智能与 VLA 的研究者，这篇给出了把 VLM 的预训练空间视觉定位能力直接转成可解释文本坐标轨迹（显式 trace）并与潜变量动作词元互补的规划范式，可作为替代纯动作监督微调的思路，也提供了指令改写鲁棒性的评测视角。
面向少样本类增量学习的语义引导全局-局部协同提示词学习
Semantic-Guided Global-Local Collaborative Prompt Learning for Few-Shot Class Incremental Learning
利用冻结的视觉语言模型原型与 LLM 生成的语义描述做全局-局部双对齐提示词学习，为视觉研究者提供了一种在少样本增量场景下抑制灾难性遗忘与过拟合的可复用范式，可直接迁移到开放词表识别与持续学习式视觉分类。
面向动态时空融合的语义自适应扩散框架
Semantic-Adaptive Diffusion for Dynamic Spatiotemporal Fusion
把扩散模型当作多源卫星图像的条件生成器，用 Taylor 式解码器解耦低分辨率与高频分量来约束解空间，并配合时序特征对齐与语义自适应融合，在统一潜变量空间中做时空超分融合；这套「解耦约束 + 潜空间对齐」的思路可迁移到视频超分、多帧复原等需要跨帧细节补全的视觉任务。
语义尺度空间：可控图像抽象化框架
Semantic Scale Space: A Framework for Controllable Image Abstraction
提出语义尺度空间框架，将平滑强度与语义粒度解耦，并用可控制的语义边界检测器指定平滑屏障；其自适应粒度调度平滑（AGSS）结合供体门控扩散算子与由细到粗的调度，可复用于需要选择性平滑或结构保持的视觉任务（如风格化、边缘保持滤波）。
通过教师引导的双路径音视频表征学习实现语义噪声消减
Semantic Noise Reduction via Teacher-Guided Dual-Path Audio-Visual Representation Learning
把对比对齐与掩码重建拆成两条独立优化路径、各自使用不同的可见 patch 模式，并用教师模型组织对比分支的可见 token——这套解耦思路可直接迁移到图像/视频的自监督预训练中，缓解多目标联合优化时的语义噪声与梯度干扰。
语义泡沫：统一空间与语义的场景分解
Semantic Foam: Unifying Spatial and Semantic Scene Decomposition
把 Radiant Foam 的 Voronoi 网格单元当作显式语义载体，用单元级特征场加空间正则来抑制遮挡与跨视角监督不一致造成的伪影，为基于显式空间划分的 3D 表示做物体级分割提供了可复用思路。
语义导数流：用于可控实例交互的图引导扩散
Semantic Derivative Flow: Graph-Guided Diffusion for Controllable Instance Interactions
将实例间的交互关系建模为有向无环图，并通过导数注意力机制强制谓词表征由主语派生、宾语由谓词派生，为可控生成中「多实例交互」这一难点提供了可复用的结构化条件注入思路。
语义上下文很重要：改进自回归模型的条件控制
Semantic Context Matters: Improving Conditioning for Autoregressive Models
把语义条件从解码阶段的稀疏视觉 token 注入提前到输入阶段的压缩语义预填充，并配合语义对齐引导，可作为即插即用模块迁移到 next-token 与 next-scale 两类自回归生成/编辑框架中。
连续环境中的语义视听导航
Semantic Audio-Visual Navigation in Continuous Environments
论文提出在连续3D环境中进行语义视听导航的新设定，并设计多模态Transformer模型MAGNet，联合编码空间与语义目标表示，融合历史上下文与自运动线索进行记忆增强的目标推理。对视觉研究者而言，可借鉴其处理目标间歇性静音或停止发声时如何利用历史信息维持目标定位的思路，以及连续空间下视听流对齐与融合的方法。
面向姿态不变身份保持扩散的语义对齐
Semantic Alignment for Pose-Invariant Identity Preserving Diffusion
免训练的身份保持生成框架，通过语义匹配注入参考外观并用 guidance delta 调和文本-外观冲突，可直接用于姿态变化下的人物/动物个性化生成，避免对主体进行『再想象』。
SemVideo：通过分层语义引导从大脑活动中重建你所观看的内容
SemVideo: Reconstructs What You Watch from Brain Activity via Hierarchical Semantic Guidance
把分层语义提示（静态锚框描述、运动叙述、整体摘要）作为条件注入视频生成，并用三分支注意力融合重建运动模式，这套「语义引导 + 运动解耦」的思路可迁移到视频预测、条件视频生成与跨模态对齐任务。
SemLayer：面向抽象图标的语义感知生成式分割与图层构建
SemLayer: Semantic-aware Generative Segmentation and Layer Construction for Abstract Icons
将扁平化矢量图标分解为语义层，为编辑、重着色和动画提供可操作的分层结构；其语义补全和遮挡关系推断方法可迁移到其他需要恢复遮挡结构的图像编辑任务。
SemLT3D：语义引导的专家蒸馏用于纯视觉长尾三维目标检测
SemLT3D: Semantic-Guided Expert Distillation for Camera-only Long-Tailed 3D Object Detection
针对纯视觉三维目标检测中的长尾分布问题，提出语言引导的混合专家路由与CLIP语义投影蒸馏，可复用于其他长尾三维感知任务以增强稀有类表征。
Selfi：通过三维几何特征对齐的自改进重建引擎
Selfi: Self-improving Reconstruction Engine via 3D Geometric Feature Alignment
通过重投影一致性损失将 VGGT 特征蒸馏到几何对齐的特征空间，可作为一种通用的自监督特征对齐手段，提升多视图几何一致性，直接用于新视角合成和相机姿态估计。
SelfHVD：自监督手持视频去模糊
SelfHVD: Self-Supervised Handheld Video Deblurring
提出利用视频中的清晰线索作为自监督信号，并设计自增强视频去模糊与自约束空间一致性维护方法，可复用于其他缺乏配对数据的底层视觉任务。
面向统一零样本图像复原的自监督动态异质退化建模
Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration
把异质退化重参数化为少量物理一致的参数，并在潜空间中直接优化该分布，为统一零样本复原提供了一种紧凑的退化提示词构造方式；其动态质量精炼策略可迁移到其他扩散采样轨迹的自适应调整中。
面向零样本组合图像检索的自引导语义检查
Self-guided Semantic Inspection for Zero-Shot Composed Image Retrieval
DiffComp 用「短语引导掩码」主动制造图文语义差异，再以差异感知组合模块按差异程度自适应融合特征，这套「先制造差异再组合」的自监督训练范式可直接迁移到任何需要图文联合推理的检索或组合式生成任务中。
面向电影预告片生成的自步自纠正掩码预测
Self-Paced and Self-Corrective Masked Prediction for Movie Trailer Generation
把「掩码预测 + 自步掩码比例 + 逐步高置信填充再重掩码」的自纠正解码思路引入视频镜头序列生成，可迁移到视频摘要、镜头排序、故事线重组等时序编辑任务，替代易误差传播的「先选后排序」两阶段范式。
自评估解锁任意步文本到图像生成
Self-Evaluation Unlocks Any-Step Text-to-Image Generation
提出一种从零训练的自评估机制，使单一模型在极少步数下仍能生成高质量图像，且性能随推理步数增加单调提升，为少步扩散/流匹配模型训练提供了无需预训练教师的新范式。
自扩散驱动的盲成像
Self-Diffusion Driven Blind Imaging
把预训练扩散模型的去噪先验换成从纯噪声出发的自扩散反向过程，在无需任何训练数据的情况下联合迭代优化清晰图像与未知模糊核，可直接迁移到盲去模糊、盲去卷积等病态逆问题。
面向视频常识描述的自批判蒸馏网络
Self-Critical Distillation Network for Video-based Commonsense Captioning
论文把「视频→内容描述→常识」的推理链改造成带奖励函数的自批判学习加级联解码器蒸馏，可复用于任何需要让语言输出更依赖视觉证据、并在多个相关类别间共享推理的视觉-语言生成任务。
基于可解释潜变量奖励的自纠正图像生成
Self-Corrected Image Generation with Explainable Latent Rewards
把不可微的图像级评价（MLLM 打分）通过可微映射转成潜变量空间的连续奖励梯度，再用轻量 corrector 在采样过程中修正潜变量——这套「潜变量奖励 + 自纠正」机制可直接迁移到任何 diffusion/flow 采样器的对齐微调或测试时优化中。
面向基于大语言模型的运动轨迹生成与验证的自一致性方法
Self-Consistency for LLM-Based Motion Trajectory Generation and Verification
把自一致性从文本推理迁移到视觉域：用「原型轨迹 + 几何变换群」定义形状族，通过聚类一致轨迹来提升 LLM 生成运动轨迹的准确率，并可作为 VLM 轨迹验证的免训练后处理手段。
自注意力驱动的张量表示用于高阶数据恢复
Self-Attention Driven Tensor Representation for High-Order Data Recovery
把自注意力引入低秩张量分解的因子空间，用动态全局映射替代 MLP/CNN 的固定局部映射，可直接迁移到多光谱图像、视频、彩色图像等张量形式数据的补全与去噪任务中。
选择性地提取视觉属性并注入文本到图像模型
Selectively Extracting and Injecting Visual Attributes into Text-to-Image Models
通过优化单个文本词元并引入蒸馏/残差双嵌入，把参考图中的形状、材质、姿态、镜头角度等属性解耦后注入 T2I 生成，可作为无需微调模型即可实现属性级可控生成的即插即用手段。
选择性、正则化与校准：利用视觉基础模型进行跨域少样本语义分割
Selective, Regularized, and Calibrated: Harnessing Vision Foundation Models for Cross-Domain Few-Shot Semantic Segmentation
对做分割的人，这篇给出了一个在冻结 VFM 特征上做测试时适配的完整范式：用数据相关的 Exemplar Transfer Risk 自动挑层、再用先验引导正则化与像素级校准修正交互图，且只微调不到 2.7% 参数，可直接迁移到其他少样本/跨域密集预测任务。
选择性失忆：基于对比子网络擦除的视觉模型类别级遗忘
Selective Amnesia using Contrastive Subnet Erasure for Class Level Unlearning in Vision Models
提出一种免训练、无推理开销的通道级擦除方法，通过对比子网络定位类别相关通道并代数折叠到下一层，为视觉模型的概念级遗忘提供了可直接部署的编辑手段；其跨数据集评估协议也可用于检验遗忘的泛化性。
选择即非线性：通过联合博弈决策视角桥接注意力与激活，实现可解释、判别性的视觉表征
Selection-as-Nonlinearity: Bridging Attention and Activation via a Joint Game-Decision Lens for Interpretable, Discriminative Visual Representations
提出将注意力视为成本约束下的选择操作，为理解视觉Transformer中注意力与FFN的互补性提供新视角，并据此设计CSaN模块，可即插即用地增强Swin、ViT、Hiera等骨干网络，在视觉基准上以更小规模媲美两倍大的同族模型。
选择、假设与验证：迈向可验证的神经元概念解释
Select, Hypothesize and Verify: Towards Verified Neuron Concept Interpretation
为视觉模型神经元概念解释引入「生成后验证」环节：用激活分布筛选最能代表神经元功能的样本，再检验生成的概念能否高激活对应神经元，可直接用于排查冗余/误导性神经元，提升特征归因与概念瓶颈模型的可信度。
少选多推：以证据纯度优先的视频推理
Select Less, Reason More: Prioritizing Evidence Purity for Video Reasoning
提出证据感知强化学习框架，通过动态选择关键帧并在其周围局部重采样，为视频LLM提供高纯度视觉证据，可复用于需要精细时序细节的视频理解任务。
SelecTKD：面向大语言模型的选择性词元加权知识蒸馏
SelecTKD: Selective Token-Weighted Knowledge Distillation for LLMs
对做多模态大模型压缩的视觉研究者，可把教师验证的接受/拒绝词元掩码机制直接套到 VLM 蒸馏上，替代对所有词元一视同仁的 KL 损失，在容量差距大时抑制高熵噪声监督。
SegQuant：面向扩散模型的语义感知可泛化量化框架
SegQuant: A Semantics-Aware and Generalizable Quantization Framework for Diffusion Models
对做扩散模型落地的人，SegQuant 提供了一套免训练、免数据的 PTQ 流程：用图分割把线性层按结构语义分组再定量化粒度，并用双路径硬件原生计算处理极性不对称激活，可直接套到自己的扩散骨干上压缩显存与延迟。
SegMoTE：面向医学图像分割的 token 级混合专家
SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation
把 SAM 类通用分割基础模型迁移到医学影像时，可用 token 级混合专家加少量可学习参数实现模态/解剖自适应，并用渐进式提示词 token 化实现全自动分割，为低标注成本下的基础模型领域适配提供可复用范式。
SegMo：面向高效 VLM 推理的内容感知稀疏化与局部凝聚分段并行协同设计
SegMo: Co-Designing Content-Aware Sparsity and Locally-Cohesive Segment Parallelism for Efficient VLM Inference
对做视频多模态推理的人，这篇给出了一个可直接复用的思路：利用 VideoLLM 注意力在场景内的局部凝聚性，先按查询相关性做场景级筛选、再按时序冗余做场景内剪枝，得到非均匀计算负载，并在场景边界切分做分段并行，用轻量全局上下文注入替代全局注意力的通信开销。
SegGBC：面向聚类图像分割增强的可解释由粗到细粒度球计算
SegGBC: Justifiable Coarse-to-Fine Granular-Ball Computing for Enhancing Clustering Image Segmentation
把粒度球（GB）多粒度聚类表征做成可插拔前端，用直觉模糊集量化像素归属的不确定性，可作为基于聚类的分割方法在输入表征层面的通用增强模块。
SegEarth-R2：面向遥感图像的综合语言引导分割
SegEarth-R2: Towards Comprehensive Language-guided Segmentation for Remote Sensing Images
面向遥感场景的语言引导分割，用 MLLM 直接输出分割结果；其空间注意力监督机制可迁移到小目标与部件级定位任务，灵活的分割查询机制为单目标/多目标统一建模提供了可复用设计。
SegCompass：利用稀疏自编码器探索可解释对齐以增强推理分割
SegCompass: Exploring Interpretable Alignment with Sparse Autoencoders for Enhanced Reasoning Segmentation
用稀疏自编码器将思维链与视觉 token 映射到共享稀疏概念空间，为推理分割提供可解释、可微的对齐路径，可复用于需要透明推理的视觉-语言任务。
Seele：面向移动设备实时高斯泼溅的统一加速框架
Seele: A Unified Acceleration Framework for Real-Time Gaussian Splatting on Mobile Devices
面向移动端 3DGS 的加速框架：通过视图相关场景表示加在线过滤的混合预处理减少无关高斯数量，并在光栅化阶段按贡献度优先调度高斯，可直接嵌入现有 3DGS 管线，为在资源受限设备上部署实时新视角合成提供可复用手段。
无像素感知：从相机轨迹中获取感知
Seeing without Pixels: Perception from Camera Trajectories
把相机位姿轨迹当作一种轻量模态，用对比学习对齐到语言嵌入空间，为视频理解提供了一条不依赖像素的表征路径；做视频-文本检索或第一人称动作理解时，可考虑把轨迹编码器作为额外或替代的视觉分支。
穿透箱体：从雷达信号进行非视域三维重建
Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals
把可见区域（LoS）的视觉几何先验注入神经场，作为约束来引导射频信号在遮挡区域（NLoS）的传播建模，从而稳定 SDF 优化并消除表面歧义；做遮挡补全、非视域重建或跨模态神经场的人可以借鉴这种「用可见几何约束不可见几何」的思路。
穿透明暗：基于传感器物理建模的单曝光图像与事件去模糊 HDR 神经辐射场
Seeing through Light and Darkness: Sensor-Physics Grounded Deblurring HDR NeRF from Single-Exposure Images and Events
把相机响应函数（CRF）与事件传感器响应模型显式嵌入 NeRF 优化，用物理传感器模型对齐渲染值与 LDR 观测，这一思路可直接迁移到事件相机、卷帘快门、RAW 域等存在传感器非线性失配的重建与逆渲染任务。
看见场景才重要：用场景感知长视频基准揭示视频理解模型中的遗忘
Seeing the Scene Matters: Revealing Forgetting in Video Understanding Models with a Scene-Aware Long-Video Benchmark
SceneBench 把长视频按「视觉与语义上下文一致的场景」切分，并给出场景级问答协议，可直接用于诊断 VLM 的长程遗忘；Scene-RAG 的动态场景记忆检索思路也可迁移到任何需要跨片段取证的视频问答或视频对话系统。
看见即改进：用于迭代文本布局精修的视觉反馈
Seeing is Improving: Visual Feedback for Iterative Text Layout Refinement
把渲染后的图像作为反馈信号，通过带 OCR 准确率奖励的强化学习驱动 MLLM 迭代自我修正，这一「渲染-评估-重生成」闭环可直接迁移到任何需要视觉结果校验的生成式设计任务（如海报排版、UI 生成、图文合成）。
像专家一样观察：面向开放集细粒度视觉理解的知识增强智能体
Seeing as Experts Do: A Knowledge-Augmented Agent for Open-Set Fine-Grained Visual Understanding
将开放词表检测与网络级检索结合生成类别假设，并通过全局到局部的聚焦机制将检索到的文本知识转化为空间定位证据，为视觉语言模型提供可验证的细粒度推理依据。
看见关键之处：面向视觉生成的视觉偏好策略优化
Seeing What Matters: Visual Preference Policy Optimization for Visual Generation
把 GRPO 的单一标量奖励升级为基于预训练视觉骨干构建的像素级/时序级优势图，可直接复用到任何扩散或视频生成模型的 RL 后训练中，用于抑制局部伪影、强化细粒度感知区域。
看见关键之处：一种免训练的自引导多模态细节感知与推理框架
Seeing What Matters: A Training-Free Self-Guided Framework for Multimodal Detail Perception and Reasoning
提出免训练的双分支关键区域定位（梯度语义相关图 + 视觉词元独特性）与渐进式视觉词元剪枝，可直接插入现成 MLLM 的推理流程，用于提升高分辨率细节感知并降低计算量，对做 VLM 细粒度理解与高效推理的人可复用。
穿透分布偏移：因果启发的鲁棒广义类别发现
Seeing Through the Shift: Causality-Inspired Robust Generalized Category Discovery
把因果图与因果依赖风险估计引入跨域广义类别发现，用流形层面的不变性约束对齐已知/未知类，可作为处理域偏移下开放世界表征学习的通用正则手段。
穿透噪声：从噪声抑制视角改进红外小目标检测与分割
Seeing Through the Noise: Improving Infrared Small Target Detection and Segmentation from Noise Suppression Perspective
把频域低通/高通分解引入 FPN：用低频引导的高频分量净化来抑制噪声特征，并用螺旋采样替代规则网格采样做特征融合，可直接插到现有红外小目标检测/分割骨干上降低虚警。
以触觉看世界：触觉驱动的材料区域视觉定位
Seeing Through Touch: Tactile-Driven Visual Localization of Material Regions
把触觉信号当作一种「查询模态」，用密集跨模态特征交互生成触觉显著性图，可直接迁移到文本/音频等非视觉查询驱动的区域定位与分割任务；其材料多样性配对策略也为弱信号条件下的跨模态对齐提供了可复用的数据增强思路。
穿透模糊：应对脉冲成像中的散焦问题
Seeing Through Blur: Tackling Defocus in Spike-Based Imaging
把散焦形成过程用薄透镜近似显式建模成可学习的离散 PSF 先验，再配合多时序尺度 IF 神经元提取脉冲特征，为事件/脉冲类传感器上的空间变化去模糊提供了一个可复用的物理引导复原范式。
从极性看运动：面向事件相机动作识别的极性知识增强框架
Seeing Motion Through Polarity for Event-based Action Recognition
把事件相机的正负极性显式解耦为运动线索，并用大语言模型对极性诱导的运动动态做语义推理，再与视觉特征对齐；这套『极性分支+语言推理+跨模态对齐』的做法可迁移到任何事件流或高动态场景的时序理解任务。
从频率与运动中看见深度：面向单目深度估计的渐进式训练范式
Seeing Depth Through Frequency and Motion: A Progressive Training Paradigm for Monocular Depth Estimation
可即插即用的频率引导采样模块（FGDepth）用于抑制频率混叠、锐化深度边界，以及用通道对齐注意力建模跨帧运动以提升位姿估计，这两点可直接迁移到其他自监督深度/位姿联合训练框架。
看见对话：第一人称视频中的交流情境识别
Seeing Conversations: Communication Context Identification in Egocentric Video
把「谁在和拍摄者交流」定义为一个可学习的第一人称视频任务，并用跨个体的长时序注意力建模社交动态；对做第一人称视频、多人交互理解或助听/AR 场景的人，这是一个可直接复用的任务设定与基线模型。
看清且自信推理：面向视觉语言模型盲区的即插即用补救方案
Seeing Clearly, Reasoning Confidently: Plug-and-Play Remedies for Vision Language Model Blindness
提出一种免微调的即插即用模块：用视觉基础模型先验加同义词增强文本学出稀有物体的多模态类别嵌入，再用轻量注意力模块精炼 VLM 的视觉 token，并把嵌入当作物体感知检测器生成提示注入文本 prompt——这套「视觉 token 精炼 + 文本提示注入」的双路增强思路可直接迁移到任何冻结 VLM 的细粒度/长尾识别与 grounding 场景。
兼顾双向：面向开放词表伪装目标分割的双向语义对齐
Seeing Both Sides: Towards Bidirectional Semantic Alignment for Open-Vocabulary Camouflaged Object Segmentation
提出双向跨注意力实现视觉-文本特征互校准，并将精炼后的文本嵌入转为自适应提示词驱动 SAM 生成掩码，可直接用于开放词表分割与跨模态提示学习。
超越视野：外推式域自适应全景分割
Seeing Beyond: Extrapolative Domain Adaptive Panoramic Segmentation
针对透视训练、全景测试的跨视角几何偏移，提出带角度间隔的注意力调制与高阶图匹配适配器，可复用于任何需要视角不变语义表征的跨域分割或开放集识别任务。
超越 8 比特：HDR-UGC 视频的主客观质量评估
Seeing Beyond 8bits: Subjective and Objective Quality Assessment of HDR-UGC Videos
提供了 HDR-UGC 主观质量数据集与 HDR 感知视觉编码器，可复用于任何需要高动态范围输入的感知模型；HAPO 的 HDR-SDR 对比 KL 与高斯加权回归奖励，是把 RL 微调锚定到特定成像线索上的可迁移范式。
SeeU：通过 4D 动态感知生成看见未见世界
SeeU: Seeing the Unseen World via 4D Dynamics-aware Generation
将稀疏单目 2D 帧重建为 4D 世界，在低秩表示上学习连续动态并施加物理约束，再重投影到任意时间与视角生成未见内容；这种 2D→4D→2D 框架可复用于视频外推、新视角生成与视频编辑等任务。
SeeThrough3D：文本到图像生成中的遮挡感知三维控制
SeeThrough3D: Occlusion Aware 3D Control in Text-to-Image Generation
将三维布局中的遮挡关系显式编码为半透明三维框渲染，并通过掩码自注意力绑定物体与文本，为布局可控生成提供可复用的遮挡感知条件注入方式。
SeeGroup：通过自确定分组实现透明表面的多层深度估计
SeeGroup: Multi-Layer Depth Estimation of Transparent Surfaces via Self-Determined Grouping
针对透明表面深度歧义问题，提出循环分解模块和基于强度的多层深度公式，可直接用于透明物体操作、场景重建等需要多层深度信息的视觉任务。
看、想、做：通过识别开关状态教多模态智能体有效交互图形用户界面
See, Think, Act: Teaching Multimodal Agents to Effectively Interact with GUI by Identifying Toggles
把「当前状态感知」显式引入多模态智能体的推理链，对做 GUI 视觉定位与指令遵循的研究者提供了一个可复用的两阶段范式：先读当前视觉状态，再与指令目标状态比对后决策，可迁移到任何需要状态判断的视觉交互任务。
看见并修复缺陷：通过智能体数据合成让视觉语言模型与扩散模型理解视觉伪影
See and Fix the Flaws: Enabling VLMs and Diffusion Models to Comprehend Visual Artifacts via Agentic Data Synthesis
提出在扩散 Transformer 内做 patch 级嵌入操纵来可控注入伪影，并自动生成局部/全局解释，可直接用于构建伪影检测与修复模型的训练数据，也可作为评估生成图像真实性的诊断工具。
看见我们看不见的：恶劣对地观测条件下目标计数的地理引导推理基准
See What We Cannot See: A Geo-guided Reasoning Benchmark for Object Counting under Adverse Earth Observation Conditions
把土地利用图、地图等地理模态作为外观失效时的稳定结构先验，为遥感视觉任务提供了一条不依赖可见光外观的推理路径；其数据引擎（多地理模态对齐、真实退化模拟、点标注）可直接复用于构建恶劣条件下的计数与定位基准。
See What I Mean：对齐视觉与语言表示用于视频细粒度物体理解
See What I Mean: Aligning Vision and Language Representations for Video Fine-grained Object Understanding
通过训练时使用掩码监督来对齐视觉与语言表示，使多模态大语言模型在推理时仅凭文本提示即可自动关注用户指定的物体，为细粒度物体理解提供了一种无需视觉提示的跨模态注意力对齐方法。
看穿噪声：提升视线估计中的域泛化能力
See Through the Noise: Improving Domain Generalization in Gaze Estimation
针对视线估计中标签噪声损害域泛化的问题，提出基于原型变换构建语义嵌入空间、利用特征-标签亲和一致性区分噪声样本，并在语义流形上施加亲和正则化，为视觉任务中处理噪声标签提供可复用思路。
看得更少，看得更准：面向多模态推理的双向感知塑形
See Less, See Right: Bi-directional Perceptual Shaping For Multimodal Reasoning
BiPS 用「保留问题相关区域」与「抹除关键像素」两种掩码视图构造双向 KL 约束，可直接作为 VLM 微调时的训练正则项，迫使模型依赖细粒度视觉证据而非文本捷径，且不增加推理开销。
看见、说出、理清：面向 LVLM 视觉接地多模态推理的迭代式免训练框架
See It, Say It, Sorted: An Iterative Training-Free Framework for Visually-Grounded Multimodal Reasoning in LVLMs
提出一种免训练、即插即用的测试时逐步视觉证据监督机制：构建文本化视觉证据池，并用视觉决策模块按推理上下文动态补充证据，可直接套用到任意 LVLM 骨干上抑制多模态思维链中的视觉幻觉传播，无需 RL 微调。
看得更远，想得更深：以低层视觉线索与反思提升视觉语言模型的推理能力
See Further, Think Deeper: Advancing VLM's Reasoning Ability with Low-level Visual Cues and Reflection
把低层视觉工具（如显著性/掩码提取）接入 VLM 的思维链，并用基于掩码的视觉反馈让模型在推理中回看图像、修正答案；对做视觉推理、细粒度视觉定位或多模态 agent 的研究者，这是一套可复用的「工具调用+视觉反思」RL 训练范式。
SearchAD：面向自动驾驶的大规模稀有图像检索数据集
SearchAD: Large-Scale Rare Image Retrieval Dataset for Autonomous Driving
为视觉研究者提供了一个面向长尾/稀有类别的语义图像检索基准，可用于评测文本-图像与图像-图像检索模型在极稀有类别上的零样本与微调表现，并支撑检索驱动的数据筛选与长尾感知研究。
SeaCache：面向扩散模型加速的频谱演化感知缓存
SeaCache: Spectral-Evolution-Aware Cache for Accelerating Diffusion Models
对做扩散/流匹配采样加速的人，可直接把「频谱演化先验」当作缓存复用判据：用 SEA 滤波器滤掉高频噪声后再算相邻时间步特征距离，替代原始特征差，从而在不训练的情况下自适应决定哪些步可以跳过。
SeD-UD：面向多模态意图识别的、影响驱动且分层解耦的信息瓶颈
SeD-UD: An Influence-Driven and Hierarchically-Decoupled Information Bottleneck for Multimodal Intent Recognition
论文提出的影响驱动自适应瓶颈（IDAB）模块可根据样本级冗余/噪声因子动态调整瓶颈维度，这一思路可直接迁移到视觉-语言模型的多模态特征融合环节，用于按样本抑制视觉与文本模态中的冗余信息。
Sculpt4D：基于稀疏注意力扩散 Transformer 生成 4D 形状
Sculpt4D: Generating 4D Shapes via Sparse-Attention Diffusion Transformers
把预训练 3D 扩散 Transformer 通过块稀疏注意力扩展成时序 4D 生成器，其时间衰减稀疏掩码锚定首帧保身份的思路可直接迁移到视频/动态 NeRF 等需要长程时序一致性的生成任务，并显著降低注意力开销。
Score2Instruct：通过自动维度评分扩展以视频质量为中心的指令
Score2Instruct: Scaling Up Video Quality-Centric Instructions via Automated Dimension Scoring
提出基于自动维度评分的指令生成流水线（SIG），将无标注视频的多维质量分数映射为文本等级并构造分层思维链，为视频 LMM 提供可扩展的质量指令数据；其渐进式微调策略与 S2I-Bench 可直接用于评估和提升视频 LMM 的质量评分与解释能力。
Scone：通过统一理解-生成建模弥合主体驱动图像生成中的组合与区分
Scone: Bridging Composition and Distinction in Subject-Driven Image Generation via Unified Understanding-Generation Modeling
把理解专家当作语义桥梁，向生成专家传递语义并配合注意力掩码抑制主体间干扰，为多主体个性化生成中「选对主体」的问题提供了可复用的两阶段训练与掩码引导思路。
SciEducator：基于戴明循环多智能体系统的科学视频理解与教育
SciEducator: Scientific Video Understanding and Educating via Deming-Cycle Multi-Agent System
将戴明循环（Plan-Do-Study-Act）重构为多智能体自演化推理与反馈机制，用于科学视频的逐步推理与外部知识整合；该迭代式智能体框架可迁移到需要专业领域知识注入的视频问答与教学场景。
场景即词元：面向通用三维视觉语言理解的多尺度正态分布变换分词器
Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding
把高分辨率点云经多尺度 NDT 表示压缩成 LLM 可消费的整体场景 token，并用同一个解码器同时承担点/框/掩码提示编码与掩码解码，为 3D VLM 提供了一套可复用的「场景分词 + 统一提示接口」范式。
SceneTok：面向三维场景的压缩可扩散 token 空间
SceneTok: A Compressed, Diffusable Token Space for 3D Scenes
把多视角图像编码成一小撮置换不变、脱离空间网格的潜变量 token，再用轻量整流流解码器渲染新视角，为 3D 场景生成提供了比 3DGS/NeRF 更紧凑、可直接接扩散/流模型的表示接口。
SceneScribe-1M：一个具有全面几何与语义标注的大规模视频数据集
SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations
该数据集同时提供相机参数、稠密深度与一致 3D 点轨迹，可直接用于训练单目深度估计、动态点跟踪与相机可控视频生成模型，并为几何感知的视频生成提供统一的监督信号与评测基准。
SceneMaker：去遮挡与姿态估计模型解耦的开放集三维场景生成
SceneMaker: Open-set 3D Scene Generation with Decoupled De-occlusion and Pose Estimation Model
把去遮挡与位姿估计从三维物体生成中解耦，并借助图像数据集扩充开放集遮挡模式，为开放集场景合成中「先补全再摆位」的流水线提供了可复用的模块化设计；其统一全局/局部自注意力与交叉注意力的位姿估计模型可直接迁移到物体插入、场景编辑等需要精确 6DoF 摆放的任务。
以场景为中心的无监督视频全景分割
Scene-Centric Unsupervised Video Panoptic Segmentation
利用无监督深度、光流与视觉线索从场景视频中生成时序一致的全景伪标签，并用 Video DropLoss 训练，为无标注视频的密集预测提供了一套可复用的伪标签构建与评测协议。
场景重建作为3D检测的建图先验
Scene Reconstruction as Mapping Priors for 3D Detection
利用自动构建的密集建图先验来增强3D检测，为处理远距离或恶劣天气下的传感器稀疏与噪声问题提供了可扩展的解决方案，其建图先验构建流程和MPA3D融合框架可被其他自动驾驶感知任务借鉴。
野外场景定位
Scene Grounding in the Wild
把 3DGS 参考模型上的语义特征当作跨域匹配信号，用逆特征优化求解全局 6DoF 位姿与尺度，可在无视觉重叠时把碎片化重建对齐到统一坐标系——对做 SfM/大场景重建、无重叠位姿估计的人是一个可直接复用的对齐模块。
ScenDi：用于城市生成的三维到二维场景扩散级联
ScenDi: 3D-to-2D Scene Diffusion Cascades for Urban Generation
把 3D 潜扩散生成的高斯场景渲染成低分辨率图像，再作为条件喂给 2D 视频扩散做细节增强，这条「3D 粗生成 + 2D 精修」级联思路可直接迁移到需要相机可控性的街景/驾驶场景合成与仿真数据扩增。
SceMoS：以几何接地词表规划的场景感知三维人体运动合成
SceMoS: Scene-Aware 3D Human Motion Synthesis by Planning with Geometry-Grounded Tokens
用 BEV 渲染图 + DINOv2 特征替代点云/体素做场景编码，并用局部高度图训练条件 VQ-VAE 分词器把表面物理嵌入离散词表——这套「2D 场景线索接地 3D 交互」的因子化思路可直接迁移到人体-场景交互、导航与具身动作生成中，显著降低场景编码参数量。
扫描聚类而非像素：面向高效超高清图像复原的聚类中心范式
Scan Clusters, Not Pixels: A Cluster-Centric Paradigm for Efficient Ultra-high-definition Image Restoration
将像素级序列扫描替换为聚类中心序列扫描，为超高清图像复原提供线性复杂度且保留全局上下文的新范式，可迁移到其他需要处理海量像素的视觉任务。
Scaling4D：借助大规模单目视频推动视频新视角合成的前沿
Scaling4D: Pushing the Frontier of Video Novel View Synthesis through Large-Scale Monocular Videos
把单目视频的新视角合成重新表述为「对应关系引导的生成」任务，从理论上消除 inpainting 式训练与推理之间的鸿沟；做动态场景重建或视频生成的研究者可以直接借用这一训练范式与合成数据管线来扩展数据规模。
面向端到端自动驾驶系统的缩放感知数据选择
Scaling-Aware Data Selection for End-to-End Autonomous Driving Systems
为端到端自动驾驶规划器提供了一套按域拟合神经缩放定律、再迭代优化数据配比的数据选择流程，可直接迁移到视觉模型训练集构建与指标驱动的数据采集决策中。
通过视觉记忆机制扩展多模态大语言模型的长视频理解能力
Scaling the Long Video Understanding of Multimodal Large Language Models via Visual Memory Mechanism
提出免训练的视觉记忆机制，将视觉KV缓存作为记忆源，通过双路径压缩和多样化读取策略，使多模态大模型能处理无限长度视频，为长视频理解提供可复用的记忆管理方案。
扩展零样本参考图到视频生成
Scaling Zero-Shot Reference-to-Video Generation
用掩码训练加定制注意力在纯视频-文本对上习得参考感知表征，绕开昂贵的参考图-视频-文本三元组标注，为身份保持视频生成提供了一条可扩展的零样本训练路径。
扩展视角合成 Transformer 的规模
Scaling View Synthesis Transformers
为无几何先验的新视角合成 Transformer 提供了可复用的缩放定律与计算最优设计原则，并指出编码器-解码器结构在同等训练算力下可与 decoder-only 模型同样高效，可直接指导 NVS 模型的算力分配与架构选型。
以生成器感知原型扩展AI生成图像检测
Scaling Up AI-Generated Image Detection with Generator-Aware Prototypes
用一组紧凑的"伪造原型"把真实/合成图像特征压到低方差统一空间，再用LoRA两阶段微调预训练编码器，可直接迁移到任何需要跨生成器泛化的取证或真伪判别任务。
通过自批判推理框架扩展视觉语言模型的测试时鲁棒性
Scaling Test-Time Robustness of Vision-Language Models via Self-Critical Inference Framework
提出自批判推理框架，通过多轮文本与视觉扰动的反事实推理提升LVLM鲁棒性，并引入动态鲁棒性基准DRBench，为视觉语言模型的可靠性评估与测试时增强提供可复用方法。
以多模态基础模型扩展空间智能
Scaling Spatial Intelligence with Multimodal Foundation Models
该工作系统构建了800万空间能力数据并微调多模态基础模型，为视觉研究者提供了可复用的空间智能训练数据构建范式与评测基准，同时揭示了数据缩放对空间推理泛化能力的影响。
面向体数据 CT Transformer 的自监督与跨模态预训练规模化
Scaling Self-Supervised and Cross-Modal Pretraining for Volumetric CT Transformers
对做3D医学影像或大体积数据的研究者，可复用其「局部高分辨率Transformer + 全局扫描上下文Transformer」的双层注意力拆分方案，把极端词元规模下的3D注意力变得可计算；同时DINO自蒸馏与SigLIP视觉语言对齐联合预训练的配方，可迁移到其他缺乏标注的体数据域。
将并行序列模型扩展至视觉基础模型
Scaling Parallel Sequence Models to Vision Foundation Models
用 C-GSPN 替换 ViT 中的自注意力块，可在 2D 网格上做线性时间上下文传播并去掉位置编码，配合融合 CUDA kernel 与两阶段蒸馏，让视觉基础模型预训练在同等算力下获得约 2 倍加速；做高分辨率或长序列视觉骨干时可直接复用该算子与蒸馏流程。
以多对多匹配范式扩展图像定制中的多身份一致性
Scaling Multi-Identity Consistency for Image Customization via Multi-to-Multi Matching Paradigm
把多身份图像定制建模为多对多全局分配优化问题，可作为一种通用后处理/匹配模块嵌入现有定制方法（如 IP-Adapter、DreamBooth 类），解决多参考图下的身份串扰；其身份混淆指标也可直接用于评测多主体生成。
以高质量合成数据集扩展指令式视频编辑
Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset
用「图像编辑器 + 上下文视频生成器 + 智能体过滤」的流水线批量合成百万级指令式视频编辑数据，并用蒸馏模型加时序增强器压低生成成本；做视频编辑或可控生成的人可以直接复用这套数据构造与课程学习训练范式。
从视觉基础模型扩展密集事件流预训练
Scaling Dense Event-Stream Pretraining from Visual Foundation Models
提出结构感知蒸馏损失，利用视觉基础模型（VFM）的语义结构作为监督信号，解决事件流与图像跨模态对齐中的语义坍缩问题，可复用于其他模态（如事件、深度、热成像）与VFM的对齐预训练。
扩展智能体强化学习以提升视觉语言模型中的工具集成推理
Scaling Agentic Reinforcement Learning for Tool-Integrated Reasoning in VLMs
提供了一个可扩展的视觉智能体强化学习训练环境与标准化视觉工具接口，视觉研究者可复用其多轮轨迹采样与可验证反馈机制，训练 VLM 学会在推理中自主调用 grounding、parsing 等视觉工具，从而把「看图」变成多步交互式推理。
尺度空间扩散
Scale Space Diffusion
把扩散时间步与尺度空间低通滤波对应起来，用下采样作为广义线性退化，让高噪声阶段只在低分辨率上做去噪，可直接用于降低高分辨率扩散采样的计算量，并提供了一种按信息量分配网络深度的设计思路。
面向全身移动操作的可扩展轨迹生成
Scalable Trajectory Generation for Whole-Body Mobile Manipulation
AutoMoMa 的 GPU 加速轨迹生成框架为视觉-语言-动作（VLA）模型和模仿学习策略提供了大规模、物理可行的训练数据，其 AKR 建模与并行优化思路可复用于其他需要生成高质量轨迹的具身智能任务。
可扩展的物体关系编码：提升大语言模型中的三维空间推理能力
Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models
QuatRoPE 用四元数式整体向量编码 3D 坐标，并通过注意力层点积隐式算出成对空间关系，使输入长度随物体数线性增长；做 3D 场景-语言对齐或把场景图喂给 LLM 的工作可直接复用这一位置编码与 IGRE 门控扩展思路。
基于张量化锚框引导的可扩展多视图子空间聚类
Scalable Multi-View Subspace Clustering with Tensorized Anchor Guidance
把跨视图锚框堆成三阶张量并用张量 Schatten p-范数约束，显式建模跨视图低秩结构，这一正则与样本数无关，可直接迁移到大规模视觉检索/聚类中的锚框图构建与跨模态一致性建模。
基于状态空间建模与稀疏相关的可扩展特征匹配
Scalable Feature Matching via State Space Modeling and Sparse Correlation
用 Conv-Mamba 混合骨干网络以线性复杂度替代 Transformer 的长程建模，并用免训练范数过滤把全相关矩阵稀疏化，可直接迁移到任何需要高分辨率稠密/半稠密匹配的视觉流程（如光流、立体匹配、SLAM 前端）以降低显存与延迟。
Scal3R：面向大规模三维重建的可扩展测试时训练
Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction
用一组轻量神经子网络作为可压缩的全局上下文记忆，并在测试时以自监督目标快速适配，为长视频前馈重建提供了一种不显著增加算力的长程记忆机制，可直接迁移到 SLAM、长序列位姿估计与流式三维重建。
说茄子！通过自然语言编辑生成细节保持的人像集合
Say Cheese! Detail-Preserving Portrait Collection Generation via Natural Language Edits
提出基于自然语言指令的人像集合生成任务，并设计自适应特征融合与 ConsistencyNet 来在复杂编辑下保持身份与细节一致性，为可控人像编辑提供了可复用的数据构建流程与一致性保持模块。
面向扩散模型的采样感知量化
Sampling-Aware Quantization for Diffusion Models
针对扩散模型在低延迟场景下的部署，提出采样感知量化策略，通过混合阶轨迹对齐约束每步采样误差，使量化后的模型仍能保持高阶采样器的快速收敛特性，为视觉生成模型的端侧加速提供可复用方案。
相同还是不同？增强视觉语言模型的视觉感知
Same or Not? Enhancing Visual Perception in Vision-Language Models
TWIN 提供了一种可直接加入 VLM 训练语料的图像对「同/不同」判别任务，用来强化模型对细微视觉差异的注意力；做 VLM 微调或细粒度识别时，可把它当作低成本的数据侧增强手段，并用 FGVQA 这类改造自细粒度识别与检索数据集的基准来量化感知精度提升。
相同内容，不同答案：多模态大语言模型中的跨模态不一致性
Same Content, Different Answers: Cross-Modal Inconsistency in MLLMs
该论文提出的REST/REST+基准可用于系统评估多模态大语言模型的跨模态一致性，其发现视觉特征（文本颜色、分辨率）和视觉token数量影响模型性能，为设计更鲁棒的视觉语言模型提供了可复用的评测方法和分析视角。
同样的注意力，不同的真相：用 Logit Lens 审视视觉注意力以检测和缓解 LVLM 物体幻觉
Same Attention, Different Truths: Put Logit-Lens over Visual Attention to Detect and Mitigate LVLM Object Hallucination
提出用 Logit Lens 解码高注意力区域的视觉特征，以检测 LVLM 物体幻觉，并针对视觉不确定性和上下文先验两种机制分别设计免训练缓解策略（HARM 和 VEED），可直接用于提升多模态模型生成可靠性。
Saliency-R1：通过显著性图对齐奖励强化可解释且忠实的视觉语言推理
Saliency-R1: Enforcing Interpretable and Faithful Vision-language Reasoning via Saliency-map Alignment Reward
提出一种无需额外计算开销的显著性图方法，可追踪视觉信息在推理链中的流动，并用显著性图与人工标注框的重叠度作为 GRPO 奖励，为 VLM 的视觉 grounding 与忠实性训练提供了可复用的奖励设计与归因工具。
面向视觉无监督强化学习的显著性引导表征与一致性策略学习
Saliency-Guided Representation with Consistency Policy Learning for Visual Unsupervised Reinforcement Learning
对做视觉表征与决策结合的研究者，这篇论文给出一个可复用的思路：用显著性引导的动力学预测任务把表征学习与后继度量训练解耦，使视觉URL中的表征聚焦于动力学相关区域；同时把一致性模型（快速采样）与无分类器引导引入技能条件策略，用于建模多模态动作分布，可直接迁移到视觉条件策略学习与技能可控生成。
面向视觉 Transformer 的显著性驱动词元合并
Saliency-Driven Token Merging for Vision Transformers
提供了一种免训练的词元合并策略：利用输入图块的潜在视觉显著性统计量判断哪些词元与全局梯度方向不一致，从而安全合并，可直接插入任意 ViT 主干以降低浮点运算量，无需微调。
SafeRoPE：面向整流流 Transformer 安全生成的风险特定头级嵌入旋转
SafeRoPE: Risk-specific Head-wise Embedding Rotation for Safe Generation in Rectified Flow Transformers
针对 MMDiT 架构，提出在注意力头级别定位不安全语义子空间，并通过扰动 RoPE 的 query/key 嵌入实现无需微调的安全概念抑制，为扩散 Transformer 的安全生成提供了轻量级、可复用的干预手段。
SafeLogo：通过微区域对抗训练将你的 Logo 变为越狱防护盾
SafeLogo: Turning Your Logos into Jailbreak Shields via Micro-Regional Adversarial Training
把极小区域（≤2% 像素）的可学习视觉提示词当作通用防御补丁，用 min-max 对抗训练在内外循环中动态挑选最强越狱攻击，为 VLM 安全对齐提供了一种无需全模型微调、可复用的轻量防御范式。
SafeGRPO：通过规则约束的策略优化实现自奖励多模态安全对齐
SafeGRPO: Self-Rewarded Multimodal Safety Alignment via Rule-Governed Policy Optimization
对做多模态大模型安全对齐的研究者，这篇给出了可复用的配方：用带视觉/文本/组合安全标签的数据集构造规则化可验证奖励，再接入 GRPO 做自奖励强化学习，并配合分步安全思维链约束推理轨迹；可直接迁移到其他 VLM 的安全微调或推理时风险感知训练。
SafeDrive：稀疏世界中的端到端驾驶细粒度安全推理
SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World
提出轨迹条件化的稀疏世界模型，通过模拟关键动态智能体和道路实体的未来行为，为下游安全推理提供交互中心表示；这种显式、可解释的安全推理机制可迁移到其他需要预测交互风险的视觉决策任务中。
SaPaVe：面向机器人视觉-语言动作模型的主动感知与操作
SaPaVe: Towards Active Perception and Manipulation in Vision-Language Action Models for Robotics
将相机运动作为独立的语义控制动作与操作动作解耦，并用3D几何感知模块提升动态视角下的执行鲁棒性，为视觉-语言-动作模型提供可复用的主动视角控制范式与ActiveViewPose-200K数据。
SWIFT：面向少样本免训练生成视频溯源的滑动窗口重建
SWIFT: Sliding Window Reconstruction for Few-Shot Training-Free Generated Video Attribution
提出一种基于视频时序映射的免训练少样本归因方法，利用滑动窗口重建损失差异作为信号，可复用于生成内容溯源与模型指纹识别。
SVHalluc：面向音视频大语言模型的语音-视觉幻觉基准
SVHalluc: Benchmarking Speech-Vision Hallucination in Audio-Visual Large Language Models
为视觉研究者提供了一个诊断音视频大模型「语音-视觉」跨模态对齐能力的评测框架，其语义与时序双维度探针可直接用于检验视频理解模型是否真正将语音内容落地到对应画面，而非仅靠单模态先验作答。
SVBench：视频生成模型的社会推理评测
SVBench: Evaluation of Video Generation Models on Social Reasoning
为视频生成模型提供了一个可复用的社会推理评测框架：用免训练的 agent 流水线把心理学范式转成视频场景，再用 VLM 作为评判器按五个可解释维度打分，可直接用于诊断生成模型在因果与心理动态上的缺陷。
SVAgent：故事线引导的跨模态多智能体协作长视频理解
SVAgent: Storyline-guided Long Video Understanding via Cross-Modal Multi-Agent Collaboration
把「故事线」作为可迭代演化的中间表示，配合跨模态决策智能体与元智能体做答案对齐，为长视频问答提供了一种无需额外训练、可插拔的多智能体推理框架，可直接迁移到长视频理解与时序推理任务。
SV-GS：基于骨架驱动高斯泼溅的稀疏视角四维重建
SV-GS: Sparse View 4D Reconstruction with Skeleton-Driven Gaussian Splatting
把骨架关节位姿估计与细粒度形变解耦，只让关节位姿随时间变化，从而在稀疏时序观测下实现平滑运动插值并保留几何细节；该思路可直接迁移到稀疏相机下的动态高斯泼溅重建与单目视频新视角合成。
SURF：保留签名的快速视频生成
SURF: Signature-Retained Fast Video Generation
提出免训练的 noise reshifting：先在原分辨率做前几步去噪再切到低分辨率，避免高分辨率模型在低分辨率推理时的签名损失；配合预览-精修两阶段与窗口移位 Refiner，可作为插件套到任意视频扩散基座与加速方法上，做高分辨率视频生成的即插即用加速。
STiTch：协同语义过渡与传输的免训练零样本组合图像检索
STiTch: Semantic Transition and Transportation in Collaboration for Training-Free Zero-Shot Composed Image Retrieval
把检索从点对点匹配改成基于最优传输的集合到集合对齐，并用嵌入空间中的过渡向量修正 LLM 生成的描述，这两点可直接迁移到任何图文检索或跨模态匹配任务中。
STUR3D：面向3D目标检测的时空统一表征学习
STUR3D: Spatio-Temporal Unified Representation Learning for 3D Object Detection
把历史时序3D特征投影回2D图像平面来监督/蒸馏2D检测器，并反向把时序线索注入2D检测以生成3D查询，这套跨维度对齐思路可直接迁移到BEV/环视检测器的查询初始化与遮挡场景下的时序建模。
STRNet：通过动态图聚合的时空表征视觉导航
STRNet: Visual Navigation with Spatio-Temporal Representation through Dynamic Graph Aggregation
提出一种可泛化的视觉骨干网络，通过空间图推理和混合时序移位模块融合图像序列与目标观测，可复用于目标条件控制任务中的视觉编码。
STCast：面向全球与区域天气预报的自适应边界对齐
STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting
Spatial-Aligned Attention 用注意力对齐全局与区域空间分布并据此自适应细化区域边界，这一「注意力导出对齐模式→动态边界」的思路可迁移到遥感/气象等大场景中的区域裁剪与感兴趣区域自适应划分；TMoE 按离散高斯分布路由不同月份变量的做法，也为时序视觉模型中的条件专家路由提供参考。
STCDiT：时空一致的扩散 Transformer 用于高质量视频超分辨率
STCDiT: Spatio-Temporally Consistent Diffusion Transformer for High-Quality Video Super-Resolution
利用预训练视频扩散模型做视频超分时，通过运动感知的 VAE 分段重建和锚帧潜变量引导来提升结构保真度与时序稳定性，这套思路可直接迁移到其他基于扩散模型的视频复原任务（如去噪、去模糊）。
STAvatar：软绑定与时序密度控制的单目三维头部化身重建
STAvatar: Soft Binding and Temporal Density Control for Monocular 3D Head Avatars Reconstruction
把高斯绑定从硬性网格三角形改为 UV 空间的可学习软偏移，使高斯泼溅表示仍能接受自适应密度控制，这一思路可直接迁移到人体、手部等其它基于网格模板的可动高斯泼溅重建中；其融合感知误差的克隆准则也为高斯致密化提供了可复用的判据。
STARFlow-V：基于自回归归一化流的端到端视频生成建模
STARFlow-V: End-to-End Video Generative Modeling with Autoregressive Normalizing Flows
为视觉研究者提供了一条绕开扩散模型的视频生成路线：可逆归一化流在时空潜空间中做自回归因果预测，天然支持似然估计与 T2V/I2V/V2V 统一建模，其 flow-score matching 与视频感知 Jacobi 迭代可直接迁移到其他自回归视频生成器的误差累积与采样加速问题上。
STAR：测试时自适应可增强视觉语言模型的通用提示词学习
STAR: Test-Time Adaptation Can Enhance Universal Prompt Learning for Vision-Language Models
提出基于Fisher分数的可分离性感知门控与共轭优化，结合动态记忆库的原型检索来校准OOD检测，为视觉语言模型在无标签且含OOD样本的目标域上进行测试时提示词学习提供了可靠伪标签生成与偏差缓解的通用技术方案。
STAR-R1：通过强化多模态大模型实现多视图空间变换推理
STAR-R1: Multi-View Spatial TrAnsformation Reasoning by Reinforcing Multimodal LLMs
把可验证奖励的强化学习（RLVR）与过程监督 SFT 两阶段结合，用于多视图空间变换推理；其「指代感知奖励」设计可直接迁移到需要跨视图物体对应的 VLM 空间理解任务（如 MMSI-Bench、MindCube 类基准）。
STAGE：故事板锚定的电影级多镜头叙事生成
STAGE: Storyboard-Anchored Generation for Cinematic Multi-shot Narrative
提出以结构化故事板（每镜头的起止帧对）替代稀疏关键帧来锚定多镜头视频生成，并引入多镜头记忆包与双编码策略保证跨镜头实体一致性和镜头内连贯性，为可控叙事视频生成提供了可复用的条件控制与记忆机制。
STAC：面向流式三维重建的即插即用时空感知缓存压缩
STAC: Plug-and-Play Spatio-Temporal Aware Cache Compression for Streaming 3D Reconstruction
针对因果 VGGT 类流式三维重建中 KV 缓存随流长线性增长的问题，利用注意力时空稀疏性做词元级缓存淘汰与体素对齐压缩，可直接迁移到任何使用长上下文 KV 缓存的视觉 Transformer 流式推理场景。
ST4R-Splat：4D 高斯泼溅中的时空指代分割
ST4R-Splat: Spatio-Temporal Referring Segmentation in 4D Gaussian Splatting
将指代分割从静态 3D 扩展到动态 4D 高斯泼溅，提出时间不变实例嵌入与实例级时序状态映射，可直接用于语言驱动的 4D 场景理解与编辑。
面向行人重识别的 SSM 感知词元高效 VMamba：自适应图像块剪枝与合并
SSM-Aware Token-Efficient VMamba via Adaptive Patch Pruning and Merging for Person Re-Identification
把视觉状态空间模型（VMamba）中冗余的词元按层自适应剪枝、按深度合并，并学习逐层阈值来动态权衡精度与算力；做视觉主干加速的人可直接把这套结构化词元削减策略迁移到 ViT/SSM 类骨干上。
SRPO：面向视觉-语言-动作模型的自参照策略优化
SRPO: Self-Referential Policy Optimization for Vision-Language-Action Models
用世界模型的潜空间编码替代像素级比较来度量轨迹进度，为视觉驱动的机器人策略提供了一种无需人工奖励工程、可跨环境泛化的稠密奖励构造方式，可直接迁移到其他 VLA 后训练或视觉轨迹评估场景。
SRGCD：稳定性驱动的区域生长三维变化检测框架
SRGCD: Stability-Driven Region Growth Framework for 3D Change Detection
把 3D 变化检测从逐点二分类重构为从高置信种子出发的区域生长，用稳定性引导的受控注意力逐层传播，可直接迁移到点云分割中边界模糊与孤立噪声点的处理。
SRA-Det：超越类别名称的全粒度开放词表检测
SRA-Det: Learning Omni-Grained Open-Vocabulary Detection Beyond Category Names
把开放词表检测从「类别名匹配」推进到「属性级细粒度查询」：用注意力从 token 级文本特征检索多个语义侧面，再用 soft-min 匹配近似可微的逻辑与，保证所有关键属性同时满足；这套「多侧面检索 + 软与匹配」可直接迁移到任何文本-区域对齐的检测/定位头。
SRA 2：面向高效扩散训练的变分自编码器自表征对齐
SRA 2: Variational Autoencoder Self-Representation Alignment for Efficient Diffusion Training
利用预训练 VAE 的重建特征作为内在监督信号，通过轻量投影层对齐扩散 Transformer 的中间潜变量，无需外部编码器即可加速训练收敛，为扩散模型训练提供了一种低成本的正则化手段。
SR3R：重新思考基于前馈高斯泼溅的超分辨率三维重建
SR3R: Rethinking Super-Resolution 3D Reconstruction With Feed-Forward Gaussian Splatting
将三维超分辨率从逐场景优化转为前馈映射，利用大规模多场景数据学习三维高频先验，可直接与任意前馈3DGS骨干网络结合，提升稀疏低分辨率输入下的重建保真度与跨场景泛化能力。
SPREAD：通过几何感知扩散实现空间-物理推理
SPREAD: Spatial-Physical REasoning via geometry Aware Diffusion
以带位姿的场景点云作为几何条件、用图 Transformer 联合建模空间与物理关系，并通过可微碰撞/重力/关系约束引导扩散采样，这套「几何感知条件 + 可微物理引导」的组合可直接迁移到具身智能的仿真场景合成与 3D 场景布局生成任务。
SPOT：面向运动稳定 MLLM 引导视频分割的时空提示词优化
SPOT: Spatiotemporal Prompt Optimization for Motion-Stabilized MLLM-Guided Video Segmentation
提出一种仅通过约束 MLLM 输出行为（布朗桥损失和几何感知提示词质量损失）来提升视频分割时序一致性的方法，无需视频预训练或架构修改，为利用静态图像训练的视觉基础模型处理动态视频任务提供了可复用的正则化思路。
SPEGC：通过语义提示增强图聚类实现医学图像分割的持续测试时自适应
SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation
针对医学图像分割中的持续测试时自适应，提出语义提示增强与可微图聚类求解器，将全局边稀疏化建模为最优传输问题，为无监督域适应提供更可靠的伪标签结构引导，可复用于其他密集预测任务的测试时自适应。
SPEAR-1：通过 3D 理解超越机器人演示数据规模
SPEAR-1: Scaling Beyond Robot Demonstrations via 3D Understanding
将 2D 图像-语言预训练的 VLM 通过 3D 标注数据增强为能单图预测物体 3D 坐标的 3D 感知 VLM，并作为机器人基础模型的感知前端，为视觉研究者提供了用廉价非机器人数据注入 3D 理解以提升具身控制可靠性的可复用范式。
SPE-MVS：融合单目深度先验的空间位置编码增强多视图立体
SPE-MVS: Spatial Position Encoding Enhanced Multi-View Stereo with Monocular Depth Priors
把单目深度先验编码成统一度量空间下的三维空间位置编码，并与图像特征一起送入代价体构建，为弱纹理、反光等光度一致性失效区域提供几何先验；做 MVS 或深度估计时可复用这一『空间位置相似度』替代纯光度匹配的思路。
SPDMark：面向鲁棒视频水印的选择性参数位移
SPDMark: Selective Parameter Displacement for Robust Video Watermarking
将水印嵌入视频扩散模型的生成过程，通过LoRA实现参数位移，并利用密钥派生帧级消息与二分图匹配恢复帧序，为生成视频的溯源与防篡改提供可复用方案。
SPARROW：在像素级视频多模态大模型中学习空间精度与时序指代一致性
SPARROW: Learning Spatial Precision and Temporal Referential Consistency in Pixel-Grounded Video MLLMs
针对视频 MLLM 中静态 [SEG] 词元缺乏时序上下文导致的漂移与身份切换问题，提出目标特定跟踪特征（TSF）注入时序对齐的指代线索，并用 [BOX]/[SEG] 双提示解码融合几何先验与语义定位；这套即插即用设计可直接迁移到任意视频 MLLM 的像素级指代任务上。
SPARK：借助视觉语言模型知识的可仿真部件级铰接重建
SPARK: Sim-ready Part-level Articulated Reconstruction with VLM Knowledge
把 VLM 先验（粗 URDF、部件参考图、开合状态监督）注入扩散 Transformer 做部件级形状合成，再用可微前向运动学在图像监督下优化连续运动参数，为单图生成可仿真铰接资产提供了可复用的「语言先验 + 可微物理」流程。
SPAR：面向开放词表分割的单次任意分辨率视觉 Transformer
SPAR: Single-Pass Any-Resolution ViT for Open-vocabulary Segmentation
SPAR 通过特征回归蒸馏，将滑窗教师的空间推理能力迁移到单次前向的学生模型，使 ViT 无需架构改动即可高效处理任意分辨率输入，可直接用于开放词表分割等密集预测任务的高分辨率推理。
SPAN：面向单目 3D 目标检测的空间-投影对齐
SPAN: Spatial-Projection Alignment for Monocular 3D Object Detection
把解耦回归丢失的几何一致性先验显式补回来：用 3D 框点级空间对齐和 3D-2D 投影对齐作为可插拔的损失/约束，配合分层任务学习逐步引入，可直接挂到现有单目 3D 检测器上提升精度。
SOUPLE：以可学习提示词上下文增强音视频定位与分割
SOUPLE: Enhancing Audio-Visual Localization and Segmentation with Learnable Prompt Contexts
用可学习的上下文词元替代 CLIP 中固定的文本提示词，并把视觉特征注入其中生成条件上下文，为视觉侧提供了一种可复用的提示词调优范式，可直接迁移到开放词表检测、指代分割等需要文本-视觉对齐的任务。
SOTA：面向多基础模型零样本分类的自适应最优传输
SOTA: Self-adaptive Optimal Transport for Zero-Shot Classification with Multiple Foundation Models
提出一种免训练的自适应最优传输集成框架，可即插即用地融合多个视觉或视觉语言基础模型的输出，提升零样本分类性能，为多模型集成提供新思路。
SODA：面向敏感性的扩散 Transformer 动态加速
SODA: Sensitivity-Oriented Dynamic Acceleration for Diffusion Transformer
对做扩散 Transformer 采样加速的人，这篇给出了一个可复用的思路：用离线敏感性误差建模（跨时间步、层、模块）作为代价函数，用动态规划求最优缓存间隔，并在剪枝与缓存复用时按 token 敏感性自适应决定剪枝时机与比例，可直接嵌入现有 DiT 推理管线以在可控加速比下提升保真度。
SO-Bench：多模态大语言模型的结构化输出评测
SO-Bench: A Structural Output Evaluation of Multimodal LLM
为视觉研究者提供了一个以 JSON schema 约束 MLLM 输出的评测与训练框架，可直接用于评估和提升模型在 UI、文档、图表等图像上的结构化信息抽取能力，也可作为 schema 约束解码或结构化微调的数据来源。
面向数据高效零样本仿真到真实室内全景深度估计的 SO(3) 等变 ViT-Adapter
SO(3)-Equivariant ViT-Adapter for Data-Efficient Zero-Shot Sim-to-Real Indoor Panoramic Depth Estimation
把 SO(3) 等变归纳偏置以可变形交叉注意力的形式注入冻结的透视预训练 ViT 适配器，使视觉研究者能在不改动骨干的前提下把透视基础模型的零样本能力迁移到球面/全景输入，这一思路可复用于其他存在投影失真的成像域（鱼眼、事件相机、多相机环视）。
SMVRT：基于稀疏多视角体素重建与 Transformer 融合的隐式人体三维建模
SMVRT: Implicit Human 3D Modeling Using Sparse Multi-View Volumetric Reconstruction with Transformer Fusion
在稀疏多视角人体重建中，用三阶段注意力融合（2D 特征增强、warp 后多视角多层级特征融合成 3D 特征网格、2D-3D 查询点聚合）替代生成式补全或模板拟合来推断遮挡区域，这套融合模块可直接迁移到稀疏视角的通用隐式重建与占据预测流程。
SMV-EAR：将时空多视图表征学习引入高效事件相机动作识别
SMV-EAR: Bring Spatiotemporal Multi-View Representation Learning into Efficient Event-Based Action Recognition
把事件流沿 H/W 轴投影成平移不变的稠密多视图表征，并用双分支动态融合建模样本级互补性，这套 SMVRL 设计可直接迁移到任何需要从稀疏异步事件中提取时空特征的视觉任务（如事件相机上的检测、跟踪、姿态估计）。
SMRABooth：面向定制视频生成的主体与运动表征对齐
SMRABooth: Subject and Motion Representation Alignment for Customized Video Generation
利用自监督编码器和光流编码器提供对象级主体外观与运动表征，并通过稀疏低秩适配注入实现主体与运动的解耦控制，为视频定制生成中的主体保真与运动一致性提供可复用方案。
SMAP：基于地图锚定的多模态对齐的语义路线规划
SMAP: Semantic Route Planning with Map-Grounded Multimodal Alignment
把地图瓦片当作视觉输入喂给多模态大模型，并用「草稿—校验」自编辑加幻觉惩罚 DPO 抑制空间幻觉，这套「视觉证据校验 + 偏好对齐」流程可迁移到任何需要地理/空间落地的视觉-语言任务（如视觉导航、地图问答、具身路径规划）。
SLVMEval：面向文本到长视频生成的合成元评测基准
SLVMEval: Synthetic Meta Evaluation Benchmark for Text-to-Long Video Generation
为文本到长视频生成提供了一套可控的元评测协议：以密集视频描述数据集为源，按 10 个维度合成退化构造「高质量 vs 低质量」成对样本，并用众包过滤出人类可感知的样本对。做视频生成评测或设计自动指标的研究者可直接复用该测试床与成对排序协议来校验自己的评价系统。
SLARM：面向动态场景的流式与语言对齐重建模型
SLARM: Streaming and Language-Aligned Reconstruction Model for Dynamic Scenes
SLARM 将语言对齐的语义特征与动态重建紧耦合，并采用窗口因果注意力实现低延迟流式推理，为动态场景重建提供了无需光流监督的高阶运动建模方案，可直接用于需要实时语义查询的 3D 重建任务。
SJD-PAC：通过主动起草与自适应延续加速推测式 Jacobi 解码
SJD-PAC: Accelerating Speculative Jacobi Decoding via Proactive Drafting and Adaptive Continuation
对做扩散/自回归图像生成的人来说，SJD-PAC 提供了一套无需草稿模型、且严格保持目标分布的推理加速方案：通过主动起草提升高熵区域的局部接受率，并用自适应延续在首次拒绝后继续验证序列，可直接套用到自回归视觉生成器的采样环节以提升吞吐。
SIR：面向可解释机器人学习的结构化图像表征
SIR: Structured Image Representations for Explainable Robot Learning
用场景图作为机器人策略的中间表征，把图像特征转成可稀疏化的图结构，既提升对干扰物的鲁棒性，又让决策过程可被逐节点审查；做视觉表征或 VLA 的研究者可借鉴这种「结构化中间表示 + 端到端稀疏化」的思路来替代黑箱图像嵌入。
SIMSPINE：面向三维脊柱运动标注与基准测试的生物力学感知仿真框架
SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking
提供首个大规模脊柱三维关键点数据集与仿真标注框架，可用于训练和评测从单目/多视角图像估计脊柱运动的方法，并作为生物力学约束引入姿态估计的基准。
SimplePoster：产品海报生成的简单基线
SIMPLEPOSTER: A SIMPLE BASELINE FOR PRODUCT POSTER GENERATION
提出一种极简的图像修复框架，通过全参数微调和字符级位置编码实现主体保持与位置可控的文本渲染，无需 ControlNet 等外部控制器，为可控生成提供了轻量级替代方案。
SIMPACT：利用视觉语言模型的仿真赋能动作规划
SIMPACT: Simulation-Enabled Action Planning using Vision-Language Models
把可微/高效的物理仿真器当作 VLM 的『世界模型』在测试时闭环调用：从单张 RGB-D 快速构建仿真场景，让 VLM 提出动作、观察 rollout 再修正推理，无需额外训练。做具身操作或 VLM 物理常识的研究者可直接复用这一『仿真在环』的推理范式，替代纯文本 CoT 或昂贵的真机试错。
SIGMA：基于多属性 token 的选择性交错生成
SIGMA: Selective-Interleaved Generation with Multi-Attribute Tokens
SIGMA 提出在扩散 Transformer 中通过选择性多属性 token 实现交错多条件生成，为视觉研究者提供了一种可复用的后训练框架，能灵活组合风格、内容、主体和身份等多种异构条件，提升编辑任务的可控性与跨条件一致性。
SIF：面向大型视觉语言模型的语义分布内指纹
SIF: Semantically In-Distribution Fingerprints for Large Vision-Language Models
对做 LVLM 版权保护或模型溯源的研究者，SIF 给出了一条不修改参数、把文本水印信号蒸馏进视觉模态的指纹注入路径，并配套模拟最坏情况表征扰动的鲁棒优化，可直接迁移到任意 LVLM 的所有权验证与指纹隐蔽性评估。
SHands：面向医学训练的手术手势与错误识别的多视角数据集与基准
SHands: A Multi-View Dataset and Benchmark for Surgical Hand-Gesture and Error Recognition Toward Medical Training
提供带帧级手势基元标注与错误类型分类体系的多视角手术视频，并给出单视角/多视角/跨视角泛化三种评测协议，可直接用于检验多视角融合与跨视角域泛化方法在细粒度手部动作识别上的表现。
SHOW3D：在野外捕获3D手与物体场景
SHOW3D: Capturing Scenes of 3D Hands and Objects in the Wild
提供了一套可移动的多相机采集系统与ego-exo跟踪流程，用于在真实野外环境中生成手与物体的精确3D标注，可直接用于训练和评测第一人称手物交互理解模型。
SHARP：面向运动预测中精准鲁棒预测的短窗口流式方法
SHARP: Short-Window Streaming for Accurate and Robust Prediction in Motion Forecasting
面向视觉感知的自动驾驶系统，提供了一种实例感知的上下文流式机制：在推理过程中增量维护并更新每个智能体的潜变量表示，使模型在观测窗口长度不一致时仍能保持预测精度；该机制可直接迁移到在线感知与跟踪的时序特征维护中。
SHAPE：结构感知的分层无监督域自适应与合理性评估用于医学图像分割
SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation
针对医学分割中的无监督域自适应，提出用超图评估伪标签的全局解剖合理性，并配合跨视角稳定性剪枝异常，这种基于结构先验的伪标签验证思路可迁移到其他需要可靠伪标签的视觉任务。
SGSoft：通过模板引导软信号学习融合语义-几何特征的三维形状对应
SGSoft: Learning Fused Semantic-Geometric Features for 3D Shape Correspondence via Template-Guided Soft Signals
在规范模板上构建测地线对应场，并用预训练语义先验监督学习稠密多模态描述子，从而在描述子空间做最近邻检索、单次前馈即可得到拓扑不变的三维形状对应；这套「模板+软信号监督+描述子检索」的范式可直接迁移到非刚性配准、形变迁移与跨类别形状检索。
SGS-Intrinsic：面向稀疏视角室内逆渲染的语义不变高斯泼溅
SGS-Intrinsic: Semantic-Invariant Gaussian Splatting for Sparse-View Indoor Inverse Rendering
把语义与几何先验注入 3DGS，构建稠密且几何一致的高斯语义场，为稀疏视角下的室内逆渲染提供可靠几何基础；其光照不变材质约束与去阴影模型可直接复用于材质估计与重光照任务。
SGI：面向高效紧凑大图像表示的结构化二维高斯
SGI: Structured 2D Gaussians for Efficient and Compact Large Image Representation
将2D高斯泼溅从无结构基元转为种子驱动的结构化隐式表示，配合多尺度由粗到细拟合与种子级熵压缩，为高分辨率图像表示提供可复用的紧凑化与加速优化范式。
SGDrive：面向自动驾驶的场景到目标分层世界认知
SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving
把通用 VLM 的表征按 scene-agent-goal 层级显式结构化，为视觉研究者提供了一种将通用视觉语言特征适配到具身决策任务的表征组织范式，可直接借鉴到需要时空推理的规划类任务。
SGDE：面向编码孔径压缩光谱成像的自监督几何退化估计框架
SGDE: Self-supervised Geometry Degradation Estimation Framework for Coded Aperture Compressive Spectral Imaging
将掩码错位建模为仿射变换并嵌入成像模型，以自监督方式联合估计退化参数与重建高光谱图像，该思路可迁移到其他对硬件对准敏感的编码成像系统（如编码曝光、结构光）中做在线退化校正。
SGAD-SLAM：在调整深度处泼溅高斯以提升 RGBD SLAM 中的辐射场
SGAD-SLAM: Splatting Gaussians at Adjusted Depth for Better Radiance Fields in RGBD SLAM
把像素对齐的高斯沿射线方向做深度调整，并用逐像素深度高斯分布做帧到场景的快速对齐，这套「射线可调高斯 + 深度分布配准」可直接迁移到其他 RGBD 建图/跟踪与实时新视角合成系统。
SG-LoRA：语义引导的低秩适配参数生成
SG-LoRA: Semantic-guided LoRA Parameters Generation
对视觉研究者而言，这是一种用任务文本描述在共享嵌入空间中检索并生成 LoRA 权重的免训练方案，可直接用于为未见过的下游视觉任务（如新风格、新域识别）实时构建个性化适配器，避免逐任务微调；其语义到 LoRA 的生成管线也可迁移到扩散模型、VLM 等大模型的高效定制。
SFR-Net：多标签零样本下水道缺陷检测中的引导-融合-精炼网络
SFR-Net: Steering-Fusion-Refining Network in Multi-label Zero-Shot Sewer Defect Detection
针对稀疏语义描述与复杂管道视觉环境之间的对齐歧义问题，提出参数高效的特征引导（steering）机制与解耦的全局/局部多粒度证据融合，并用已见类的关系逻辑迁移做分数校正；这套「引导-融合-精炼」范式可迁移到其他开放词表/零样本检测任务中缓解视觉-语义对齐歧义。
SECOS：面向开放世界半监督学习中严格分类的语义捕获
SECOS: Semantic Capture for Rigorous Classification in Open-World Semi-Supervised Learning
用外部视觉-语言知识为无标注新类样本构造显式语义监督，把开放世界半监督分类从'聚类后匹配'变成直接输出候选文本标签，可迁移到开放词表识别与新类发现场景。
SEBA：面向视觉强化学习的高样本效率黑盒攻击
SEBA: Sample-Efficient Black-Box Attacks on Visual Reinforcement Learning
对做视觉 RL 或机器人策略的研究者，这篇给出了一个只用少量环境交互就能攻击图像输入连续控制策略的黑盒框架：用世界模型替代真实环境查询、用影子 Q 模型估计对抗回报、用 GAN 生成不可感知扰动，可直接用于评估视觉策略的对抗脆弱性。
SEATrack：简单、高效且自适应的多模态跟踪器
SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker
AMG-LoRA 将 LoRA 与自适应互引导结合，用于对齐双流跟踪器中的跨模态注意力图；HMoE 用分层混合专家实现高效的全局关系建模，这两者都是可复用的 PEFT 与融合设计，可直接迁移到其他多模态视觉任务。
SEASON：通过自诊断对比解码缓解视频大语言模型中的时序幻觉
SEASON: Mitigating Temporal Hallucination in Video Large Language Models via Self-Diagnostic Contrastive Decoding
提出免训练的对比解码框架，逐 token 诊断幻觉倾向并构造时序/空间负样本做自适应对比，可直接套用到任意 VideoLLM 的推理阶段以抑制时序不一致描述，无需重训。
SEA：通过元素级常识视觉问答评估草图抽象效率
SEA: Evaluating Sketch Abstraction Efficiency via Element-level Commonsense Visual Question Answering
把 VQA 模型当作「元素存在性检测器」来给草图抽象效率打分，这个无参考、元素级的评估范式可以迁移到任何需要衡量「语义保留 vs 视觉简化」的生成任务上（如简笔画生成、图标/logo 生成、示意图生成的质量评估）。
SEA-Vision：面向东南亚综合文档与场景文本理解的多语言基准
SEA-Vision: A Multilingual Benchmark for Comprehensive Document and Scene Text Understanding in Southeast Asia
该基准为多语言文档与场景文本理解提供了细粒度标注（页/块/行级）和五类推理的TEC-VQA，可用于评估多模态大模型在低资源语言上的性能退化，并推动文档解析与文本中心视觉问答的鲁棒性研究。
SEA-Flow3D：通过空间向量采样与多尺度细化实现简化、高效且准确的场景流
SEA-Flow3D: Simplified, Efficient, and Accurate Scene Flow via Spatial Vector Sampling and Multi-scale Refinement
SVS 模块在匹配点局部邻域内联合采样 3D 坐标与相关体，得到带显式空间向量的方向感知相关表示，可直接替换 RAFT-3D 类框架中纯 2D 特征相关，为 3D 运动场优化注入几何先验。
SE(3) 等变性与几何拓扑引导的类别级物体姿态估计
SE(3)-Equivariance with Geometric and Topological Guidance for Category-Level Object Pose Estimation
将 SE(3) 等变网络与几何/拓扑约束结合用于点云类别级姿态估计，其等变特征预测模块可迁移到其他需要视角一致性的 3D 任务（如点云配准、新视角合成）。
SDUIE：基于定量-文本双重控制的半监督扩散水下图像增强
SDUIE: Semi-Supervised Diffusion for Underwater Image Enhancement with Quant-Text Dual Control
提出一种基于低秩适配权重合并的连续数值控制扩散模型，以及通过语义提示对齐实现文本引导增强的方法，可复用于其他需要细粒度可控的图像复原任务。
SDTrack：基于脉冲神经网络的事件相机跟踪基线
SDTrack: A Baseline for Event-based Tracking via Spiking Neural Networks
把全脉冲驱动的 SNN 骨干网络与 Transformer 跟踪头组合成端到端跟踪管线，并用 Global Trajectory Prompt 把全局轨迹信息聚合进事件帧，为在事件相机上做低功耗时序跟踪提供了可复用的架构与事件帧构造思路。
SDGS：空间差分引导的高斯泼溅用于同时定位与三维重建
SDGS: Spatial Difference Guided Gaussian Splatting for Simultaneous Localization and 3D Reconstruction
用边缘对齐的稀疏高斯地图配合距离变换目标做 6-DoF 位姿估计，把渲染对齐从稠密光度误差换成稀疏边缘误差，单次迭代位姿优化约快 2 倍；同时引入输出空间差分边缘信号的双通道混合像素传感器，为高速运动下的跟踪与去模糊重建提供可直接复用的监督信号。
SDDF：面向开放词表伪装目标检测的特异性驱动动态聚焦
SDDF: Specificity-Driven Dynamic Focusing for Open-Vocabulary Camouflaged Object Detection
针对伪装目标与背景视觉高度相似导致开放词表检测失效的问题，提出子描述主成分对比融合来过滤多模态大模型生成的冗余修饰词，并用特异性引导的区域弱对齐与动态聚焦增强前景-背景判别，可直接迁移到任何文本提示驱动的检测器中做提示去噪与区域对齐。
SD-FSMIS：适配 Stable Diffusion 实现少样本医学图像分割
SD-FSMIS: Adapting Stable Diffusion for Few-Shot Medical Image Segmentation
把预训练 Stable Diffusion 的条件生成架构改造成少样本分割器：用 Support-Query Interaction 注入支持集特征、用 Visual-to-Textual Condition Translator 把视觉提示转成隐式文本嵌入作为生成条件，为视觉研究者提供了一条「复用生成模型先验做密集预测」的可迁移路径。
SCoRe：面向视觉语言模型视觉词元剪枝的显著性-覆盖度约减
SCoRe: Salience-Coverage Reduction for Vision Token Pruning in Vision-Language Models
把视觉编码器内的词元剪枝从解耦启发式规则重构为加权 k-Center 覆盖优化，用统一的代表性分数贪心选点，可直接替换 LLaVA 类 LVLM 视觉端的 token 压缩模块，在 94.4% 剪枝率下保住 95% 性能。
SCIEval：用大型多模态模型评估与基准化科学图像生成与解读的忠实度
SCIEval: Evaluating and Benchmarking the Faithfulness of Scientific Image Generation and Interpretation with Large Multimodal Models
提供了一套面向科学图像忠实度的评测模型与基准（SCIEval-Bench），其基于 CLIP 的模态内/跨模态对比学习增强科学图像感知、以及用监督式理由信号微调 LMM 做可解释性归因的做法，可直接迁移到任意生成图像/描述的可信度打分与细粒度错误定位任务中。
SCE-SLAM：通过场景坐标嵌入实现尺度一致的单目 SLAM
SCE-SLAM: Scale-Consistent Monocular SLAM via Scene Coordinate Embeddings
用场景坐标嵌入作为跨窗口的全局尺度锚点，配合几何调制注意力做历史尺度传播，可复用到任何存在尺度漂移的单目里程计/SLAM 或长序列位姿估计中。
SCE-Depth：面向宽视场深度估计的球面复眼框架
SCE-Depth: A Spherical Compound Eye Framework for Wide FOV Depth Estimation
把球面成像数据直接在 HEALPix 网格上用球面网络处理，避免鱼眼/全景到平面的模态转换误差；其球面 Sobel 算子（SGFE）与球面梯度损失（SGL）可迁移到任何宽 FOV 球面深度或稠密预测任务。
SCAPO：基于单次三维观测的自监督类别级关节位姿估计
SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation
用 SE(3) 等变向量神经元自编码器把单帧 RGB-D 观测对齐到共享规范空间，再用关节感知的混合蒙皮建模部件运动，为单次观测下的关节物体建模提供了可复用的表示学习范式。
SAVE：面向视频-文本检索的语音感知视频表征学习
SAVE: Speech-Aware Video Representation Learning for Video-Text Retrieval
为视频-文本检索引入语音分支和软对齐策略，视觉研究者可借鉴其音视频早期对齐与融合机制，提升多模态检索性能。
SAVA-X：基于场景自适应视角对齐与双向跨视角融合的第一人称到第三人称模仿误差检测
SAVA-X: Ego-to-Exo Imitation Error Detection via Scene-Adaptive View Alignment and Bidirectional Cross View Fusion
面向第一人称与第三人称异步、长度不匹配视频的跨视角时序对齐与融合框架，其视图条件自适应采样和双向交叉注意力可直接迁移到 egocentric-exocentric 视频配对、跨视角动作定位与步骤级质量评估等任务。
SATTC：面向跨被试脑电到图像检索的结构感知无标签测试时校准
SATTC: Structure-Aware Label-Free Test-Time Calibration for Cross-Subject EEG-to-Image Retrieval
提供了一种无标签的测试时校准头，直接作用于冻结编码器的相似度矩阵，通过白化与CSLS变体缓解跨域检索中的hubness问题，可复用于视觉-语言跨模态检索或跨域检索的排序稳定化。
SAT-RRG：面向放射报告生成的 LLM 引导自适应训练与词元级推拉优化
SAT-RRG: LLM-Guided Self-Adaptive Training for Radiology Report Generation with Token-Level Push-Pull Optimization
把冻结 LLM 当作弱监督裁判，自动定位预测报告与参考报告之间的语义冲突片段，并在这些稀疏关键片段上施加 push-pull 式的词元级自适应梯度惩罚；这一「错误片段定位 + 自适应加权」思路可迁移到图像描述、VQA 等序列生成任务的训练目标设计中。
SASNet：用于隐式神经表示的空间自适应正弦网络
SASNet: Spatially-Adaptive Sinusoidal Networks for INRs
SASNet 通过冻结频率嵌入层和可学习空间掩码解决 SIREN 训练不稳定和频率初始化敏感问题，可直接用于图像/表面重建、SDF 重建等 INR 任务，提升收敛速度和重建质量。
SARMAE：面向 SAR 表征学习的掩码自编码器
SARMAE: Masked Autoencoder for SAR Representation Learning
把 SAR 特有的相干斑噪声显式注入 MAE 的掩码重建流程，并用配对光学图像作为语义锚框约束特征对齐，这套「噪声感知预训练 + 跨模态语义约束」思路可迁移到其他低质量或强噪声成像域（如超声、低光照、去噪前表征）的自监督预训练。
SARL-STG：用于精炼多模态大语言模型时空视频定位的空间感知强化学习框架
SARL-STG: A Spatially Aware Reinforcement Learning Framework for Refining MLLMs in Spatio-Temporal Video Grounding
把开放词表检测器的空间定位质量作为强化学习奖励信号，反向驱动 MLLM 的时序推理，为视觉语言模型在视频定位任务中提供了一种可复用的「空间反馈时序」训练范式。
SAR2Net：学习空间锚定表征用于检索引导的跨染色对齐
SAR2Net: Learning Spatially Anchored Representations for Retrieval-Guided Cross-Stain Alignment
把跨模态配准从显式变换估计改写成区域级特征检索，用相对组织标志点的空间锚定特征做形变不变描述子，这一思路可迁移到多模态/多时相图像匹配与检索式配准任务。
SAQN：面向三维指代表达分割的语义自适应查询网络
SAQN: Semantic-based Adaptive Query Network for 3D Referring Expression Segmentation
用每个语义类一个可学习查询向量替代从点云生成查询，把查询数量从数万级降到类别级，并用隐式类别对齐绕开匈牙利匹配；做 3D 指代分割或点云开放词表分割时可直接复用这套查询构造与补充查询融合策略。
SANER：用于行人去重识别的可切换适配器与非参数增强路由
SANER: Switchable Adapter with Non-parametric Enhanced Routing for Person De-Reidentification
提出可切换适配器与测试时非参数路由，将预训练特征空间解耦为遗忘与保留子空间，为行人重识别中的选择性遗忘提供可复用方案。
SAMosaic3D：面向实时三维分割任意物体的模块化场景组装
SAMosaic3D: Modular Scene Assembly for Real-Time 3D Segment Anything
将 SAM 的 2D 掩码视为可学习的「马赛克瓦片」，通过可微的片段到实例自适应组装和实例到场景在线合并，解决 2D 提升到 3D 时的空间碎片化与身份漂移问题，为在线 3D 实例分割提供了可复用的模块化组装框架。
SAMTok：用两个词表示任意掩码
SAMTok: Representing Any Mask with Two Words
把任意区域掩码离散化为两个 token，使基础 MLLM 无需改架构、无需专用分割解码器即可用标准下一词预测和 RL 获得像素级理解与生成能力；做区域级 VLM、grounding 或交互式分割的工作可直接复用该掩码分词方案与文本答案匹配奖励。
SAMIX：以语义适配器与参考选择策略强化 SAM2 用于混合监督分割
SAMIX: Reinforcing SAM2 with Semantic Adapter and Reference Selecting Policy for Mix-Supervised Segmentation
把 SAM2 通过轻量语义适配器改造成语义感知伪标签生成器，并用强化学习训练的 SPNet 为每张查询图像检索语义相关且互补的参考图像-掩码对作为密集上下文提示，这一「参考检索 + 可验证奖励」的伪标签提纯思路可直接迁移到任何需要从弱标注或无标注数据中挖掘高质量掩码的半监督/弱监督分割流程。
SAME：面向有限数据下异构增量学习的稀疏锚定模型编辑
SAME: Sparse and Anchored Model Editing for Heterogeneous Incremental Learning under Limited Data
把模型编辑（稀疏参数更新 + 键值知识对）当作持续学习的载体，用双重锚框约束（特征对齐锚 + 参数幅度锚）在少样本、任务边界未知的跨域序列上稳定注入新知识，可直接迁移到视觉语言模型的增量适配与免遗忘微调。
SAM 3D：把图像中的一切三维化
SAM 3D: 3Dfy Anything in Images
把单图物体重建当作生成任务，用「合成数据预训练 + 真实数据对齐」的多阶段训练突破 3D 数据瓶颈；对做单目重建、3D 资产生成或需要大规模带位姿/纹理 3D 标注数据的工作，这套数据管线与训练范式可直接复用。
SAM 3D Body：鲁棒的全身人体网格恢复
SAM 3D Body: Robust Full-Body Human Mesh Recovery
提出解耦骨骼姿态与体型的参数化网格表示 MHR，并支持 2D 关键点/掩码提示的编码器-解码器架构，为单图全身（含手、脚）网格恢复提供了可复用的表示与提示式推理范式。
SALMUBench：敏感关联级多模态遗忘基准
SALMUBench: A Benchmark for Sensitive Association-Level Multimodal Unlearning
为视觉-语言模型（如 CLIP）的敏感信息遗忘提供了首个细粒度关联级评测基准，包含受污染/干净模型对和结构化留出集，可直接用于诊断遗忘方法的有效性与附带损伤。
SAIL：面向弱监督稠密视频描述学习的相似度感知引导与描述间增强
SAIL: Similarity-Aware Guidance and Inter-Caption Augmentation-based Learning for Weakly-Supervised Dense Video Captioning
用跨模态相似度作为弱监督信号来引导高斯掩码聚焦语义相关区域，并用 LLM 合成描述通过掩码间机制提供辅助对齐信号，这套思路可直接迁移到其他只有粗粒度标注的视频时序定位任务（如弱监督动作定位、视频片段检索）。
SAIDO：基于场景感知与重要性引导动态优化的持续学习式AI生成图像泛化检测
SAIDO: Generalizable Detection of AI-Generated Images via Scene-Aware and Importance-Guided Dynamic Optimization in Continual Learning
用 VLLM 做场景感知并动态分配专家模块，配合重要性引导的梯度投影来缓解持续学习中的灾难性遗忘，可直接迁移到任何需要跨域泛化的伪造检测或分布漂移下的分类任务。
SAGE：用强化学习训练智能任意跨度智能体进行长视频推理
SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning
把长视频推理建模为「按需决定看多少帧、看几轮」的多轮智能体决策，并用 RL 后训练教会模型自适应选择时间跨度；对做视频问答/长视频理解的人，这套 any-horizon 调度 + 合成数据管线可直接迁移到自己的视频 LLM 上以降低帧数开销。
SAGE：面向隐私约束下跨域语义分割的风格自适应泛化框架
SAGE: Style-Adaptive Generalization for Privacy-Constrained Semantic Segmentation Across Domains
在模型权重冻结、无法微调的黑盒设定下，用输入级视觉提示词做域泛化：先以风格迁移构造覆盖广的风格表征库，再按每张输入的视觉上下文动态融合成提示词，为视觉研究者提供了一条不碰骨干网络即可对齐跨域特征分布的思路，可直接迁移到分割、检测等密集预测任务的隐私受限部署场景。
SAGE：面向具身智能的可扩展智能体式 3D 场景生成
SAGE: Scalable Agentic 3D Scene Generation for Embodied AI
把布局生成器与物体组合生成器同语义合理性、视觉真实感、物理稳定性三类 critic 组成闭环，通过迭代推理与自适应工具选择自精炼场景，可直接产出仿真器可用的 3D 环境用于策略训练；对做 3D 场景合成与具身数据扩增的视觉研究者，这是一套可复用的「生成器+评审器」自精炼管线。
SAGA：生成式 AI 视频的来源归因
SAGA: Source Attribution of Generative AI Videos
把「真假二分类」升级为多粒度生成源归因（任务类型/模型版本/团队/具体生成器），并给出 T-Sig 时序注意力可视化来解释不同生成器的可区分性；做深伪检测、生成内容取证或数据溯源的研究者可直接复用其视频 Transformer + 视觉基础模型特征的时空伪影建模与 0.5% 标注的预训练-归因策略。
SAG-GNN：面向无描述子 2D-3D 匹配的语义感知引导图神经网络
SAG-GNN: Semantic-Aware Guided GNN for Descriptor-Free 2D-3D Matching
把低维语义概率分布作为 3D 点的紧凑先验注入无描述子 2D-3D 匹配，用语义消歧替代大描述子库，可直接迁移到无描述子视觉定位与位姿估计流程中降低存储并提升跨场景泛化。
SABER：面向鸟瞰图检测器的空间一致三维通用对抗物体
SABER: Spatially Consistent 3D Universal Adversarial Objects for BEV Detectors
提出一种非侵入式、环境植入式的通用对抗物体生成流程，并用鸟瞰图空间特征引导优化攻击检测器内部表征；做BEV检测鲁棒性评测或多视角/时序一致对抗样本构造时可直接复用其遮挡感知渲染与特征引导优化思路。
S2FT：稀疏频谱域中的参数高效微调
S2FT: Parameter-Efficient Fine-Tuning in Sparse Spectrum Domain
为视觉大模型（ViT、扩散骨干等）的下游适配提供了一种仅需约0.08%可训练参数的PEFT方案：先用粗估的权重变化作为先验，再通过行列重排把权重变化映射到频谱稀疏的潜空间，然后只微调少量谱系数；做迁移学习或低资源微调时，可以直接替换LoRA/傅里叶PEFT的适配模块。
S2D：面向极少输入三维重建的稀疏到稠密提升
S2D: Sparse to Dense Lifting for 3D Reconstruction with Minimal Inputs
用一步扩散模型修复稀疏点云渲染伪影，再以随机采样丢弃和加权梯度策略拟合3DGS，为极少输入视图下的高质量重建提供了可复用的两阶段提升思路。
S2D：选择性谱衰减，用于神经激活的量化友好调理
S2D: Selective Spectral Decay for Quantization-Friendly Conditioning of Neural Activations
对做视觉大模型部署的人，S2D 给出一个在微调阶段抑制激活离群值的正则手段：只对权重最大奇异值对应的分量做谱衰减，就能让 CLIP/SigLIP 类骨干在 W4A4 PTQ 下少掉点，可直接接到自己的量化流水线前。
S2C2Seg：面向开放词表分割的语义-空间一致性与类别优化
S2C2Seg: Semantic-Spatial Consistency and Category Optimization for Open-Vocabulary Segmentation
免训练即插即用的类别子集筛选与置信度加权融合模块，可直接叠加到 SCLIP/ProxyCLIP/CorrCLIP 等 CLIP 密集预测方法上，缓解开放词表下的类别冗余与空间精度不足。
S$^2$AM3D：尺度可控的三维点云部件分割
S$^2$AM3D: Scale-controllable Part Segmentation of 3D Point Clouds
把多视图 2D 分割先验通过原生 3D 对比学习聚合成全局一致的点特征，再用连续尺度信号实时调节分割粒度，这套「2D 先验 + 3D 一致性监督 + 尺度提示词解码」的范式可直接迁移到点云部件分割、开放词表 3D 分割等需要跨视图一致性的任务。
S$^2$-MLLM：以结构引导提升多模态大语言模型空间推理能力用于3D视觉定位
S$^2$-MLLM: Boosting Spatial Reasoning Capability of MLLMs for 3D Visual Grounding with Structural Guidance
用前馈三维重建的结构感知作为隐式空间引导，替代逐视角点云渲染，让 MLLM 在不重建点云的情况下获得 3D 空间推理能力；其 intra/inter-view 注意力加多级位置编码的结构增强模块可直接迁移到任何需要把多视角 2D 特征对齐到 3D 空间的 VLM 任务。
RxnCaption：将反应图解析重构为视觉提示引导的图像描述
RxnCaption: Reformulating Reaction Diagram Parsing as Visual Prompt Guided Captioning
将坐标预测式解析重构为图像描述任务，并利用视觉提示（边界框与索引）引导 LVLM，为文档图像的结构化信息提取提供了可复用的范式。
RunawayEvil：越狱图像到视频生成模型
RunawayEvil: Jailbreaking the Image-to-Video Generative Models
针对图像到视频生成模型，给出一种可复用的多模态越狱攻击范式：用强化学习与 LLM 自动搜索文本指令与图像篡改的协同组合，可作为评估 I2V 系统安全对齐的自动化红队工具，也提示防御方需同时约束视觉与文本两条条件通路。
按需路由：DSNet 实现高效渐进式点云去噪
Routing on Demand: DSNet for Efficient Progressive Point Cloud Denoising
把「按需路由」引入点云渐进去噪：用基于法向相似性的噪声判别器为每个图像块（patch）选择去噪模块，并用路径选择性迭代实现跨阶段跳连，可直接迁移到其他迭代式点云/几何处理流程中以减少冗余计算并缓解过平滑。
圆头还是流线型头？连接概念瓶颈模型与属性描述的物体部件
Rounded or Streamlined Head? Bridging Concept Bottleneck Models and Attribute-Described Object Parts
把概念重新定义为「部件-属性对」并用类别无关的目标聚类抑制背景伪证据，这套做法可直接迁移到任何需要 VLM 给出细粒度部件掩码的可解释识别或属性定位流程中，缓解 VLM 部件定位噪声。
旋转不变与对称感知像素差网络用于遥感目标检测
Rotation Invariant and Symmetry Aware Pixel Difference Network for Remote Sensing Object Detection
RIS-PDC 将旋转群先验和对称约束编码进卷积算子，用像素差和极谐空间聚合替代传统卷积，可直接替换骨干网络中的标准卷积，提升对旋转和遮挡的鲁棒性，且不增加参数量。
统一多模态大模型的罗塞塔石碑：一种破译理解与生成的统一分词器
Rosetta Stone For Unified MLLMs: A Unified Tokenizer to Decipher Understanding and Generation
提出一种分层解耦代理任务并引入注意力优先映射的统一视觉分词器，可直接替换离散统一多模态大模型中的视觉分词模块，在理解与生成任务上同时提升；其关于对比学习式模型在统一生成与理解时存在内在冲突、以及码本收敛行为差异的分析，对设计统一视觉表征具有直接参考价值。
剪痕之下的根须：揭示扩散模型剪枝式遗忘中概念复活的隐患
Roots Beneath the Cut: Uncovering the Risk of Concept Revival in Pruning-Based Unlearning for Diffusion Models
对做扩散模型安全与机器遗忘的视觉研究者，本文指出剪枝位置本身构成侧信道：攻击者仅凭权重为零的位置即可无数据、无训练地恢复被抹除的概念，因此设计剪枝式遗忘方法时必须同时隐藏剪枝掩码，而不能只关注遗忘效果。
Role-SynthCLIP：一种角色扮演驱动的多样化合成数据方法
Role-SynthCLIP: A Role-Play Driven Diverse Synthetic Data Approach
用多视角角色扮演提示驱动 MLLM 为同一张图生成互补字幕，在固定图像数量下提升图文对的语义多样性，可直接复用于 CLIP 类模型的预训练数据构造与细粒度对齐。
数据稀缺下的鲁棒性：面向演化威胁的少样本持续对抗训练
Robustness Under Data Scarcity: Few-Shot Continual Adversarial Training for Evolving Threats
把少样本持续对抗训练这一设定引入视觉模型鲁棒性维护，其高斯混合原型回放与对抗间隔损失可直接用于在数据受限、攻击分布不断漂移的场景下持续更新分类器而不遗忘旧攻击域。
RobustVisRAG：视觉退化下因果感知的基于视觉的检索增强生成
RobustVisRAG: Causality-Aware Vision-Based Retrieval-Augmented Generation under Visual Degradations
提出因果引导的双路径框架，通过非因果路径捕获退化信号并引导因果路径学习纯化语义，为视觉检索增强生成在退化条件下的鲁棒性提供了可复用的解耦思路；同时构建的 Distortion-VisRAG 数据集可用于评测多模态检索与生成模型在真实退化下的表现。
Robust3DGSW：面向量化感知3D高斯泼溅的鲁棒水印
Robust3DGSW: Toward Robust Watermarking for Quantization-Aware 3D Gaussian Splatting
针对量化后的3DGS模型，提出将水印嵌入3D高斯参数与2D渲染图像的中频带，并利用多尺度对抗扰动训练2D/3D解码器，为3DGS版权保护提供可复用方案。
基于时序互信息的鲁棒脉冲神经网络
Robust Spiking Neural Networks by Temporal Mutual Information
把信息瓶颈推广到时序维度，用输入与脉冲潜变量之间的互信息作为正则项来收紧鲁棒误差界；做脉冲网络或时序动态模型对抗鲁棒性的人可以直接复用这一正则化思路与理论分析框架。
面向噪声对应的鲁棒遥感图像-文本检索
Robust Remote Sensing Image-Text Retrieval with Noisy Correspondence
针对视觉-语言检索中图文对不完美匹配的现实问题，提出基于损失幅度的样本可靠性加权与自步学习调度，可迁移到其他跨模态检索或对比学习训练流程中以提升对噪声对应的鲁棒性。
鲁棒的提示式视频目标分割
Robust Promptable Video Object Segmentation
把「记忆中的目标级表征」作为条件去门控低秩适配（LoRA 式）参数，使鲁棒化过程按被跟踪目标分别进行并保持时序一致；这套 memory-conditioned gated adaptation 可直接迁移到其他提示式视频模型（如 SAM2 类跟踪器）做测试时/轻量鲁棒适配。
RobotSeg：面向图像与视频中机器人分割的模型与数据集
RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video
把 SAM 2 改造成面向机器人本体的自动视频分割器：结构增强的记忆关联器处理关节形变，机器人提示词生成器免去人工提示，标签高效训练策略降低逐帧掩码标注需求，可直接迁移到任意需要免提示视频分割的类别。
RoboWheel：面向跨形态机器人学习的真实世界人类演示数据引擎
RoboWheel: A Data Engine from Real-World Human Demonstrations for Cross-Embodiment Robotic Learning
从单目RGB(D)视频重建手物交互并重定向为跨形态机器人动作，为视觉研究者提供了一条将人类演示视频转化为机器人训练数据的可复用管线，其中基于强化学习的接触与穿透约束优化器可用于提升手物姿态估计的物理合理性。
RoboTAG：基于拓扑对齐图的端到端机器人位姿估计
RoboTAG: End-to-end Robot Pose Estimation via Topological Alignment Graph
把机器人位姿估计建模成 2D/3D 双分支的拓扑对齐图，用闭环上的跨分支一致性监督替代大量标注，这个「图节点=相机/机器人状态、边=对齐关系」的构造方式可直接迁移到单目相机重定位、手眼标定和 sim-to-real 位姿回归任务中。
RoboAgent：链式组合基础能力实现具身任务规划
RoboAgent: Chaining Basic Capabilities for Embodied Task Planning
把长程具身规划拆解为调度器加多个子能力（各自维护独立上下文）的单一 VLM 调用链，并用仿真器内部信息为每个子能力构造监督，这一「能力链式调用 + 多阶段训练」范式可直接迁移到视觉导航、视觉操作等需要多轮视觉观测推理的任务。
Robo-SGG：利用面向布局的归一化与恢复可提升鲁棒场景图生成
Robo-SGG: Exploiting Layout-Oriented Normalization and Restitution Can Improve Robust Scene Graph Generation
针对损坏图像下的场景图生成，提出利用对域偏移鲁棒的布局信息（实例归一化+布局导向恢复+布局嵌入编码器）来增强视觉特征鲁棒性，该即插即用模块可集成到任意基线SGG模型中，为处理域偏移提供了一种可复用的思路。
RoadSceneBench：面向中层道路场景理解的轻量级基准
RoadSceneBench: A Lightweight Benchmark for Mid-Level Road Scene Understanding
为视觉语言模型在道路场景中的关系推理与结构一致性提供了轻量评测基准，并给出基于分层关系奖励传播与时序一致性的训练框架，可直接用于评估和提升 VLM 的空间与几何推理能力。
RoadGIE：面向可泛化交互式道路提取的全球尺度航空基准
RoadGIE: Towards A Global-Scale Aerial Benchmark for Generalizable Interactive Road Extraction
RoadGIE 提出连通性感知的交互式分割范式，支持点击和涂鸦提示，并引入专家引导提示策略与骨架召回损失，可直接用于遥感道路提取及其他需要保持拓扑结构的线状目标分割任务。
RoSAMDepth：利用分割一切模型的鲁棒自监督深度估计
RoSAMDepth: Robust Self-supervised Depth Estimation Leveraging Segment Anything Model
把 SAM 的物体级分割先验注入自监督深度估计：用分割引导的特征对比、区域高斯似然损失和物体级可靠性估计来抑制物体内部深度漂移与恶劣天气下的模糊，可直接复用到单目深度/自监督训练框架中。
RoMo：面向人体动作生成的大规模、组织丰富的数据集与语义分类体系
RoMo: A Large-Scale, Richly Organized Dataset and Semantic Taxonomy for Human Motion Generation
为文本驱动的人体动作生成提供了大规模、带三级语义分类与细粒度标注的野外动作数据，并配套统一的评测工具箱；做动作生成或动作-文本对齐的研究可直接用它替换小规模动捕数据，或借用其分类体系做按类别的误差分析。
RnG：面向部分观测下完整三维建模的统一 Transformer
RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations
把 KV-cache 当作隐式三维表示、用重建引导的因果注意力在注意力层面分离已观测与未观测区域，这一思路可直接迁移到稀疏视角重建、新视角合成以及任何需要「补全未见几何」的前馈三维模型。
RiskProp：碰撞锚定的自监督风险传播用于早期事故预测
RiskProp: Collision-Anchored Self-Supervised Risk Propagation For Early Accident Anticipation
提出碰撞锚定的自监督风险传播范式，用未来帧预测作为软目标监督当前帧，并设计自适应单调约束，可复用于其他需要早期预警的时序视频任务（如异常检测、动作预测）。
RigMo：统一绑定与运动学习用于生成式动画
RigMo: Unifying Rig and Motion Learning for Generative Animation
把逐顶点形变编码进「绑定潜变量 + 运动潜变量」两个紧凑潜空间，可前馈地从原始网格序列直接解出高斯骨骼、蒙皮权重与逐帧 SE(3) 变换，为动态 3D 建模提供了一套无需人工骨骼标注、结构可解释的表示方案；在该潜空间上训练 Motion-DiT 即可做下游运动生成，是 4D 生成与角色动画可复用的范式。
Rewis3d：三维重建提升弱监督语义分割
Rewis3d: Reconstruction Improves Weakly-Supervised Semantic Segmentation
把前馈三维重建得到的点云作为辅助监督信号，通过双师生架构在2D图像与重建3D点云之间施加语义一致性，从而把稀疏标注传播到整个场景；做稀疏标注分割或想利用视频几何线索补监督的人可直接复用这一思路。
RewardFlow：通过优化你所奖励的目标来生成图像
RewardFlow: Generate Images by Optimizing What You Reward
把可微奖励（VQA 语义奖励 + SAM 定位奖励）作为推理时的引导信号注入预训练扩散/流匹配模型，并用提示感知的自适应策略调节更新步长，为免训练可控编辑提供了一个可插拔的奖励设计范式。
面向扩散模型的奖励锐度感知微调
Reward Sharpness-Aware Fine-Tuning for Diffusion Models
针对扩散模型 RLHF 微调中的奖励攻击问题，提出用参数扰动与样本扰动构造平坦化奖励模型的梯度，无需重训奖励模型即可提升生成质量与奖励对齐的可靠性，可直接嵌入现有扩散强化学习流程。
奖励强制：基于奖励分布匹配蒸馏的高效流式视频生成
Reward Forcing: Efficient Streaming Video Generation with Rewarded Distribution Matching Distillation
用 EMA 融合被逐出滑动窗口的 token 替代静态 sink token，解决少步蒸馏流式视频生成中初始帧复制、运动退化的问题；再用 VLM 打分构造奖励偏置的分布匹配蒸馏，把教师模型的运动动态蒸馏进学生模型，可直接迁移到任何流式/长视频扩散蒸馏管线。
复兴 ConvNeXt：面向高效卷积扩散模型
Reviving ConvNeXt for Efficient Convolutional Diffusion Models
把 ConvNeXt 式的纯卷积骨干网络移植到条件扩散模型中，在 ImageNet 256/512 条件生成上以 DiT-XL/2 一半的浮点运算量达到相当性能，且训练步数少 7 倍以上；对做视觉生成的人而言，这是一条可直接替换 Transformer 骨干、显著降低训练成本的架构路线。
重新审视以视觉为中心的推理泛化中长思维链的必要性
Revisiting the Necessity of Lengthy Chain-of-Thought in Vision-centric Reasoning Generalization
对做视觉推理 SFT 数据构造的人有直接指导：不必堆长 CoT 或图像操作式 CoT，只保留关键视觉定位步骤的极简 CoT 反而在不同难度（网格尺寸）上泛化最好，可作为构建可泛化视觉推理训练数据的默认策略。
重新审视完全精度的必要性：面向错位建筑标签的弱监督目标级偏移校正
Revisiting the Necessity of Full Accuracy: Weakly Supervised Object-Level Offset Correction for Misaligned Building Labels
针对标注与影像存在空间错位时分割性能下降的问题，提供了一套可复用的两阶段流程：先用先验正则化的自对齐生成高置信度的目标级偏移伪标签，再训练实例级偏移回归模型来精修标签；可直接用于遥感建筑分割等存在标注错位的数据集构建与域自适应。
重新审视 LVLM 中的视觉损坏：从形状-纹理视角看模型失效
Revisiting Visual Corruptions in LVLMs: A Shape-Texture Perspective on Model Failures
提出免训练的对比解码框架 ST-CD，通过构造形状与纹理互补的对比视图并在推理时自适应融合来纠正偏置，可直接迁移到任何 LVLM 的推理阶段以提升对视觉损坏的鲁棒性，无需微调。
重新审视未知类：迈向高效且有效的开放集主动学习
Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning
提出一种无需独立开放集检测器的统一主动学习框架，利用冻结的对比预训练特征空间进行标签引导聚类，并用 Dirichlet 校准的辅助检测头联合建模已知与未知类，可直接用于视觉任务中标注预算受限下的开放世界数据筛选。
重新审视词元压缩：加速基于ViT的稀疏多视图3D目标检测器
Revisiting Token Compression for Accelerating ViT-based Sparse Multi-View 3D Object Detectors
把「图像块尺寸」本身当作可动态调节的压缩维度，配合跨粒度特征增强把粗块丢失的细节补回来，可直接迁移到任何 ViT 主干的多视图/时序感知模型上做免训练或轻训练加速。
重新审视部分多标签学习在高秩性质下的稀疏性约束
Revisiting Sparsity Constraint Under High-Rank Property in Partial Multi-Label Learning
对做多标签视觉识别（如多物体图像标注）的研究者，这篇论文给出了一个可复用的思路：用噪声标签矩阵的稀疏性去诱导预测标签矩阵的高秩性，从而绕开传统低秩假设与稀疏假设相互冲突的问题，可直接嵌入多标签分类或弱监督标注清洗流程。
重新审视稀疏视角重建下基于泼溅的计算机断层成像中的位姿敏感性
Revisiting Pose Sensitivity in Splat-based Computed Tomography under Sparse-view Reconstruction
把 3D Gaussian splatting 的可微投影算子对采集几何位姿的敏感性讲清楚，并给出在重建中联合优化位姿的稳定梯度框架；做稀疏视角重建或位姿不精确场景（如 NVS、SLAM 式联合优化）的视觉研究者可直接借鉴其位姿扰动传播分析与轻量联合精修思路。
在实际传感器约束下重新审视 I-ToF 的最优编码
Revisiting Optimal Coding for I-ToF under Practical Sensor Constraints
为 I-ToF 深度传感器提供了一种在硬件约束下基于解析误差传播指标搜索调制/解调编码方案的思路，可替代依赖大规模深度学习优化的编码设计，直接提升深度重建精度。
重访多模态 KV 缓存压缩：一种频域引导的离群 KV 感知方法
Revisiting Multimodal KV Cache Compression: A Frequency-Domain-Guided Outlier-KV-Aware Approach
对做多模态大模型视觉侧推理的人来说，这篇给出了一个绕开注意力分数、直接对 KV 矩阵做频域主成分建模来识别并保留离群 KV 的压缩思路，且与 FlashAttention 等高效注意力核兼容，可直接用于视觉 token 极长的多图/视频输入场景降低解码延迟与显存。
以时空场景建模重新审视单目SLAM
Revisiting Monocular SLAM with Spatio-Temporal Scene Modeling
把前馈几何估计器（如单目深度/点图网络）当作 SLAM 的初始化与建图模块，用关键帧缓冲维持短期时序连续性、用 3D 体素场景模型做空间检索，这套「稀疏关键点定位 + 半稠密锚点空间表示」的混合设计可直接迁移到未标定单目实时定位与建图系统。
在基础模型时代重新审视模型拼接
Revisiting Model Stitching In the Foundation Model Era
提出在目标模型倒数第二层使用简单特征匹配损失训练拼接层，使异构视觉基础模型（如 CLIP、DINOv2、SigLIP2）可靠拼接，为多模态大模型共享早期层、灵活组合不同 VFM 优势提供可复用技术。
重新审视噪声标签学习：主动遗忘与噪声抑制
Revisiting Learning with Noisy Labels: Active Forgetting and Noise Suppression
提出一种即插即用的正则化框架，通过机器遗忘主动擦除模型已内化的噪声知识，并用负学习抑制后期噪声过拟合，可直接集成到现有噪声标签学习基线中提升鲁棒性。
重新审视几何混淆：用于视觉定位中隐私保护图像查询的双收敛线
Revisiting Geometric Obfuscation with Dual Convergent Lines for Privacy-Preserving Image Queries in Visual Localization
DCL 通过双收敛线设计使几何恢复攻击的优化问题变得病态，为视觉定位中的隐私保护提供了一种可部署的关键点混淆方案，可直接集成到基于线段的定位求解器中。
重新审视多标签分类中的F-measure优化：一种基于采样的方法
Revisiting F-measure Optimization in Multi-Label Classification: A Sampling-based Approach
对视觉多标签任务（如多标签图像识别、属性预测）而言，本文把F-measure最优预测规则中的q^3矩阵乘法改写为可用FFT加速的卷积（降至O(q^2 log q)），并用q个二分类器替代q个多分类器以缓解标签稀疏性，可直接替换现有多标签分类器的推理与训练流程。
重新审视三维重建核作为低通滤波器
Revisiting 3D Reconstruction Kernels as Low-Pass Filters
把 3D 重建核（高斯、指数、Student's t）统一视为低通滤波器，用频域混叠解释重建模糊与高频丢失，并给出 Jinc 与调制核两种可直接替换现有 splatting/辐射场核的即插即用方案，对做新视角合成与高斯泼溅的人是一个可复用的核设计思路。
重新审视2D基础模型用于可扩展的3D医学图像分类
Revisiting 2D Foundation Models for Scalable 3D Medical Image Classification
将2D基础模型通过轻量插件适配到3D医学分类，并系统评估多种适配策略，为视觉领域利用大规模2D预训练模型解决3D任务提供了可复用的范式。
RevINN：用于可逆对抗样本生成的端到端可逆神经网络
RevINN: An End-to-End Invertible Neural Network for Reversible Adversarial Examples Generation
用可逆神经网络在小波频域直接生成可逆对抗样本，把「加扰动」和「可恢复」合成单阶段，对做对抗攻击/防御、以及需要可逆变换（如可逆水印、隐私保护图像发布）的视觉工作提供了可复用的端到端可逆架构与频域调制思路。
检索反事实样本改进视觉上下文学习
Retrieving Counterfactuals Improves Visual In-Context Learning
把「示例选择」从被动相似度检索改成属性引导的组合图像检索，主动构造反事实示例对，可直接用于任何基于 ICL 的 VLM 少样本适配流程，尤其是小模型与信息稀缺场景。
检索即复原：基于检索式退化库的高效一体化图像复原
Retrieve-to-Restore: Efficient All-in-One Image Restoration with a Retrieval-Based Degradation Bank
把退化知识外置成一个可检索的先验库，用退化匹配在推理时调制骨干网络特征，为多退化统一复原提供了一条解耦「退化适应」与「重建能力」的轻量思路，可直接迁移到去噪、去雨、去雾等多任务联合训练场景。
检索与分割：少量示例足以弥合开放词表分割中的监督差距吗？
Retrieve and Segment: Are a Few Examples Enough to Bridge the Supervision Gap in Open-Vocabulary Segmentation?
提出检索增强的测试时适配器，通过融合文本与视觉支持特征学习轻量级逐图像分类器，为开放词表分割提供可复用的少样本融合思路，并支持支持集持续扩展与个性化分割。
RetouchIQ：基于通用奖励的MLLM智能体用于指令式图像修饰
RetouchIQ: MLLM Agents for Instruction-Based Image Retouching with Generalist Reward
提出用强化学习微调的多模态大语言模型作为通用奖励模型，为基于指令的图像编辑提供可验证的奖励信号，可复用于其他需要主观评价的生成任务（如风格化、美学优化）。
RetimeGS：4D 高斯泼溅的连续时间重建
RetimeGS: Continuous-Time Reconstruction of 4D Gaussian Splatting
把 4DGS 的时序混叠问题显式建模为高斯的时间行为定义，并用光流引导初始化与三重渲染监督来约束连续时刻的一致性；做动态场景重建或新视角合成时，可直接借用这套连续时间监督策略来消除插帧鬼影。
从扩散视角重新思考视觉重排
Rethinking Visual Rearrangement from A Diffusion Perspective
将视觉重排建模为扩散桥过程，用点云输入和高斯混合分布表示物体状态，通过迭代去噪Transformer预测重排目标，为具身智能中的场景变化推理提供了新思路。
重新审视统一多模态模型的视觉生成：面向高效纯图像预训练的掩码建模
Rethinking UMM Visual Generation: Masked Modeling for Efficient Image-Only Pre-training
把 UMM 的视觉生成部分拆成「纯图像掩码预训练 + 少量图文对指令对齐」两阶段，用 1000 H800 小时从零训出 3.6B 生成器，为视觉研究者提供了一个低成本复现统一多模态生成能力的训练配方。
重思指代多目标跟踪中的两阶段“跟踪即指代”：让它重新强大
Rethinking Two-Stage Referring-by-Tracking in Referring Multi-Object Tracking: Make it Strong Again
对做视觉语言跟踪的人，这篇给出了一个可复用的两阶段范式：用采样式 Conditioning Hook 把语言线索注入检测特征，再用 Pairwise Correspondence Decoder 主动建模轨迹与表达的对应关系，替代 CLIP 相似度匹配，从而在低训练成本下达到最优性能。
重新思考大视觉语言模型的词元缩减
Rethinking Token Reduction for Large Vision-Language Models
将词元缩减从启发式剪枝/合并转为可学习的压缩映射，并针对多轮VQA中后续问题未知的设定设计提示词无关的压缩器，为LVLM推理加速提供可复用训练范式。
重新审视 SNN 在线训练与部署：基于混合驱动 LIF 模型的梯度一致学习
Rethinking SNN Online Training and Deployment: Gradient-Coherent Learning via Hybrid-Driven LIF Model
HD-LIF 通过在上、下阈值区域采用不同的脉冲计算机制，把时序梯度分离并缓解替代梯度错位，为视觉任务中 SNN 的在线训练提供了一条在精度、显存占用与功耗之间取得平衡的路径；做低功耗视觉骨干或事件相机后端的研究者可直接替换 LIF 单元复用该机制。
重新思考文生视觉生成中推理时扩展的提示词设计
Rethinking Prompt Design for Inference-time Scaling in Text-to-Visual Generation
把推理时扩展从「多采样视觉结果」扩展到「同步改写提示词」，并给出元素级事实校验器作为对齐反馈信号；做文生图/文生视频时可直接复用该「生成—诊断失败模式—重写提示词—再生成」的闭环，替代单纯增加采样步数或随机种子。
重新思考位置嵌入：作为多参考与多镜头视频生成的上下文控制器
Rethinking Position Embedding as a Context Controller for Multi-Reference and Multi-Shot Video Generation
将位置编码作为额外的上下文控制信号，在语义检索之外实现 token 级精确匹配，可缓解多参考图像外观高度相似时的参考混淆问题，为多参考、多镜头视频生成中的角色一致性控制提供可复用思路。
重新审视位姿先验与几何不确定性下的 3D 高斯泼溅位姿精化
Rethinking Pose Refinement in 3D Gaussian Splatting under Pose Prior and Geometric Uncertainty
把 3DGS 位姿精化中的位姿先验不确定性与重建几何不确定性显式建模，用蒙特卡洛位姿采样加 Fisher 信息加权 PnP 来稳定优化，可直接用于任何基于可微渲染的相机重定位流程，无需重训练。
重新思考无人机跟踪中的遮挡建模
Rethinking Occlusion Modeling for UAV Tracking
把遮挡从随机 dropout 重新建模为受空间依赖约束的结构化过程，并用聚类生成密度自适应的遮挡模式做训练增强；同时用深度相关的先验动态调整 Transformer 推理深度，这套「结构化遮挡增广 + 代价感知早退」可直接迁移到其他单流跟踪器或需要部分可见性鲁棒性的检测/分割模型。
从Gromov-Wasserstein距离视角重新思考VLM中的模型选择
Rethinking Model Selection in VLM Through the Lens of Gromov-Wasserstein Distance
提出一种仅需推理的指标（Gromov-Wasserstein距离）来预测视觉编码器与LLM对齐后的VLM性能，可用于在完整训练前高效筛选视觉编码器，避免盲目选择大模型或高零样本精度的编码器。
重新审视 MLLM 自身作为分割器：仅用一个分割嵌入
Rethinking MLLM Itself as a Segmenter with a Single Segmentation Token
对做分割的研究者，这篇给出了一个可复用的思路：把 MLLM 的压缩图像特征与原始分辨率残差特征融合，并用像素反洗牌放大细节，再通过双通路注意力掩码让单个分割 token 直接输出掩码，从而省掉 specialist mask decoder。
重新审视图像质量评估中的知识迁移：感知偏好结构对齐视角
Rethinking Knowledge Transfer in Image Quality Assessment: A Perceptual Preference Structure Alignment Perspective
对做IQA或任何需要跨数据集迁移的视觉任务，PPR/PPC提供了一种无需训练、可解释的源数据筛选准则：用视觉特征与质量分数的相关性刻画数据集特有的偏好结构，再据此挑选与目标域偏好结构一致的源样本，可直接用于跨域微调前的数据选择。
重新思考基于视觉语言模型的机器人操作的中间表示
Rethinking Intermediate Representation for VLM-based Robot Manipulation
把中间表示拆成「操作词表 + 语法」的思路，以及用上下文学习做开放词表部件级分割（杯柄、壶口）的范式，可直接迁移到需要细粒度部件定位的具身操作与视觉定位任务中。
重新审视字体生成中的字形空间信息
Rethinking Glyph Spatial Information in Font Generation
把字形中的「形状」与「位置」显式解耦，并在像素空间分两阶段（低分辨率风格迁移 + 高分辨率细节增强）建模，这一思路可迁移到任何需要保留结构空间先验的少样本生成任务，如手写体合成、场景文字编辑与布局可控生成。
重新审视基于扩散模型的视频超分辨率：利用对齐特征提供稠密引导
Rethinking Diffusion Model-Based Video Super-Resolution: Leveraging Dense Guidance from Aligned Features
论文指出在特征域而非像素域做相邻帧信息补偿更有效，并给出「上采样分辨率下做warp更能保留高频但收益非单调」的实证结论；做视频复原/时序条件扩散的人可直接复用其光流引导warp模块与特征级时序条件注入方式，替代常见的像素域对齐+拼接。
重新审视数据集蒸馏：关于软标签的硬真相
Rethinking Dataset Distillation: Hard Truths about Soft Labels
论文揭示了软标签评估下数据集蒸馏方法性能饱和的问题，并提出计算感知的样本难度选择指标 CAD-Prune 与对齐方法 CA2D，为视觉数据高效训练提供了可复用的样本筛选与评估协议。
重新审视跨模态锚框对齐以缓解误差累积
Rethinking Cross-Modal Anchor Alignment for Mitigating Error Accumulation
针对跨模态匹配中干净锚框对也会累积误差的问题，用傅里叶变换压制非关键细粒度扰动、以角度一致性重估软标签，可直接迁移到图文检索与跨模态对齐训练中抑制噪声累积。
重新审视概念瓶颈模型：从缺陷到解决方案
Rethinking Concept Bottleneck Models: From Pitfalls to Solutions
为基于概念的预测提供可复用的评估与改进框架：用熵指标预评估概念集与数据集的匹配度，在概念激活与分类器之间插入非线性层以消除线性绕过问题，并用线性教师探针引导的蒸馏损失缩小与黑箱模型的精度差距；同时系统分析不同视觉编码器与 VLM 对精度和可解释性的影响，可直接用于构建可解释的图像分类流程。
重新审视相机选择：机器人操作中鱼眼相机特性的实证研究
Rethinking Camera Choice: An Empirical Study on Fisheye Camera Properties in Robotic Manipulation
对做具身视觉的人，这篇给出了腕部鱼眼相机在模仿学习中的系统性选型依据：宽视场提升空间定位但依赖场景视觉复杂度，且跨相机迁移失败的主因是尺度过拟合，可用随机尺度增强（RSA）缓解——这提示视觉骨干的尺度不变性设计对策略泛化至关重要。
重新审视框监督：无偏的弱监督医学图像分割
Rethinking Box Supervision: Bias-Free Weakly Supervised Medical Segmentation
把边界框监督中的框形偏置显式建模为「掩码→框」对齐变换，并配合多尺度一致性自监督，这套训练期即插即用模块可直接迁移到任何只有框标注的密集预测任务（如病灶分割、伪装目标分割），且推理零开销。
重新审视多标签图像识别微调中的 BCE 损失
Rethinking BCE Loss for Multi-Label Image Recognition with Fine-Tuning
针对 CLIP 提示词微调做多标签识别时 BCE 监督导致的置信度失准问题，提出用类别协方差正则把预测的类别置信度协方差结构对齐到预训练文本嵌入的语义相关性上，可作为即插即用的正则项用于任何基于 CLIP 的多标签/多类别微调流程，改善校准而不损精度。
重新审视非对称量化：视觉模型权重中的隐藏对称性
Rethinking Asymmetric Quantization: Hidden Symmetry in Vision Model Weights
对需要在边缘/FPGA上部署视觉模型的读者，DASQ 给出了一条可复用的权重分解思路：先用稀疏分量剥离少量离群值，使剩余稠密权重近似对称，从而用无零点的对称量化替代非对称量化，在分类、检测、实例分割上同时降低 BOPs 与硬件开销。
重新审视2D-3D配准：一种用于高价值区域选择与表征一致性对齐的新网络
Rethinking 2D-3D Registration: A Novel Network for High-Value Zone Selection and Representation Consistency Alignment
用强化学习解决高价值匹配区域选择不可微的问题，并用三阶段（理解-协调-加速）做图像纹理与点云结构间的区域表征对齐，可直接迁移到跨模态配准与稠密对应任务中抑制非重叠区域误匹配。
RetFormer：用于增强图像识别的多模态检索
RetFormer: Multimodal Retrieval for Enhancing Image Recognition
将外部多模态知识库与检索交叉融合模块引入视觉识别，为长尾分布和噪声标签下的图像分类提供了一种不依赖增大模型参数的增强思路。
复原、评估、重复：面向迭代图像复原的统一框架
Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration
把 IQA 作为复原流程中的评估环节嵌入潜空间，形成「复原—评估—再复原」的迭代闭环，可复用于处理未知或复合退化的 all-in-one 复原模型设计，并避免图像/文本解码带来的延迟与信息损失。
先复原文本、后增强图像：字形结构引导的两阶段场景文本图像超分辨率
Restore Text First, Enhance Image Later: Two-Stage Scene Text Image Super-Resolution with Glyph Structure Guidance
把「先恢复字形结构、再用结构引导整图超分」的解耦范式引入文本图像复原，可直接复用于场景文本识别前的预处理，或迁移到文档、车牌等含强结构先验的低质图像增强任务。
通过互补持续评论家解决强化学习中的稳定性-可塑性困境
Resolving the Stability-Plasticity Dilemma in Reinforcement Learning via Complementary Continual Critics
对做视觉RL的人，可复用其「双评论家+交叉注意力融合」架构：用CBP维持表征可塑性、用EWC维持稳定性，并按观测特征动态加权两路价值估计，直接缓解非平稳视觉输入下的表征漂移与策略退化。
解决文生图生成中的身份危机
Resolving the Identity Crisis in Text-to-Image Generation
用 GRPO 加组合式奖励（人脸相似度惩罚、跨样本身份重复惩罚、人数计数约束）微调 flow-matching 文生图模型，为多人物生成中的身份坍缩提供了一套无需真实数据的可复用后训练范式。
破解证据稀疏：面向长文档理解的智能体上下文工程
Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding
对做多模态长文档问答的研究者，这篇提供了一个可复用的「检索后二次精炼」范式：用多个智能体在检索到的页面里筛出表格、图表等显著视觉证据，再蒸馏成证据密集的多模态上下文喂给 VLM，可直接迁移到多页文档 VQA 与图表理解流程中。
通过噪声对齐解决扩散桥中的端点欠拟合问题
Resolving Endpoint Underfitting in Diffusion Bridges via Noise Alignment
扩散桥模型中目标端点附近的欠拟合问题被揭示，并通过噪声对齐映射解决，可直接用于改进图像复原和翻译任务中的扩散桥训练。
基于 SuperFrusta 的三维形状残差基元拟合
Residual Primitive Fitting of 3D Shapes with SuperFrusta
SuperFrustum 用 8 个参数即可表达圆柱、球、锥及其锥化与弯曲变体，且其 SDF 对参数几乎处处可微，可直接作为可微基元嵌入任何基元拟合或形状程序学习流程；ResFit 的「全局分析 + 残差迭代拟合」范式也可迁移到点云/网格的紧凑结构化重建。
用于图像复原的残差扩散桥模型
Residual Diffusion Bridge Model for Image Restoration
把扩散桥的SDE前向/反向过程写成解析形式，并用残差调制噪声注入与去除，使退化区域被复原、未退化区域不被破坏——这套「按残差自适应加噪」的机制可直接迁移到去噪、去雨、超分等任意配对复原任务，也给出了现有桥模型的统一数学框架。
残差解码：通过历史感知残差引导缓解大型视觉语言模型的幻觉
Residual Decoding: Mitigating Hallucinations in Large Vision-Language Models via History-Aware Residual Guidance
ResDec 是一种免训练的解码策略，利用 LVLM 内部词元 logits 的演化历史来校正语言先验带来的偏置；做视觉问答或多模态生成时可直接套用到现有模型的解码阶段，无需重训即可提升视觉 grounding、减少物体幻觉。
残差解码器适配器：面向自回归文本渲染的ID保持分词器适配
Residual Decoder Adapter: ID-Preserving Tokenizer Adaption for Autoregressive Text Rendering
提出一种后置适配器，在不改变分词器词元空间和自回归模型的前提下，通过残差分支增强解码器输出，从而提升文本渲染质量；该思路可复用于其他需要提升分词器重建细节的生成任务。
残差连接损害生成式表征学习
Residual Connections Harm Generative Representation Learning
对 MAE、扩散模型等生成式表征学习框架，把残差恒等捷径的权重随深度单调衰减，可显著提升线性探测精度与生成质量；做自监督预训练或扩散骨干网络时，这是一个几乎零成本、可直接替换的架构改动。
ResiHMR：面向截肢个体的残肢感知单图像三维人体网格恢复
ResiHMR: Residual-Limb Aware Single-Image 3D Human Mesh Recovery for Individuals with Limb Loss
针对非标准肢体解剖结构，提出拓扑自适应优化和显式残肢终止几何重建，可推广到其他固定拓扑模型难以表示的人体形态（如截肢、先天畸形）的单图像三维重建任务。
ResDiT：激发扩散 Transformer 内在的分辨率可扩展性
ResDiT: Evoking the Intrinsic Resolution Scalability in Diffusion Transformers
对做 DiT 高分辨率生成的人，这篇给出了免训练的分辨率外推方案：修正位置编码在分辨率变化下的外推误差，并用基分辨率局部注意力做细节增强，可直接套用到 SD3/FLUX 类 DiT 的高分辨率推理与空间可控生成。
ResCa：面向扩散 Transformer 加速的残差缓存
ResCa: Residual Caching for Diffusion Transformers Acceleration
把「代理去噪」思路用于扩散 Transformer 的推理加速：在每个轨迹聚类内只对一个代理词元做真实去噪，再用其多阶残差模拟其余词元的去噪，从而在保持自洽且更新的去噪轨迹下大幅削减 GFLOPs，可直接套用到 DiT/FLUX/视频生成模型的采样环节。
ResAD：面向端到端自动驾驶的归一化残差轨迹建模
ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving
把轨迹预测从直接回归改为「惯性参考 + 残差」的建模方式，并用逐点归一化重新加权损失，可直接迁移到任何需要长时程、非均匀误差敏感度的轨迹/位姿序列回归任务（如行人轨迹预测、视频中的运动预测）。
复用三维生成模型进行自回归布局生成
Repurposing 3D Generative Model for Autoregressive Layout Generation
把预训练 3D 扩散模型改造为自回归布局生成器，并用双引导自 rollout 蒸馏提升空间精度与推理效率，为 3D 场景合成提供了一条可复用的「生成模型复用 + 蒸馏加速」路线。
用可学习 B 样条体表示三维人脸
Representing 3D Faces with Learnable B-Spline Volumes
把 B 样条体的控制点换成高维可学习控制特征，并用小型 MLP 预测残差位移，得到一种连续、局部可编辑的三维人脸表示；可直接作为从点云或单目图像回归三维人脸的解码器，替代常用的 PCA 或线性基底。
表征引导的增量适配器微调用于预训练模型类增量学习
Representation-Steered Incremental Adapter-Tuning for Class-Incremental Learning with Pre-Trained Models
提出单一共享适配器与表征引导损失，避免类增量学习中参数随任务线性增长，并用残差自编码投影器对齐新旧任务特征分布，为视觉模型持续学习提供参数高效且表征一致的方案。
面向多维数据恢复的重参数化张量环函数分解
Reparameterized Tensor Ring Functional Decomposition for Multi-Dimensional Data Recovery
把张量环分解的因子用隐式神经表示参数化，使分解能作用于非网格数据（如点云），并通过频率域分析指出因子谱结构限制高频建模，再用「可学习潜张量×固定基」的重参数化改善训练动力学——这套思路可直接迁移到任意基于 INR 的连续信号重建与逆问题求解中。
RenderFlow：基于流匹配的单步神经渲染
RenderFlow: Single-Step Neural Rendering via Flow Matching
用流匹配把扩散式神经渲染压成确定性单步前向，并给出稀疏关键帧引导与轻量 adapter 复用同一前向模型做逆渲染（本征分解），可直接迁移到任何需要低延迟、时序一致的生成式渲染或图像到图像回归任务。
渲染即适配：面向视线估计的无监督个性化适配
Render-to-Adapt: Unsupervised Personal Adaptation for Gaze Estimation
把「用渲染器合成图像、再以预测结果作为伪标签做自监督」这套闭环，用于单用户少样本无标签的模型校准；做视线/头部姿态等细粒度人脸任务的人，可以直接把 R2A 的渲染-一致性信号搬到自己的个性化适配上，替代容易在单用户上失效的 UDA。
面向不均衡纹理的遥感图像超分辨率：一种纹理感知扩散框架
Remote Sensing Image Super-Resolution for Imbalanced Textures: A Texture-Aware Diffusion Framework
把纹理密度图同时用作扩散的空间条件、损失调制和采样调度适配器，这一「先验图三用」的思路可直接迁移到其他需要抑制生成幻觉的复原任务（如医学影像、低光照增强）。
修复跨域少样本目标检测中的目标域散光问题
Remedying Target-Domain Astigmatism for Cross-Domain Few-Shot Object Detection
针对跨域少样本目标检测中注意力分散的问题，提出中心-外周注意力精炼框架，利用类特定原型和文本语义对齐来重塑注意力，可复用于其他域适应检测任务。
RemedyGS：防御针对3D高斯泼溅的计算成本攻击
RemedyGS: Defend 3D Gaussian Splatting Against Computation Cost Attacks
针对3DGS重建流程的计算成本攻击，提出「检测器+净化器」的黑盒防御范式，并用对抗训练把净化结果拉回自然图像分布；做3DGS安全部署或需要清洗被投毒输入图像的研究者可直接复用该检测-净化两阶段结构。
重打光视频人像协调
Relightful Video Portrait Harmonization
提出基于视频扩散模型的重打光协调框架，利用去闪烁模型稳定逐帧协调结果以生成训练数据，并用非对称 alpha 掩码条件学习干净边界，可复用于视频编辑中的时序一致性与边界处理。
可重光照的全息人物：从稀疏视角捕捉并重光照动态人体表演
Relightable Holoported Characters: Capturing and Relighting Dynamic Human Performance from Sparse Views
用粗人体网格代理上的 texel 对齐 3D 高斯泼溅作为可重光照表示，并用 Transformer 单次前向隐式求解渲染方程，可迁移到稀疏视角动态人体重建与任意光照下的新视角合成。
RelightAnyone：一种泛化的可重光照 3D 高斯头部模型
RelightAnyone: A Generalized Relightable 3D Gaussian Head Model
把平面光照下的 3DGS 头部 avatar 映射到基于物理的反射率参数，使没有 OLAT 采集的主体也能重光照；对做 3DGS avatar、逆渲染与单图重建的人，这是一个可复用的两阶段训练范式与光照编码对齐思路。
Reliev3R：让前馈三维重建摆脱多视图几何标注的依赖
Reliev3R: Relieving Feed-forward 3D Reconstruction from Multi-View Geometric Annotations
用预训练单目模型的零样本相对深度与稀疏对应替代多视图几何标注，配合歧义感知相对深度损失和基于三角学的重投影损失，为前馈重建模型提供可扩展的低成本弱监督训练方案。
面向安全感知端到端驾驶的可靠策略迁移深度强化学习
Reliable Policy Transfer for Safety-Aware End-to-End Driving with Deep Reinforcement Learning
把逐边异方差不确定性与 critic 集成的不确定性信号统一接入关系图注意力、策略熵门控与迁移对齐，为视觉端到端驾驶提供了一种可复用的「控制层可靠性接口」设计；做闭环驾驶策略学习时可直接借鉴其不确定性驱动探索与少样本域迁移的做法。
面向对比多视图聚类的可靠聚类数估计
Reliable Clustering Number Estimation for Contrastive Multi-View Clustering
把「聚类数 k 未知」当作可学习变量，用簇内/簇间距离构造强化学习奖励来自动推断 k，并用成对表征差异自适应加权视图以缓解对比学习中的表征退化——这两点可直接迁移到视觉表征的无监督聚类与多视图融合流程中。
关系视觉相似性
Relational Visual Similarity
提出关系相似度这一新度量维度，并给出可操作的构建方法：用匿名化描述关系逻辑的caption微调VLM，使表征空间按关系结构而非表观属性聚类，可直接用于检索、类比推理等需要超越LPIPS/CLIP/DINO的场景。
Rel-Zero：利用图像块对不变性实现抗 AI 编辑的鲁棒零水印
Rel-Zero: Harnessing Patch-Pair Invariance for Robust Zero-Watermarking Against AI Editing
提出以图像块对之间的相对距离作为编辑不变特征来构造零水印，为视觉研究者在面对扩散编辑的内容溯源与篡改检测时提供了一个无需改动原图、可复用的结构一致性表征思路。
拒绝混合：面向高效 DLLM 推理的掩码词元快速语义传播
Rejection Mixing: Fast Semantic Propagation of Mask Tokens for Efficient DLLM Inference
ReMix 的连续混合状态与拒绝回退机制可迁移到视觉语言模型的掩码扩散解码中，用于缓解并行解码时的组合矛盾，实现免训练加速且不损失质量。
强化视频目标分割在分割之前先思考
Reinforcing Video Object Segmentation to Think before it Segments
把 GRPO 强化学习与思维链初始化引入视频推理分割，用整体奖励同时约束空间对齐与时序一致性；对做指代分割或视频 grounding 的研究者，这是一套可直接迁移的「先推理再出掩码」训练范式，也提供了抑制 LVLM 幻觉的奖励设计思路。
强化结构化思维链以提升视频理解
Reinforcing Structured Chain-of-Thought for Video Understanding
提出无需 SFT 的单阶段强化学习框架 SDRL，用「总结-思考-回答」结构化思维链和两个自监督机制（CVK 约束视觉事实一致性、DVR 按组准确率调节推理多样性）来抑制视频推理中的思维漂移；做视频 MLLM 推理增强的工作可直接复用该 GRPO 目标改造思路。
面向隐私敏感身份识别的强化引导合成数据生成
Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition
把通用域生成先验通过冷启动适配+多目标奖励（语义一致性/覆盖多样性/表情丰富度）迁移到隐私受限的身份识别域，并用动态样本筛选提升下游分类；这套「奖励引导生成+效用筛选」流程可直接复用到任何标注稀缺的视觉识别任务中做数据增广。
强化学习以学习，选举以推理：视频推理的双范式
Reinforce to Learn, Elect to Reason: A Dual Paradigm for Video Reasoning
提出一种训练时用强化学习生成结构化证据、推理时用证据加权选举的范式，可迁移到视频问答、时序定位等需要证据对齐的视觉语言任务，提升推理可靠性与可解释性。
RehearseVLA：面向 VLA 的物理一致世界模型模拟后训练
RehearseVLA: Simulated Post-Training for VLAs with Physically-Consistent World Model
用世界模型生成时序一致的未来视觉观测来替代真实环境交互，为 VLA 做安全的 RL 后训练；其中 VLM 引导的即时反射器同时充当连续奖励与动作终止判别器，这一『视觉预测+奖励/终止联合建模』思路可迁移到任何需要在线评估的视觉策略学习场景。
调控而非约束：全色锐化中复杂光谱重建的自适应引导
Regulating Rather than Constraining: Adaptive Guidance for Complex Spectral Reconstruction in Pansharpening
提出一种与架构无关的正则化引导机制，通过MixShuffle数据增强和分层注意力加权损失，可迁移到其他需要处理复杂光谱混合的低层视觉任务中。
无需配准的可学习多视图人脸稠密语义对应捕获
Registration-Free Learnable Multi-View Capture of Faces in Dense Semantic Correspondence
提出无需配准训练数据的多视图3D人脸重建框架，利用伪线性逆运动学求解器保证拓扑一致性，并用点图和法向损失替代点到面距离以稳定训练；测试时优化策略可迁移到其他前馈重建任务中提升精度。
RegionRoute：基于扩散模型的区域风格迁移
RegionRoute: Regional Style Transfer with Diffusion Model
通过将风格 token 的注意力分数与物体掩码对齐，实现无需推理时掩码的局部风格迁移；其注意力监督思路（KL 聚焦损失 + BCE 覆盖损失）可迁移到任何需要空间约束的扩散编辑任务，如局部重绘、属性编辑与个性化生成。
RegionFuse：面向红外与可见光图像融合的区域自适应像素分布学习
RegionFuse: Region-Adaptive Pixel Distribution Learning for Infrared and Visible Image Fusion
将混合专家（MoE）与区域级注意力结合，按局部像素分布动态生成融合权重，这一「区域自适应权重生成」思路可直接迁移到多曝光融合、多模态特征融合、动态卷积等需要空间自适应加权的视觉任务。
漫画线稿图像间的区域级对应预测
Region-Wise Correspondence Prediction between Manga Line Art Images
提出一种无需人工标注、基于自动生成区域对应训练的 Transformer 框架，学习抑制噪声匹配并强化结构一致性，可用于漫画线稿的跨图区域匹配与特征对齐，为线稿上色和中间帧生成等下游任务提供可复用的对应预测方法。
区域感知实例一致性学习用于微表情识别
Region-Aware Instance Consistency Learning for Micro-Expression Recognition
提出无需顶点帧标注的微表情识别范式，利用起始帧与近中值帧构建运动实例，并通过实例区域一致性模块强制相似面部激活区域的注意力一致，为细微运动分析提供了可复用的弱监督思路。
面向扩散 Transformer 的区域自适应采样
Region-Adaptive Sampling for Diffusion Transformers
对做扩散 Transformer 推理加速的人，这篇给出了一个可直接套用的免训练策略：用上一步输出判定 DiT 关注的语义区域，只对这些区域对应的词元做前向更新，其余词元复用缓存噪声，从而在 Stable Diffusion 3、Lumina-Next-T2I 上取得 2 倍以上加速；该「按区域分配更新比例」的思路可迁移到视频 DiT 与可控生成管线中。
RegFormer：面向高效弱监督人-物交互检测的可迁移关系视觉定位
RegFormer: Transferable Relational Grounding for Efficient Weakly-Supervised Human-Object Interaction Detection
RegFormer 用空间视觉定位信号作为弱监督 HOI 推理的引导，把图像级交互推理直接迁移到实例级，无需额外训练；对做 HOI、场景图或弱监督定位的研究者，这是一个可复用的「定位引导关系推理」模块，能绕开枚举实例对带来的计算开销与假阳性。
通过损失景观几何重新审视长尾学习
Reframing Long-Tailed Learning via Loss Landscape Geometry
将长尾识别中的尾部性能退化建模为持续学习中的灾难性遗忘，并利用损失景观几何（平坦极小值）来缓解；其分组知识保持与分组锐度感知模块可复用于其他存在类别不平衡或任务序列的视觉任务。
折射现实：生成含真实透明物体的图像
Refracting Reality: Generating Images with Realistic Transparent Objects
把斯涅尔折射定律作为像素级约束，在扩散采样轨迹的每一步对物体边界内外像素做 warp 与 merge，并用物体中心全景图补全不可见表面——这套「物理约束注入采样过程」的思路可迁移到任何需要几何/光学一致性的条件生成任务。
ReflexSplit：基于层融合-分离的单图反射分离
ReflexSplit: Single Image Reflection Separation via Layer Fusion-Separation
把 Differential Transformer 的注意力相消机制推广到双流分离，用跨流相减显式抑制共享结构、放大层间差异，这一思路可直接迁移到去雨、去雾、去反光等需要解耦两个叠加成分的低层复原任务。
基于联合潜扩散的单图反射分离
Reflection Separation from a Single Image via Joint Latent Diffusion
把预训练扩散模型的生成先验显式微调用于单图反射分离，并用跨层自注意力与分离式采样在扩散过程中解耦透射层与反射层；对做图像复原的人，这是一套可直接迁移到其他「多成分叠加图像分解」任务的扩散采样与潜变量优化框架。
通过强化学习精炼少步文本到多视图扩散模型
Refining Few-Step Text-to-Multiview Diffusion via Reinforcement Learning
把少步 T2MV 扩散的 RL 微调建模为联合多视图 MDP，并用自精炼采样构造优势信号、用拉格朗日对偶平衡单视图保真与跨视图一致性，可直接迁移到任何需要多输出协同一致性的少步扩散/流模型微调场景。
Refer-Agent：面向指代视频目标分割的推理与反思协同多智能体系统
Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation
把 RVOS 拆成由 MLLM 驱动的多智能体逐步推理流程，用 Questioner-Responder 反思链校验中间结果并回灌下一轮推理，配合由粗到细的帧选择与动态视觉焦点布局；这套无需微调即可接入新 MLLM 的推理框架，可直接迁移到视频问答、时序定位等需要跨帧证据聚合的视觉-语言任务。
Refacade：使用给定参考纹理编辑物体
Refacade: Editing Object with Given Reference Texture
提出基于配对3D网格渲染训练纹理移除器，并结合拼图置换破坏参考图全局布局，实现从参考物体到目标物体的局部纹理迁移；该解耦思路可复用于视频编辑中的外观控制与结构保持。
RefTon：参考人物照片辅助的虚拟试衣
RefTon: Reference person shot assist virtual Try-on
用无配对参考图（同一件衣服穿在不同人身上）替代 body parsing 与 warped mask 等结构引导，为条件生成提供纹理对齐信号；做可控人像生成或试衣时可借鉴其「参考图即条件」的简化输入范式与配套数据集构建方式。
RefAV：迈向以规划为中心的场景挖掘
RefAV: Towards Planning-Centric Scenario Mining
把「场景挖掘」形式化为基于自然语言查询的时空指代定位任务，可直接复用指代式多目标跟踪（referential MOT）的设定与评测协议；同时给出「现成 VLM 直接套用效果差」的实证，提示做视觉-语言 grounding 的研究者需要针对多智能体交互与长时驾驶日志设计专门的时序聚合与轨迹级指代建模。
Ref4D-VideoBench：面向文本到视频生成模型的四维参考式评测
Ref4D-VideoBench: Four-Dimensional Reference-Based Evaluation of Text-to-Video Generative Models
为文生视频模型提供以参考视频为时空证据的细粒度评测协议，可直接用于诊断目标行为偏差、时序不一致与常识违背等实例级问题，替代纯文本提示下的无参考打分。
重新评估CLIP中的模态内错位假设
Reevaluating the Intra-Modal Misalignment Hypothesis in CLIP
该论文对CLIP类模型嵌入空间的分析表明，跨模态对齐损失并未导致图像间距离的次优校准，因此视觉研究者无需为图像任务额外引入模态内对齐损失，可直接复用CLIP/SigLIP特征进行检索和少样本分类。
通过投毒知识库对检索增强扩散模型进行红队测试
Red-teaming Retrieval-Augmented Diffusion Models via Poisoning Knowledge Bases
针对检索增强扩散模型的黑盒后门攻击方法，通过知识库投毒和多目标优化学习触发器，可启发视觉研究者评估检索增强生成系统的安全性，并设计防御机制。
循环视频掩码自编码器
Recurrent Video Masked Autoencoders
用 Transformer 循环网络替代时空注意力做视频掩码自编码，在长时序上以线性计算代价稳定传播特征，可作为视频骨干预训练方案直接替换 VideoMAE/V-JEPA 的编码器。
基于视觉语言模型的循环推理用于估计长时程具身任务进度
Recurrent Reasoning with Vision-Language Models for Estimating Long-Horizon Embodied Task Progress
提出循环推理框架，用不断演化的思维链（CoT）记录任务分解与完成状态，迭代处理局部视频片段，避免长视频的高计算成本，为视觉语言模型在长时序视频推理中提供可复用方案。
矫正潜空间以实现生成式单图像反射去除
Rectifying Latent Space for Generative Single-Image Reflection Removal
将编辑用途的潜扩散模型改造为图像复原工具，核心思路是通过反射等变VAE对齐潜空间与反射形成的线性物理过程，并用可学习任务特定文本嵌入和深度引导早分支采样提升生成质量，为利用生成模型解决高度病态逆问题提供了可复用的潜空间结构化方法。
从单目视频中恢复物理合理的人-物交互
Recovering Physically Plausible Human-Object Interactions from Monocular Videos
把运动学估计的单目人-物交互重建结果送入物理仿真器，用强化学习策略做后处理精修，可复用于任何需要消除穿模与物体漂浮的4D重建管线；其双自更新自适应采样机制也适用于从噪声标注中挑选可靠帧做训练。
RecoverMark：面向篡改人脸定位与恢复的鲁棒水印
RecoverMark: Robust Watermarking for Localization and Recovery of Manipulated Faces
把被保护的人脸内容本身当作水印嵌入背景，并配合模拟去水印攻击的失真层与渐进式两阶段训练，使水印在全局不可见攻击下仍可提取；做篡改定位/取证或需要版权与完整性保护的视觉工作可直接复用这一「内容即水印」的鲁棒嵌入范式。
先恢复再预测：面向变长轨迹预测的渐进式回溯学习
Recover to Predict: Progressive Retrospective Learning for Variable-Length Trajectory Prediction
针对变长/不完整观测下的轨迹预测，用级联回溯单元逐步把不完整观测特征对齐到完整观测特征，并以滚动起点训练提升数据效率；该「由短到长渐进恢复」思路可迁移到任何存在观测缺失的时序视觉预测任务。
重建引导的槽课程：解决视频目标中心学习中的目标过分割问题
Reconstruction-Guided Slot Curriculum: Addressing Object Over-Fragmentation in Video Object-Centric Learning
针对槽注意力模型在视频目标中心学习中普遍存在的过分割问题，提出按重建误差逐步扩展槽容量的课程式训练策略，并配合结构感知损失与循环推理提升时序一致性；这套「按需分配表征容量」的思路可直接迁移到任何使用固定槽/查询数量的视频或图像密集预测模型（如 DETR 类查询、视频实例分割）。
使用带自突触的单个神经元重建脉冲神经网络
Reconstructing Spiking Neural Networks Using a Single Neuron with Autapses
用带时延自突触的单个LIF神经元通过时序复用实现储备池、MLP与卷积类脉冲架构，为视觉任务提供一种以时间延迟换取神经元数量与状态显存大幅下降的紧凑计算单元思路。
为开放词表稠密感知重构 CLIP
Reconstructing CLIP for Open-Vocabulary Dense Perception
对做开放词表稠密感知的人，这篇给出了如何从 CLIP 全局 cls token 的多层 value embedding 构造稠密特征、并用轻量门控模块按 head 异质性重加权以缓解空间聚合带来的语义错位的具体做法，可直接迁移到开放词表检测与分割的稠密-全局对齐流程中。
重新利用丢失的文本层用于无源跨域少样本学习
Reclaiming Lost Text Layers for Source-Free Cross-Domain Few-Shot Learning
揭示了CLIP文本编码器中间层在跨域少样本学习中的潜在价值，并提出通过层级别和编码器级别的引导来重新利用这些信息，为视觉分支在域偏移下的再学习提供了新思路。
RecTok：沿整流流的重建蒸馏
RecTok: Reconstruction Distillation along Rectified Flow
把视觉基础模型的语义蒸馏进流匹配的前向流轨迹而非潜空间，使高维视觉分词器不再受维度-生成质量权衡限制，可直接替换扩散 Transformer 的 tokenizer 以提升重建与生成质量。
RecEdit-Drive：面向自动驾驶场景的3D重建引导时空视频编辑
RecEdit-Drive: 3D Reconstruction-Guided Spatiotemporal Video Editing for Autonomous Driving Scenes
利用3D重建得到的背景结构作为扩散去噪早期的参考，并通过空间特征变形约束动态前景物体的编辑，为视频编辑中保持动态3D对象时空一致性提供了可复用的思路。
RebRL：以重平衡时间步信用强化离散视觉扩散模型
RebRL: Reinforcing Discrete Visual Diffusion Models with Rebalanced Timestep Credits
针对离散扩散（掩码生成）模型在 RL 微调时各时间步信用分配不均的问题，提出按掩码阶段重新平衡时间步权重的即插即用策略，可直接用于改进视觉生成模型的 RLHF/偏好对齐训练流程，并减少约 40% 训练步数。
基于推理驱动的图像级监督异常检测与定位
Reasoning-Driven Anomaly Detection and Localization with Image-Level Supervision
利用MLLM自回归推理过程中的注意力响应生成像素级异常图，仅需图像级监督，为视觉异常检测提供无需密集标注的新范式。
推理调色板：通过潜变量情境化为（视觉）语言模型的可控探索调制推理
Reasoning Palette: Modulating Reasoning via Latent Contextualization for Controllable Exploration for (V)LMs
为视觉语言模型提供一种在生成前对推理策略做潜变量采样的机制：从问答对均值池化嵌入经 VAE 采样潜变量，解码为可学习词元前缀拼接到提示前，可在 RL 训练中按需注入不同推理模式以提升探索多样性，可直接迁移到多模态推理与 RLHF 流程。
面向不配对测试时分布外文本-图像到视频生成的推理扩散模型
Reasoning Diffusion for Unpaired Test Time Out-of-distribution Text-Image to Video Generation
ReasonDiff 利用多模态 LLM 为不配对文本-图像输入生成逐帧叙事，并通过 AlignFormer 的多阶段时序锚框注意力预测帧级潜变量，为视频扩散模型提供结构化引导，可复用于需要跨模态时序推理的视频生成任务。
ReasonX：多模态大语言模型引导的本征图像分解
ReasonX: MLLM-Guided Intrinsic Image Decomposition
把多模态大语言模型当作感知评判器，用其输出的相对本征比较构造 GRPO 奖励，从而在无标注真实图像上微调本征分解模型；这一「MLLM 比较式监督」范式可迁移到深度、法线、反照率等任何可定义成对关系的稠密预测任务上。
ReasonMap：迈向基于交通地图的细粒度视觉推理
ReasonMap: Towards Fine-Grained Visual Reasoning from Transit Maps
ReasonMap 提供了一个需要细粒度视觉理解与空间推理的基准，可用于评估和诊断 MLLM 在视觉接地上的不足；其视觉掩码分析和强化微调基线为改进多模态模型的视觉推理能力提供了可复用的评测与训练思路。
ReasonEdit：面向推理增强的图像编辑模型
ReasonEdit: Towards Reasoning-Enhanced Image Editing Models
把冻结的 MLLM 编码器解锁为可推理模块，用「思考—编辑—反思」循环让模型理解抽象指令并自动纠错，为指令式编辑提供了一条不依赖更多配对数据、而靠推理提升精度的可复用范式。
跨层重分配注意力以减少多模态幻觉
Reallocating Attention Across Layers to Reduce Multimodal Hallucination
提出一种免训练、轻量级的注意力重分配插件，通过识别感知与推理功能头并类条件缩放其层间贡献，可直接用于缓解多模态大模型在视觉问答等任务中的幻觉，提升视觉忠实度。
Realiz3D：通过域感知学习实现照片级真实的3D生成
Realiz3D: 3D Generation Made Photorealistic via Domain-Aware Learning
通过引入协变量与小型残差适配器，将视觉域（真实/合成）从控制信号中解耦，使在合成渲染上微调的扩散生成器在施加几何、材质、视角控制时仍能输出照片级真实图像；其分层与去噪步角色分析可直接迁移到任何需要跨域控制迁移的扩散微调流程。
RealVLG-R1：面向机器人感知与操作的大规模真实世界视觉-语言定位基准
RealVLG-R1: A Large-Scale Real-World Visual-Language Grounding Benchmark for Robotic Perception and Manipulation
该工作提供了带边界框、分割掩码、抓取位姿与接触点统一标注的大规模真实场景视觉-语言定位数据集，并用强化微调让 VLM 在统一输出头下同时预测定位与抓取参数，可作为语言驱动操作与开放词表定位的联合评测基准。
RealUnify：统一模型真的从统一中获益吗？一个全面的基准
RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark
对做统一多模态模型（理解+生成）的研究者，这个基准提供了可复用的双向协同评测协议：把任务拆成理解阶段与生成阶段分别打分，能定位瓶颈是核心能力不足还是能力整合失败，可直接用来诊断自家统一模型的训练策略与归纳偏置设计。
RealBirdID：多模态大模型时代的鸟类物种识别基准
RealBirdID: Benchmarking Bird Species Identification in the Era of MLLMs
为细粒度视觉识别引入「可弃权」评测协议：模型需在不可回答样本上给出带证据的理由（如需要鸣声、图像质量低、视角遮挡），可直接迁移到其他细粒度分类或开放世界识别任务中，用于衡量模型的校准性与拒识能力，而非只测闭集准确率。
RealAppliance：让高保真家电资产可控可用，并与真实手册对齐
RealAppiance: Let High-fidelity Appliance Assets Controllable and Workable as Aligned Real Manauls
提供了100个高保真家电资产及配套基准，可用于评测多模态大语言模型在手册检索、部件定位和开/闭环操作规划上的能力，为具身操作研究提供标准化测试平台。
Real2Sim2Real：用于后节眼科手术深度估计的 RetinalDepth-64K
Real2Sim2Real: RetinalDepth-64K for Depth Estimation in Posterior Segment Ophthalmic Surgery
对做单目/立体/视频深度估计的人，这是一个可复用的合成数据生成范式：用 Blender 建模解剖结构并加入折射介质与后处理，再配合时序深度方差指标评估帧间稳定性，可直接迁移到其他缺乏深度真值的显微或内窥场景。
Real2Edit2Real：通过三维控制接口生成机器人演示数据
Real2Edit2Real: Generating Robotic Demonstrations via a 3D Control Interface
把度量尺度三维重建 + 点云编辑得到的深度图当作视频扩散的主控制信号，配合动作/边缘/射线图合成多视角操作视频，为视觉研究者提供了一个可复用的『3D 编辑→2D 生成』数据增广管线，尤其适合空间泛化场景下的策略训练。
基于验证器引导伪标签的真实世界点跟踪
Real-World Point Tracking with Verifier-Guided Pseudo-Labeling
用元模型逐帧评估多个预训练跟踪器的预测可靠性来筛选伪标签，这一思路可直接迁移到其他缺乏真值标注的视频任务（如光流、关键点跟踪）的域自适应微调中。
统一帧内帧间编码的实时神经视频压缩
Real-Time Neural Video Compression with Unified Intra and Inter Coding
提出统一的帧内/帧间编码模型与同时双帧压缩设计，可复用于视频压缩中的遮挡处理与误差传播抑制，并为实时视频传输提供高效神经编解码方案。
面向基于视觉人机交互的深度与运动融合实时多模态指尖接触检测
Real-Time Multimodal Fingertip Contact Detection via Depth and Motion Fusion for Vision-Based Human-Computer Interaction
用专用 RGB-D 数据微调现成深度估计模型，把毫米级深度误差压到 3.8 mm，从而区分悬停与真实接触；这套「小规模专用数据 + 深度模型微调」的流程可直接迁移到其他需要亚厘米精度的手部/人体交互感知任务。
基于组相对策略优化的实时长时空气质量预测
Real-Time Long Horizon Air Quality Forecasting via Group-Relative Policy Optimization
将GRPO与类别奖励、课程rollout结合，用于优化非对称代价下的时空预测，可迁移到视觉中的长时预测任务（如视频预测、气象场预测）以降低误报率。
基于参考引导深度压缩变分自编码器的实时可流式说话人肖像视频生成
Real-Time Generation of Streamable Talking Portrait Video with Reference-Guided Deep Compression VAEs
因果视频 VAE 将可变数量的参考图像作为引导，把静态外观信息从潜变量中剥离，使网络专注动态信息，这一思路可直接迁移到任何需要深度潜空间压缩的流式视频生成任务；块级自回归的 Rectified Flow Transformer 也为实时长视频生成提供了可复用的采样架构。
具有可控可压缩性与接触感知的实时动态场景渲染
Real-Time Dynamic Scene Rendering with Controlled Compressibility and Contact Awareness
把预测速度投影到显式流形先验（Helmholtz 分解、各向异性可压缩方向先验、仿射族）上，可作为动态 3DGS 中约束高斯原语运动、抑制遮挡/接触边界伪影的通用正则化手段。
阅读还是推理？面向文档OCR的格式解耦强化学习
Reading or Reasoning? Format Decoupled Reinforcement Learning for Document OCR
针对文档OCR中格式敏感文本（公式、表格）输出熵高的问题，提出基于熵的数据过滤和格式解耦奖励的强化学习微调方法，可复用于其他需要结构化输出的视觉语言模型任务。
读懂你的动作：通过预训练 AEMG 学习可泛化的动作表征
Reading Your Actions: Learning Generalizable Action Representations via Pre-training AEMG
把生理时序信号（EMG）当作「语言」来做自监督预训练的思路，可迁移到视觉-生理多模态（如可穿戴相机+肌电的手势/动作识别）中：用离散化分词器把连续信号转成结构词、再用掩码/语言建模目标预训练，从而获得跨设备、跨被试的零样本泛化表征。
ReaGEN：面向高效多模态推理的自适应结构化思维链生成
ReaGEN: Adaptive Generation of Structured Chains-of-Thought for Efficient Multimodal Reasoning
对做多模态推理的视觉研究者，这篇给出了一个可复用的思路：用 VLM 内部注意力信号衡量推理各阶段的重要性，并训练一个轻量生成器动态产出问题自适应的思维链结构，从而以单路径开销获得多路径搜索的灵活性；可直接嵌入自托管 LVLM 的推理流程以替代昂贵的测试时搜索。
ReWeaver：面向仿真就绪与拓扑准确的服装重建
ReWeaver: Towards Simulation-Ready and Topology-Accurate Garment Reconstruction
把服装从无结构表示（3DGS）转为带缝合结构与纸样拓扑的 2D-3D 结构化表示，可直接用于物理仿真与机器人操作；其 UV 空间面板/缝线预测与多视图对齐思路可迁移到其他需仿真就绪的柔性物体重建任务。
ReScene4D：演化室内三维场景的时序一致语义实例分割
ReScene4D: Temporally Consistent Semantic Instance Segmentation of Evolving Indoor 3D Scenes
针对间歇性采集的室内 3D 扫描，提出时序稀疏 4D 语义实例分割任务，通过时空对比损失和序列化实现跨观测的实例身份关联，可直接用于动态室内场景的长期建图与变化检测。
ReSAM：精炼、重查询与强化——面向遥感图像的自提示词点监督分割
ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images
把 SAM 的交互式提示词从人工输入改为自生成循环（点→伪掩码→自构框提示词→重查询），并用软语义对齐约束嵌入，这套自提示词自训练流程可直接迁移到任何缺乏密集标注的专业成像域分割任务。
ReMoT：基于运动对比三元组的强化学习
ReMoT: Reinforcement Learning with Motion Contrast Triplets
用规则化流程从视频元标注自动构造运动对比三元组，并以 GRPO 替代 SFT 训练 VLM 判别细微运动差异（如相反方向），为视频时序理解与具身/驾驶场景的时空一致性提供可复用的数据构造与强化学习后训练方案。
ReMoRa：基于精细化运动表征的多模态大语言模型用于长视频理解
ReMoRa: Multimodal Large Language Model based on Refined Motion Representation for Long-Video Understanding
用块级运动矢量作为光流式的紧凑时序代理，替代逐帧 RGB 输入，并配去噪模块提升运动表征保真度；对做长视频理解的人，这是一条把解码与序列长度成本从 RGB 帧转移到压缩域的可复用路径。
ReMoGen：通过多源数据模块化学习的实时人体交互到反应生成
ReMoGen: Real-time Human Interaction-to-Reaction Generation via Modular Learning from Diverse Data
把大规模单人动作数据学到的通用运动先验，通过独立训练的 Meta-Interaction 模块迁移到人-人、人-场景等数据稀缺的交互域，并用帧级 Segment Refinement 在在线推理时融合新观测——这套「通用先验 + 轻量域适配 + 帧级精修」的模块化范式可直接复用到实时人体动作/反应生成与虚拟人驱动。
ReMoE：面向对抗鲁棒视觉Transformer的区域混合专家
ReMoE: Region-Mixture Experts for Adversarially-Robust Vision Transformers
把 ViT 的 FFN 换成区域感知的多粒度专家层，并用注意力引导的 patch-to-region / region-to-patch 路由按空间位置激活专家，为对抗鲁棒性提供区域级归纳偏置；做 ViT 对抗防御或想把 MoE 用作结构先验的工作可直接复用该即插即用设计。
ReMatch：通过匹配提升多模态检索中的表征
ReMatch: Boosting Representation through Matching for Multimodal Retrieval
将MLLM的生成能力用于多模态检索，通过生成式匹配阶段提供实例级判别监督，增强对比学习在困难负样本上的梯度；同时使用多个可学习token生成细粒度正交嵌入，为视觉-语言检索提供可复用的训练配方。
ReManNet：面向单目3D车道检测的黎曼流形网络
ReManNet: A Riemannian Manifold Network for Monocular 3D Lane Detection
把车道几何编码成 SPD 流形上的黎曼高斯描述子，再用轻量门控与视觉特征融合，为单目 2D-to-3D 提升提供不变几何-拓扑约束；3D-TLIoU 这种基于管状邻域切片重叠的曲线级损失可直接迁移到其他曲线/线状结构（车道、血管、道路边界）的检测与对齐任务。
ReLaX：面向大型推理模型的潜空间探索推理
ReLaX: Reasoning with Latent Exploration for Large Reasoning Models
ReLaX 利用 Koopman 算子理论对 LRM 的隐藏状态动力学进行线性化建模，并提出动态谱离散度（DSD）指标来量化潜空间探索程度，为视觉-语言模型中的强化学习微调提供了一种超越词元级多样性的探索调控手段，可直接用于多模态推理任务的策略优化。
ReLaGS：关系语言高斯泼溅
ReLaGS: Relational Language Gaussian Splatting
把多视图 2D 语言特征蒸馏进高斯场景并做高斯剪枝，可在无需场景级训练的情况下得到准确的 3D 物体嵌入，为开放词表 3D 分割与关系检索提供可复用的建图流程。
ReHyAt：面向视频扩散 Transformer 的循环混合注意力
ReHyAt: Recurrent Hybrid Attention for Video Diffusion Transformers
把 softmax 注意力的保真度与线性注意力的效率结合成 chunk 级循环形式，并给出从已有双向 softmax 视频扩散模型蒸馏到混合注意力的低成本配方，可直接用于把长视频生成模型扩展到线性复杂度。
ReGenHOI：统一重建与生成以理解三维人体-物体交互
ReGenHOI: Unifying Reconstruction and Generation for 3D Human-Object Interaction Understanding
把重建与生成统一到共享的语义-几何潜变量空间，并用改造的 Gravity-Field 扩散桥精修接触几何，可直接借鉴到 3D 人体-物体交互、接触区域预测与物理可信运动生成等任务。
ReFlow：面向动态场景重建的自校正运动学习
ReFlow: Self-correction Motion Learning for Dynamic Scene Reconstruction
提出自校正流匹配机制，无需外部光流引导即可从单目视频学习3D运动，为动态场景重建提供了一种可复用的无监督运动监督范式。
ReFTA：突破张量化参数高效微调中的权重重构瓶颈
ReFTA: Breaking the Weight Reconstruction Bottleneck in Tensorized Parameter-Efficient Fine-Tuning
对需要在 ViT-Large 等大模型上做下游适配的视觉研究者，ReFTA 用张量代数消去训练时的权重重构开销，并只微调主张量分量，可在比 LoRA 少 96% 可训练参数的情况下取得更高精度，是替换 LoRA/PiSSA 的即插即用微调方案。
ReFAct：赋予多模态网络智能体视觉与上下文聚焦能力
ReFAct: Empowering Multimodal Web Agents with Visual and Context Focusing
提出 Grounding 工具进行主动视觉感知以动态过滤视觉信息，并设计基于外部记忆的 Defocus/Refocus 操作调节多模态上下文信息密度，可复用于视觉语言模型在噪声环境下的鲁棒推理。
ReDirector：用旋转相机编码生成任意长度视频重拍
ReDirector: Creating Any-Length Video Retakes with Rotary Camera Encoding
把相机位姿编码为 RoPE 相位偏移（RoCE），使视频扩散模型能泛化到训练分布外的相机轨迹与任意长度；做相机可控视频生成/重拍时可直接复用这一条件注入方式，替代外挂相机编码器。
ReCoFuse：基于复原式多模态扩散互耦的超鲁棒图像融合
ReCoFuse: Ultra-Robust Image Fusion via Restorative Multi-Modal Diffusion Reciprocal Coupling
把扩散采样过程当作多模态复原先验的载体，在每个采样时间步插入跨模态整合模块并把聚合变量回灌到各复原分支，这种「复原-融合互促」的耦合结构可直接迁移到多传感器融合、低质图像增强等需要同时去退化与信息整合的任务。
ReCALL：为基于多模态大模型的组合图像检索重新校准能力退化
ReCALL: Recalibrating Capability Degradation for MLLM-based Composed Image Retrieval
把生成式 MLLM 适配为判别式检索器时会出现细粒度推理能力退化，ReCALL 用「自引导难例挖掘 + MLLM 生成纠正指令与三元组 + 分组对比持续训练」的 diagnose-generate-refine 流程把退化能力拉回来；做多模态检索或把 MLLM 蒸馏成嵌入模型的工作可直接复用这套自举数据生成与一致性过滤机制。
ReBaPL：排斥式贝叶斯提示学习
ReBaPL: Repulsive Bayesian Prompt Learning
把提示词优化从点估计改成对多模态后验的采样，并用表征空间上的排斥力（MMD/Wasserstein）防止所有样本塌到同一模式；做视觉-语言下游适配时可直接套在现有提示学习框架上提升分布外泛化。
ReAttnCLIP：通过重新定义CLIP中的注意力实现免训练开放词表遥感图像分割
ReAttnCLIP: Training-Free Open-Vocabulary Remote Sensing Image Segmentation via Re-defined Attention in CLIP
通过重新定义CLIP的注意力矩阵（替换patch-to-patch子矩阵、优先中间层注意力、禁用[CLS]自注意力）来提升开放词表分割的patch级表征质量，该思路可迁移到其他基于CLIP的密集预测任务。
ReAlign：通过推理对齐表征实现可泛化的图像伪造检测
ReAlign: Generalizable Image Forgery Detection via Reasoning-Aligned Representation
把LLM生成的推理文本当作可蒸馏的语义监督信号，通过图文对比对齐将其迁移到轻量检测器中，为视觉取证任务提供了一条「用推理表征提升泛化性」的可复用路径，可直接用于AIGI检测与跨生成器泛化评测。
ReAG：面向知识型视觉问答的推理增强生成
ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering
对做视觉语言模型的人，这篇给出了一个可复用的多模态 RAG 流程：粗粒度+细粒度两阶段检索、critic 模型过滤噪声段落、再用强化学习让模型对检索内容做推理，可直接迁移到需要外部知识的 VQA 或 captioning 场景。
重新审视持续视觉问答：面向多模态持续学习的公平与鲁棒评测
Re-evaluating Continual VQA: Toward Fair and Robust Evaluation for Multimodal Continual Learning
对做多模态持续学习的人，这篇论文指出共享答案词表与静态答案先验会系统性高估性能、低估遗忘，并给出可复用的无偏基准构造方式（token 级不相交答案空间 + 任务内训练-测试分布偏移）；其 question-only replay 与双层蒸馏基线也可作为轻量防遗忘的对照方案。
Re-Align：面向上下文图像生成与编辑的结构化推理引导对齐
Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
将结构化思维链推理与强化学习结合，用于对齐多模态模型的理解与生成能力，可复用于需要精确遵循图文交错指令的图像生成与编辑任务。
RawMetaDiff：利用元数据引导扩散从双曝光RAW中解锁极端黑暗
RawMetaDiff: Unlocking Extreme Darkness from Dual-Exposure RAW with Meta-Guided Diffusion
利用RAW元数据引导扩散模型进行跨曝光对齐和颜色校正，为极端低光照图像复原提供可复用的生成式框架，其元数据辅助的颜色迁移和跨注意力机制可迁移到其他多帧融合任务。
面向多模态思维链的理由增强解码
Rationale-Enhanced Decoding for Multi-modal Chain-of-Thought
提供了一种推理时即插即用的解码策略：将图像条件与思维链理由条件的下一词元分布相乘，可直接套用到任意 LVLM 的多模态推理流程中，无需训练即可提升理由忠实度与答案准确率。
Rascene：利用毫米波通信信号的高保真三维场景成像
Rascene: High-Fidelity 3D Scene Imaging with mmWave Communication Signals
用毫米波 OFDM 通信信号替代相机/激光雷达做 3D 重建，其多帧空间自适应融合与置信度加权前向投影可迁移到稀疏、多径歧义观测下的点云/深度融合与位姿无关的几何一致性聚合。
RankOOD：基于类别排序的分布外检测
RankOOD - Class Ranking-based Out-of-Distribution Detection
把基础模型偏好对齐中常用的 Plackett-Luce 排序损失迁移到 OOD 检测：先用交叉熵分类器为每个 ID 类提取一个固定的类别排序，再用 PL 损失训练模型预测该排序，从而用「是否遵循排序」作为 OOD 分数，可直接替换现有分类器的置信度打分。
秩引导伪偏差学习用于鲁棒黑盒适配
Rank-Guided Pseudo-Bias Learning for Robust Black-Box Adaptation
提出一种无需访问骨干网络参数和人口统计标注的黑盒去偏框架，通过轻量适配器放大潜在虚假方向、无监督聚类生成伪偏差标签，并结合监督对比对齐与自适应边界净化表示，可直接用于冻结视觉基础模型的下游公平性提升。
随机分组胜出：重新审视视觉词元的分组策略
Random Wins All: Rethinking Grouping Strategies for Vision Tokens
用随机分组替代精心设计的词元分组策略来降低自注意力的二次复杂度，可直接替换 ViT 类骨干中的分组注意力模块，并在检测等下游任务上验证了迁移收益。
用于体三维重建的辐射网格
Radiance Meshes for Volumetric Reconstruction
用 Delaunay 四面体剖分构建常密度辐射场，使体渲染方程可被光栅化硬件精确求值，为实时新视角合成提供了一条比高斯泼溅更贴近图形管线、且可直接导出网格与支持物理仿真的表示路线。
雷达引导的多项式拟合用于度量深度估计
Radar-Guided Polynomial Fitting for Metric Depth Estimation
对做单目深度估计的人，这篇给出一个轻量后处理思路：用廉价雷达预测多项式系数，把无尺度 MDE 输出非均匀地映射到度量深度，并用一阶导数正则保证局部单调，可直接替换常见的线性 scale-shift 对齐。
RaUF：学习雷达的空间不确定性场
RaUF: Learning the Spatial Uncertainty Field of Radar
提出基于各向异性概率模型的空间不确定性场学习框架，可复用于雷达点云去噪与几何推理；双向域注意力机制利用空间结构与多普勒一致性互补抑制杂波，为多模态融合中的特征对齐提供新思路。
RaPA：通过随机参数剪枝增强可迁移目标攻击
RaPA: Enhancing Transferable Targeted Attacks via Random Parameter Pruning
提出参数级随机化（随机剪枝）作为提升对抗样本迁移性的手段，可复用于其他迁移攻击框架，尤其针对CNN到Transformer的跨架构攻击场景。
RaGS：释放 3D 高斯泼溅，融合 4D 雷达与单目线索进行 3D 目标检测
RaGS: Unleashing 3D Gaussian Splatting from 4D Radar and Monocular Cue for 3D Object Detection
将场景建模为连续高斯场，用视锥初始化与多模态迭代聚合动态分配资源到前景区域，再渲染为层级 BEV 特征；这种以高斯为中间表示、按需聚焦稀疏信息区域的做法，可迁移到其他多传感器 3D 检测与稀疏场景感知任务。
RT-Splatting：基于高斯泼溅的反射-透射联合建模
RT-Splatting: Joint Reflection-Transmission Modeling with Gaussian Splatting
把每个高斯的几何占用与光学不透明度解耦，用同一组高斯基元同时充当表面（捕捉高频反射）与体积（保留清晰透射），并配合镜面感知梯度门控抑制透射分支的误导梯度；做半透明/镜面物体重建与新视角合成时可直接复用这套表示与渲染器设计。
RS-SSM：在状态空间模型中细化被遗忘的细节以用于视频语义分割
RS-SSM: Refining Forgotten Specifics in State Space Model for Video Semantic Segmentation
把 Mamba 类状态空间模型中固定尺寸状态导致的「遗忘」显式建模为可逆的遗忘门矩阵，并用通道级幅度感知做对齐，这一「反演遗忘门补全细节」的思路可直接迁移到视频分割、视频目标跟踪等需要长时序像素级一致性的任务。
RPGFusion：4D雷达先验引导的多模态融合用于3D检测
RPGFusion: 4D Radar Prior-Guided Multi-Modal Fusion for 3D Detection
用4D雷达生成的空间置信度与深度先验图来引导图像特征采样，可缓解Lift-Splat-Shoot视角变换带来的BEV特征近密远疏问题；其稀疏到稠密的特征传播与跨模态空间对齐、语义融合模块，可直接迁移到其他稀疏传感器（LiDAR、事件相机）与相机的BEV融合检测中。
ROSE：旋转你的大语言模型使其看见
ROSE: Rotate Your Large Language Model to See
提出用旋转矩阵把视觉语义直接作用到 LLM 预训练参数上的参数空间注入方式，替代把视觉 token 拼进输入序列的做法；做视觉-语言对齐、想降低多模态上下文长度与推理成本的工作可以直接借鉴这一注入接口。
RNN 即线性 Transformer：对视觉 Mamba 模型表征潜力的深入考察
RNN as Linear Transformer: A Closer Investigation into Representational Potentials of Visual Mamba Models
把 Mamba 解释为 Softmax 注意力的低秩近似，并给出用二值分割指标定量评估激活图长程依赖能力的方法；做视觉骨干网络选型或可解释性分析时，可复用这套理论视角与评估协议。
RNED：面向医学视觉语言模型的旋转数值编码与解码
RNED: Rotary Number Encoding and Decoding for Medical VLMs
RNED 将连续数值编码为旋转矩阵作用于专用数值词元嵌入，并设计基于分数匹配的解码器，可直接用于视觉语言模型中的坐标回归、尺寸估计等连续量预测任务，替代离散化词元方案。
RMIR：一个面向推理密集型多模态图像检索的基准数据集
RMIR: A Benchmark Dataset for Reasoning-Intensive Multimodal Image Retrieval
为视觉研究者提供了一个需要复杂推理（功能、时序、因果）的多模态图像检索基准，并揭示了生成式嵌入模型在推理感知训练下的优势，可启发设计更强的推理型视觉-语言检索模型。
RMAE-ProGRess：推进非结构化环境中的语义分割
RMAE-ProGRess: Advancing Semantic Segmentation in Unstructured Environments
提出ProGRess解码器，通过渐进式跳跃融合（PLF）实现非连续特征图的自顶向下多尺度融合，并引入轻量级通道注意力门控（LCAR）和瓶颈特征融合（BFF），为语义分割解码器设计提供了可复用的模块化思路。
RLFTSim：通过强化学习微调实现真实且可控的多智能体交通仿真
RLFTSim: Realistic and Controllable Multi-Agent Traffic Simulation via Reinforcement Learning Fine-Tuning
对做自动驾驶仿真与轨迹预测的研究者，这篇给出了用强化学习微调替代开环监督训练、以低方差稠密奖励把仿真 rollout 分布对齐真实数据的具体做法，可直接迁移到自车规划器的闭环评测与可控场景生成。
RL-ScanIQA：强化学习扫描路径用于盲360度图像质量评估
RL-ScanIQA: Reinforcement-Learned Scanpaths for Blind 360deg Image Quality Assessment
将扫描路径生成与质量评估统一为端到端强化学习框架，利用PPO训练策略网络接收质量反馈，为视觉任务中模拟人类观看行为提供了可复用的范式。
RISE：基于单一静态雷达的室内场景理解
RISE: Single Static Radar-based Indoor Scene Understanding
利用多径反射作为几何线索，通过双角度建模恢复不可见结构，并用扩散框架将稀疏雷达信号转化为完整布局与目标检测，为隐私保护下的室内三维感知提供了新思路。
RINO：旋转不变的非刚性对应
RINO: Rotation-Invariant Non-Rigid Correspondences
RINONet 把基于向量的 SO(3) 不变特征学习与方向感知的复函数映射结合，直接从原始几何端到端回归稠密对应，可复用于任意姿态、部分数据、非流形网格的匹配与配准任务，省去预对齐和手工描述子。
RI-Mamba：面向鲁棒文本到形状检索的旋转不变 Mamba
RI-Mamba: Rotation-Invariant Mamba for Robust Text-to-Shape Retrieval
把旋转不变性直接做进 Mamba 状态空间模型的词元序列构造里（全局/局部参考系解耦位姿与几何 + Hilbert 排序），并用特征级线性调制回注朝向嵌入，这套线性时间、对任意朝向鲁棒的 3D 表征可直接迁移到点云分类、分割、配准等下游任务。
RHO：基于OpenStreetMap的鲁棒整体度量跨视角地理定位
RHO: Robust Holistic OSM-Based Metric Cross-View Geo-Localization
提出基于全景图与OSM的度量跨视角地理定位新设定，并设计Split-Undistort-Merge模块处理全景畸变、Position-Orientation Fusion机制融合位置与朝向，为视觉定位中全景畸变校正与多模态融合提供可复用技术。
RHINO：从单目视频重建人与新物体的交互
RHINO: Reconstructing Human Interactions with Novel Objects from Monocular Videos
用 3D-aware 基础模型为低纹理区域提供稳定 SfM 线索，再把表观运动分解为相机运动与物体运动，从而在统一世界坐标系下联合配准人、物体与场景；其带符号距离场组合式神经场与可微接触先验可直接复用于人-物交互重建与物理合理性约束。
RHCNet：面向鲁棒水下目标检测的残差引导分层校准网络
RHCNet: Residual-Guided Hierarchical Calibration Network for Robust Underwater Object Detection
针对水下图像前景-背景模糊、结构细节丢失的问题，在 ResNet-50 骨干中嵌入卷积+注意力的残差引导特征增强模块强化边缘纹理，并用自底向上语义增强与自顶向下细粒度补偿的双路径金字塔配合 K-means 引导的特征校准实现跨尺度语义一致，这套「增强+校准」组合可直接迁移到其他低对比度、模糊场景的检测器改进中。
基于 RGB-事件的行人属性识别：一个基准数据集与一个非对称 RWKV 融合框架
RGB-Event based Pedestrian Attribute Recognition: A Benchmark Dataset and An Asymmetric RWKV Fusion Framework
提供了首个大规模 RGB-Event 配对的行人属性识别数据集与基准，并给出基于 RWKV 的非对称融合基线，可直接用于研究事件相机与 RGB 的跨模态融合、低光照与运动模糊场景下的视觉识别。
RFDM：用于视频编辑的残差流扩散模型
RFDM: Residual Flow Diffusion Models for Video Editing
把 2D 图生图扩散模型改造成因果逐帧的视频编辑器，用 t-1 步预测作为条件、并让前向过程预测相邻帧残差，从而以图像级算力处理任意长度视频；这套「残差流 + 自回归条件」思路可直接迁移到其他需要变长、低算力的视频生成/编辑任务。
RF4D：面向户外动态场景新视角合成的神经雷达场
RF4D:Neural Radar Fields for Novel View Synthesis in Outdoor Dynamic Scenes
将毫米波雷达的物理功率渲染公式与神经场结合，并引入场景流模块强制时序占用一致性，为恶劣天气下的动态场景新视角合成提供了可复用的雷达-神经场建模范式。
REVIVE 3D：通过编码膨胀先验细化实现体积增强
REVIVE 3D: Refinement via Encoded Voluminous Inflated prior for Volume Enhancement
针对单张平面图像 3D 线索不足的问题，先用前景轮廓膨胀构造 Inflated Prior 恢复全局体积，再在 3D 潜变量上加噪去噪、借预训练骨干的 3D 先验细化几何；这套「先构造粗体积先验再潜空间细化」的两阶段即插即用思路，可直接迁移到单图/稀疏视角三维生成与编辑任务。
REVISOR：超越文本反思，面向长视频理解的多模态内省推理
REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding
把纯文本的自我反思扩展为跨文本与视觉片段的反思过程，并用 Dual Attribution Decoupled Reward 在 GRPO 中约束推理与所选视频证据的因果对齐；做长视频 VQA 或多模态推理的工作可以直接借用这套「视觉片段回溯 + 解耦奖励」的强化学习框架，无需额外监督微调或外部模型。
REL-SF4PASS：基于REL深度表示与球面融合的全景语义分割
REL-SF4PASS: Panoramic Semantic Segmentation with REL Depth Representation and Spherical Fusion
提出基于柱面坐标的REL深度表示和球面动态多模态融合（SMMF），为全景语义分割提供更有效的几何表征和融合策略，可迁移到其他全景感知任务。
REArtGS++：基于平面高斯泼溅与时序几何约束的泛化性关节重建
REArtGS++: Generalizable Articulation Reconstruction with Temporal Geometry Constraint via Planar Gaussian Splatting
把高斯球约束成平面片，并用泰勒一阶展开在平面法向与深度之间建立时序一致正则，从而在未见状态下也能给出几何约束；这套「平面高斯 + 时序几何约束」可直接迁移到其他需要跨状态/跨帧一致性的动态或可动场景重建任务。
REALM：面向高斯泼溅开放世界 3D 推理分割与编辑的 MLLM 智能体框架
REALM: An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian Splatting
提出全局到局部的空间视觉定位策略，利用多视角渲染与 MLLM 智能体聚合实现无需 3D 后训练的开放世界推理分割，可直接用于高斯泼溅场景的指令驱动物体定位与编辑。
REACH：面向扩散策略的显式恢复行为
REACH: Explicit Recovery Behavior for Diffusion Policies
把生成模型中的负提示思想迁移到扩散策略的动作采样上：用误差检测器识别 OOD 执行历史并构造负动作提示，从而在推理时抑制次优动作模态，这一思路可直接复用于视觉-语言-动作模型的动作去噪与采样引导。
RE-VLM：事件增强的视觉语言模型用于场景理解
RE-VLM: Event-Augmented Vision-Language Model for Scene Understanding
将事件相机作为补充模态引入视觉语言模型，通过双流编码器和渐进式训练对齐异构特征，为低光照、高动态范围等挑战性场景下的视觉语言理解提供了可复用的多模态融合方案。
RDFace：极端数据稀缺下罕见病面部图像分析的基准数据集与表型感知合成生成
RDFace: A Benchmark Dataset for Rare Disease Facial Image Analysis under Extreme Data Scarcity and Phenotype-Aware Synthetic Generation
在极端低数据条件下（每类平均 4.4 张）做细粒度面部表型分类时，可参考其用 DreamBooth/FastGAN 合成样本、再用面部关键点相似度过滤以保持表型保真度的流程，以及用视觉语言模型生成表型描述并计算报告相似度来校验合成图像语义有效性的评估思路。
RDF-MIG：一种用于掩码图像生成的鲁棒扩散框架，以增强语义分割和变化检测
RDF-MIG: A Robust Diffusion Framework for Masked Image Generation to Augment Semantic Segmentation and Change Detection
提出一种鲁棒的扩散框架，通过生成双时相变化标注和单时相分割标注的多光谱图像-掩码对来增强下游变化检测和语义分割任务；其MCRD损失和MSE一致性校准可缓解噪声累积问题，可复用于其他需要生成高质量图像-掩码对的视觉任务。
RC-NF：面向机器人操作实时异常检测的机器人条件归一化流
RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation
把归一化流的概率密度当作实时 OOD 打分器，挂在 VLA 模型（如 Pi0）后面做即插即用的异常监控与回滚/重规划触发，为视觉研究者提供了一个可复用的『生成式密度估计做机器人异常检测』范式，以及一个含三类机器人异常的仿真基准。
RAYNOVA：射线空间中的尺度-时序自回归世界建模
RAYNOVA: Scale-Temporal Autoregressive World Modeling in Ray Space
RAYNOVA 提出基于相对 Plücker 射线位置编码的各向同性时空表示，结合双因果自回归框架统一处理尺度与时间拓扑顺序，为多视角视频生成提供了一种无需显式 3D 几何先验的通用方法，可启发视觉研究者设计更鲁棒的世界模型。
面向真实智能手机超分辨率的RAW域退化模型
RAW-Domain Degradation Models for Realistic Smartphone Super-Resolution
用标定得到的设备特定模糊与噪声参数替代通用先验，把公开渲染图像 unprocess 到各手机 RAW 域构造成对训练数据，可直接迁移到其他 RAW 域复原任务（去噪、去模糊、低光增强）的合成数据构造环节。
RAVEN：面向高效逐 chirp 目标检测与分割的雷达自适应视觉编码器
RAVEN: Radar Adaptive Vision Encoders for Efficient Chirp-wise Object Detection and Segmentation
对做车载雷达感知的人，这篇给出了一个可复用的思路：用可学习的天线混合模块把虚拟 MIMO 阵列压成紧凑特征，再配合标定过的提前退出规则做逐 chirp 推理，从而在雷达帧内只用部分 chirp 就出结果；这套「按需计算」的设定可直接迁移到其他时序传感器的高效感知骨干上。
RAVEN：通过新视角合成擦除不可见水印
RAVEN: Erasing Invisible Watermarks via Novel View Synthesis
把水印去除重新表述为潜空间中的视角变换问题，并借助视角引导的对应注意力保持结构一致；这为研究水印鲁棒性提供了新的攻击范式，也提示视觉研究者：语义保持的几何变换是评估生成内容溯源方案时必须纳入的威胁模型。
RARE：学习排序与检索用于单目 3D 目标检测
RARE: Learn to RAnk and REtrieve for Monocular 3D Object Detection
把置信度估计从回归绝对分数改成学习相对排序，并用查询集显式建模单目 3D 定位的多峰分布再检索 top-1，这套「排序+检索」思路可直接迁移到其他存在病态逆问题的 3D 任务（如单目深度、6D 位姿）的置信度与多假设输出设计。
RAPID：面向高效视频扩散的跨步自适应注意力稀疏复用
RAPID: Reusing Attention Sparsity with Inter-step Adaptation for Efficient Video Diffusion
把视频扩散中 3D 注意力的稀疏模式当作可缓存的时序稳定信号：在生成早期做一次注意力块重要性估计并缓存稀疏掩码，后续步骤直接复用，从而免去逐步重算的开销；这套「一次性估计 + 跨步复用」思路可直接迁移到任何 DiT 类视频/图像生成模型的推理加速上。
RAP：面向高效 3D 高斯泼溅处理的快速前馈无渲染属性引导基元重要性分数预测
RAP: Fast Feedforward Rendering-Free Attribute-Guided Primitive Importance Score Prediction for Efficient 3D Gaussian Splatting Processing
用轻量 MLP 从高斯本征属性与局部邻域统计直接回归每个基元的重要性分数，完全绕开多视角渲染与可微光栅化，可作为即插即用剪枝模块嵌入 3DGS 重建、压缩与传输流程，替代渲染式贡献评估。
RAMEN：面向地球观测的分辨率可调多模态编码器
RAMEN: Resolution-Adjustable Multimodal Encoder for Earth Observation
将空间分辨率作为可控输出参数，使单一Transformer编码器能在推理时按需调整细节层次，为多传感器、多分辨率遥感数据的统一表征学习提供了可复用的预训练范式。
RAM：在野外恢复任意三维人体运动
RAM: Recover Any 3D Human Motion in-the-Wild
RAM 将运动感知语义跟踪器与自适应卡尔曼滤波结合，在严重遮挡下实现鲁棒的身份关联，并利用记忆增强的时序 HMR 模块注入时空先验，为野外多人 3D 人体运动捕捉提供了可复用的实时框架。
RAISE：面向免训练文本到图像对齐的需求自适应进化精修
RAISE: Requirement-Adaptive Evolutionary Refinement for Training-Free Text-to-Image Alignment
把 T2I 生成当作需求驱动的测试时搜索：用结构化需求清单驱动 VLM 验证，只在未满足项上分配提示词重写、噪声重采样与指令编辑等精修动作，可作为即插即用的免训练推理框架套到任意扩散模型上，替代固定迭代预算的 scaling。
RAID：检索增强的异常检测
RAID: Retrieval-Augmented Anomaly Detection
把 RAG 的「检索样本直接参与生成」思路搬到异常图生成上：用分层向量库检索类/语义/实例级正常模板，再用匹配代价体与引导式 MoE 抑制匹配噪声，可作为工业缺陷检测与少样本异常定位的可复用范式。
RAGTrack：基于检索增强生成的语言感知RGBT跟踪
RAGTrack: Language-aware RGBT Tracking with Retrieval-Augmented Generation
将检索增强生成（RAG）引入RGB-T跟踪，利用MLLM自动生成文本描述并构建动态知识库，通过时序语言推理增强目标建模，为多模态跟踪中的外观变化和背景干扰问题提供了可复用的语言引导思路。
RAG-TP：基于检索增强生成的车辆轨迹预测通用框架
RAG-TP: A General Framework for Vehicle Trajectory Prediction via Retrieval-Augmented Generation
把轨迹预测从依赖在线感知先验改为从结构化知识库检索历史经验，并用检索驱动的 MoE 加交叉注意力做动态融合；对做自动驾驶预测、以及想把 RAG 思路引入视觉时序任务的人，这是一个可复用的「离线知识库 + 推理时检索」范式。
RADAR：VAR的VQ-VAE解码器是加速退化恢复的好学生
RADAR: VQ-VAE Decoder of VAR is a Good Student for Restoring Against Degradation by Acceleration
针对VAR中跨尺度注意力语义偏置问题，提出语义代价感知的注意力掩码与解码器端LoRA知识蒸馏恢复，为视觉自回归生成提供可复用的加速与保真平衡方案。
RAAS：基于 GRPO 的大语言模型智能体系统架构搜索
RAAS: LLM Agentic System Architecture Search with GRPO
论文提出的「同查询候选群组对比 + 多试验聚合」稳定评估思路，可直接迁移到视觉智能体（如视觉工具调用、多模态推理流水线）的架构搜索与自动设计，缓解绝对分数受任务难度干扰的问题。
R4Det：面向高性能3D目标检测的4D雷达-相机融合
R4Det: 4D Radar-Camera Fusion for High-Performance 3D Object Detection
面向自动驾驶的多模态3D检测，其全景深度融合（绝对/相对深度互增强）与不依赖自车位姿的可变形门控时序融合模块，可直接迁移到LiDAR-相机或纯视觉BEV时序检测中，解决位姿缺失下的时序退化问题。
R4：面向视觉语言模型在 4D 时空空间中的检索增强推理
R4: Retrieval-Augmented Reasoning for Vision-Language Models in 4D Spatio-Temporal Space
把物体级语义描述锚定到度量空间与时间轴上构建可跨智能体共享的 4D 知识库，并用语义/空间/时序三路键做检索，为 VLM 在具身场景中提供免训练的长时记忆与时空推理能力，可直接迁移到导航与情景问答。
R4-CGQA：基于检索的视觉语言模型用于计算机图形图像质量评估
R4-CGQA: Retrieval-based Vision Language Models for Computer Graphics Image Quality Assessment
提出双流检索增强生成框架，利用视觉相似图像的质量描述提升VLM对细粒度图像质量的判断能力，可迁移至其他需要细粒度感知的视觉语言任务。
R3-PCQA：面向无参考三维点云质量评估的射线重投影强化方法
R3-PCQA: Ray-Reprojection-Reinforcement for No-Reference 3D Point Cloud Quality Assessment
将点云质量评估建模为多视角射线重投影加强化学习子云选择，可复用于任何需要从 2D 投影聚合 3D 结构感知的任务（如点云分割、配准中的视图聚合），其全局视图注意力聚合机制也可迁移到多视图特征融合。
R2G：从RTL到GDSII的多视图电路图基准套件
R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII
该基准将电路图表示与模型选择解耦，其多视图信息对等设计可迁移到视觉图结构任务（如场景图、点云图）中，用于系统评估表示选择对GNN性能的影响。
R2-Seg：通过解剖推理与统计拒绝实现免训练的分布外医学肿瘤分割
R2-Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection
把「LLM 解剖推理定位器官锚点 + 冻结基础模型出候选 + 双样本统计检验剔除」这套免训练流程当作通用后处理范式，可直接套到任何分割基础模型上抑制 OOD 假阳性，且与测试时增强天然兼容。
R-C2：循环一致性强化学习提升多模态推理
R-C2: Cycle-Consistent Reinforcement Learning Improves Multimodal Reasoning
用跨模态循环一致性构造无标签的密集奖励，可直接迁移到 VLM 的视觉问答与多模态推理训练中，替代投票式自一致性来抑制模态偏置。
R-4B：通过双模式退火与强化学习激发多模态大模型中的通用自动思考
R-4B: Incentivizing General-Purpose Auto-Thinking in MLLMs via Bi-Mode Annealing and Reinforce Learning
为视觉语言模型引入「按输入复杂度自动决定是否展开逐步推理」的双模式机制，配合双 rollout 强化学习策略，可直接迁移到需要兼顾精度与推理成本的 VQA、图文推理等视觉任务部署中。
R$^2$TUA：基于重建残差的针对文本-图像行人重识别的目标与非目标攻击
R$^2$TUA: Reconstruction-residual Based Targeted and Untargeted Attack Against Text-Image Person Re-Identification
提出基于重建残差的对抗扰动生成方法，利用Transformer渐进多模态融合和软截断函数，可迁移至其他跨模态检索系统的对抗攻击与鲁棒性评估。
Qwen-Image-Layered：通过图层分解实现内在可编辑性
Qwen-Image-Layered: Towards Inherent Editability via Layer Decomposition
把单张 RGB 图分解为多个语义解耦的 RGBA 图层，使编辑只需改动单个图层即可保持其余内容一致；RGBA-VAE 统一 RGB/RGBA 潜变量表示与可变层数 MMDiT 的设计，可直接迁移到需要分层表示的编辑、合成与重渲染流程。
配额校准的细粒度对齐与上下文感知边缘分布用于文本行人检索
Quota-Calibrated Fine-Grained Alignment with Context-Aware Marginals for Text-based Person Retrieval
QC-Align 提出一种无需参数、即插即用的训练正则化器，通过上下文感知的边缘分布估计和配额校准的最优传输目标，显式约束文本词与视觉区域之间的多对多匹配质量，可被复用于任何需要细粒度跨模态对齐的视觉-语言任务（如跨模态检索、图文匹配），尤其在少样本和跨域场景下提升基线性能与可解释性。
QuietPrune：面向视觉语言模型的查询引导早期词元剪枝
QuietPrune: Query-Guided Early Token Pruning for Vision-Language Models
把剪枝时机提前到 ViT 内部，并用投影器逆变换构造的 [Q-CLS] 词元为视觉词元提供文本相关性打分，这一「查询引导的早期剪枝」思路可直接迁移到任何 ViT-LLM 架构的 VLM 推理加速中，且 2x2 分组剪枝与主流视觉词元合并操作兼容。
基于记忆反馈的问题引导视觉压缩用于长视频理解
Question-guided Visual Compression with Memory Feedback for Long-Term Video Understanding
提出问题引导的多模态选择性注意力（QMSA），将上下文记忆中的历史帧反馈到当前感知，用于压缩长视频中的视觉 token；该机制可复用于任何需要长时序视觉 token 压缩的 VLM 推理流程。
QueryOcc：面向 3D 语义占用的查询式自监督
QueryOcc: Query-based Self-Supervision for 3D Semantic Occupancy
用跨相邻帧采样的 4D 时空查询直接对连续 3D 占用做自监督，配合收缩式场景表示在恒定显存下覆盖远距离区域，可替代基于 2D 渲染一致性或离散体素的监督方式，用于相机/激光雷达输入的占用学习。
QueryMe：查询驱动的多模态证据开放词表3D物体功能可供性定位
QueryMe: Query-Driven Open-Vocabulary 3D Object Affordances Grounding from Multimodal Evidence
将2D人-物交互图像投影到3D空间，并用多模态查询结构在点云中检索几何一致的功能部件，为开放词表3D功能可供性定位提供了可复用的跨模态对齐与查询机制。
Query2Uncertainty：分布偏移下3D目标检测的鲁棒不确定性量化与校准
Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift
对做3D检测部署的人，这篇给出一个可复用的后处理校准思路：直接拿DETR式检测器的潜变量object query特征拟合密度估计器，用密度值在分布偏移下同时重校准分类置信度与边界框回归不确定性，无需重训练检测器。
面向预训练模型类增量学习的量子门控任务交互知识蒸馏
Quantum-Gated Task-interaction Knowledge Distillation for Pre-trained Model-based Class-Incremental Learning
提出量子门控任务调制机制，动态建模任务嵌入间的依赖关系，并以此引导跨任务适配器的知识蒸馏，为视觉类增量学习提供了一种缓解灾难性遗忘的可复用技术路径。
从量化残差到连续提示词：面向视觉语言模型少样本类增量学习
Quantized Residuals to Continuous Prompts for Few-Shot Class Incremental Learning in Vision-Language Models
把 VLM 图文特征的残差当作补充细粒度线索的载体，并用离散码本量化残差子空间、再由分层提示词编码器解码成连续类自适应提示词，这套「残差量化→连续提示词」的接口可直接迁移到其他需要稳定+可塑的 VLM 增量适配场景。
QuantVLA：面向视觉-语言-动作模型的尺度校准训练后量化
QuantVLA: Scale-Calibrated Post-Training Quantization for Vision-Language-Action Models
为视觉-语言-动作模型提供无需训练的训练后量化方案，可复用于扩散Transformer动作头的低比特部署，并给出注意力温度匹配与输出头平衡等校准技巧。
Quant Experts：面向大型视觉语言模型量化的 token 感知自适应误差重建与混合专家
Quant Experts: Token-aware Adaptive Error Reconstruction with Mixture of Experts for Large Vision-Language Models Quantization
对需要在有限显存下部署 VLM 的视觉研究者，这篇论文给出了一个可直接套用的 PTQ 误差补偿范式：按 token 与模态区分重要通道，用共享低秩适配器加路由低秩适配器（MoE）分别补偿全局与局部量化误差，可迁移到任意 VLM 的量化部署流程中。
QuadSync：基于 Tucker 分解的四焦点张量同步
QuadSync: Quadrifocal Tensor Synchronization via Tucker Decomposition
把四焦点张量当作可同步的高阶约束，用固定多线性秩 (4,4,4,4) 的 Tucker 分解从 n 个四焦点张量一次性恢复全部相机矩阵，为全局式 SfM 提供比本质矩阵更强的初始化与优化信号；其块张量与三焦点/双焦点张量的联合同步思路可直接替换现有增量式或成对同步流程中的相机位姿求解环节。
QuCNet：量子深度学习驱动的多线路网络用于遥感图像分类
QuCNet: Quantum Deep Learning Driven Multi-Circuit Network for Remote Sensing Image Classification
把轻量卷积编码器与十六路并行四量子比特可训练量子线路组合，在仅 87K 参数下完成遥感场景分类，并给出可表达性分析与 IBM 真实量子硬件推理验证，为极低参数量、硬件可行的量子-经典混合视觉骨干提供可复用设计范式。
QVGGT：训练后量化的视觉几何基础 Transformer
QVGGT: Post-Training Quantized Visual Geometry Grounded Transformer
对需要在边缘设备部署前馈式三维重建模型的研究者，本文给出了按 Transformer 块敏感度分配精度的混合精度量化方案，以及用 PCA 全局补偿词元处理相机/寄存器离群词元的校准策略，可直接迁移到其他大规模几何 Transformer 的压缩。
QuantiPhy：评估视觉语言模型物理推理能力的定量基准
QUANTIPHY: A Quantitative Benchmark Evaluating Physical Reasoning Abilities of Vision-Language Models
该基准把 VLM 的物理理解从定性 VQA 推进到对尺寸、速度、加速度的定量数值估计，并揭示模型依赖预训练世界知识而非忠实使用视觉输入；做视频理解或多模态推理的研究者可用它诊断模型是否真正从像素中推断运动学量，也可借鉴其标准化提示与评分协议来构建数值化评测。
QD-PCQA：面向点云质量评估的质量感知域自适应
QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment
将图像质量评估的预训练先验通过无监督域自适应迁移到点云质量评估，其中排序加权条件对齐和双域增强策略可复用于其他跨模态质量评估任务。
PyramidalWan：让预训练视频模型金字塔化以实现高效推理
PyramidalWan: On Making Pretrained Video Model Pyramidal for Efficient Inference
把已预训练的视频扩散模型通过低成本微调改造成金字塔式多分辨率去噪结构，可直接复用于任何多步扩散采样器以降低推理算力；其金字塔内步数蒸馏策略对比也为少步视频生成提供可借鉴的加速路线。
PyraTok：面向视频理解与生成的语言对齐金字塔分词器
PyraTok: Language-Aligned Pyramidal Tokenizer for Video Understanding and Generation
PyraTok 把视频 VAE 的编码器特征在多个深度上用共享大码本做二值量化，并联合多尺度文本引导量化与自回归目标训练，可直接替换现有视频生成/理解管线中的离散分词器，提升跨模态对齐与零样本下游迁移。
PvP：基于本体感知-特权对比表征的数据高效人形机器人学习
PvP: Data-Efficient Humanoid Robot Learning with Proprioceptive-Privileged Contrastive Representations
把本体感知状态与特权状态做对比学习来学紧凑潜变量表征，可直接迁移到视觉-本体多模态的具身策略学习中，用来缓解部分可观测下的样本低效；其 SRL4Humanoid 框架也为表征学习与 RL 结合的消融提供了可复用基线。
以大规模多模态对应学习推进音视频感知前沿
Pushing the Frontier of Audiovisual Perception with Large-Scale Multimodal Correspondence Learning
把视频-文本对比学习扩展到音视频-文本三模态联合嵌入，并提供用大模型为亿级音视频对合成高质量描述的数据引擎；做视频理解或多模态检索时，可直接复用其十组成对对比目标与跨模态/描述类型配对的扩展策略来提升零样本迁移。
推与迈步：从基于强化学习的平衡恢复到密集人群的物理仿真
Push-and-Step: From RL-Based Balance Recovery to Physical Simulation of Dense Crowds
两阶段深度强化学习策略（参考动作预训练 + 自适应相位精修）配合物理仿真人体，可用于视觉中的人体运动生成与物理可信的多人交互仿真；其基于机械效率与碰撞风险的邻居肩部接触启发式，为视觉驱动的接触选择与力传递建模提供了可复用思路。
PureProof：抗扩散净化的大型视觉语言模型黑盒目标攻击
PureProof: Diffusion-Resistant Black-box Targeted Attack on Large Vision-Language Models
提出针对扩散净化（DBP）的黑盒目标攻击框架 PureProof，其随机反向对齐（SRA）和自适应重加噪增强（ARA）可被复用为评估视觉语言模型在扩散防御下鲁棒性的攻击基线。
PureCC：面向文本到图像概念定制的纯学习
PureCC: Pure Learning for Text-to-Image Concept Customization
提出解耦学习目标与双分支训练流程，在注入个性化概念的同时显式约束原模型行为漂移，并给出自适应引导尺度 l*；做个性化生成或微调扩散模型时可直接借鉴其「冻结提取器提供隐式引导 + 可训练流模型保留原条件预测」的结构来缓解灾难性遗忘。
Prune2Drive：面向自动驾驶视觉语言模型加速的即插即用框架
Prune2Drive: A Plug-and-Play Framework for Accelerating Vision-Language Models in Autonomous Driving
面向多视图 VLM 的即插即用视觉词元剪枝：用多样性感知选择保证跨视图语义/空间覆盖，并用视图自适应控制器按相机重要性学习剪枝比例，且不依赖注意力图、无需重训练，可直接套到自动驾驶多相机 VLM 的预填充阶段省算力。
明智剪枝，清晰重建：基于自适应剪枝与差分高斯基元的紧凑 3D 高斯泼溅
Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives
提供一种重建感知的自适应剪枝调度（依据重建质量动态决定剪枝时机与细化间隔），以及把正负密度联合建模的差分高斯基元，可直接嵌入现有 3DGS 训练管线以在保持渲染质量的同时大幅压缩高斯数量。
ProxyFL：一种代理引导的联邦半监督学习框架
ProxyFL: A Proxy-Guided Framework for Federated Semi-Supervised Learning
把分类器可学习权重当作类别代理来同时对齐客户端间与客户端内的分布，这一「代理池」思路可直接迁移到视觉中的半监督伪标签筛选与长尾/域偏移下的分类头校准。
Proxy3D：通过语义聚类与对齐为视觉语言模型构建高效三维表征
Proxy3D: Efficient 3D Representations for Vision-Language Models via Semantic Clustering and Alignment
用语义感知聚类把视频帧特征压缩成一组 3D 代理 token 替代像素对齐的视觉序列，为 VLM 提供紧凑且具空间一致性的视觉输入；做 3D 空间推理或多模态大模型视觉编码器压缩时可复用这一「聚类成代理 + 多阶段对齐」范式。
Proxy-Tuning：为多模态自回归模型定制主体驱动图像生成能力
Proxy-Tuning: Tailoring Multimodal Autoregressive Models for Subject-Driven Image Generation
用扩散模型作为「代理监督」微调多模态自回归模型，使其获得主体驱动生成能力，并揭示弱到强泛化现象；对做个性化生成的人，这是一条绕开扩散架构、把 AR 模型拉进主体定制任务的可行路径，也提示可用强模型监督弱模型来补齐架构短板。
Proxy-GS：面向结构化三维高斯泼溅训练与推理的统一遮挡先验
Proxy-GS: Unified Occlusion Priors for Training and Inference in Structured 3D Gaussian Splatting
用快速代理表示生成遮挡深度图，为高斯泼溅的训练致密化与推理剔除提供统一遮挡先验，可直接迁移到大规模场景的 LOD 与加速渲染管线中。
视觉-语言对齐辅助的原型动作推理用于第一视角动作预测
Prototypical Action Reasoning Facilitated by Vision-Language Alignment for Egocentric Action Anticipation
将无约束的时序预测转化为由视觉-语言模型学到的解耦动词/名词原型引导的条件预测，这一「语义锚点+原型检索」思路可迁移到其他高不确定性的时序预测任务（如轨迹预测、事件预测）。
面向多标签图像分类的基于原型的因果干预
Prototype-based Causal Intervention for Multi-Label Image Classification
用可学习的上下文原型在记忆库中动态建模混淆因子，仅凭图像级监督近似后门调整，为视觉分类中去除共现偏差提供了一个可复用的因果干预模块。
原型即提示：多模态情感原型赋予大语言模型执行多模态情感分析的能力
Prototype-as-Prompt: Multimodal Sentiment Prototypes Endowing Large Language Models the Capability to Perform Multimodal Sentiment Analysis
将视觉-音频特征压缩为可解释的多模态情感原型，并作为软提示注入LLM，为视觉-语言模型提供了一种参数高效且语义明确的条件控制方式，可复用于其他多模态理解任务。
扩散模型中原型引导的概念擦除
Prototype-Guided Concept Erasure in Diffusion Models
利用扩散模型文本嵌入空间的几何结构，通过聚类得到概念原型，并在推理时作为负条件信号，为概念擦除和负向引导提供了一种无需微调的通用手段，可直接迁移到其他需要抑制特定语义的生成控制场景。
Protego：面向人脸识别所致数字足迹暴露的以用户为中心的姿态不变隐私保护
Protego: User-Centric Pose-Invariant Privacy Protection Against Face Recognition-Induced Digital Footprint Exposure
面向人脸检索系统的黑盒隐私保护：把用户 3D 人脸签名压成姿态不变的 2D 表征，再按目标图像姿态/表情动态形变为自然外观的 3D 掩码，并放大 FR 模型对保护图像的敏感度使其连自身都无法匹配——这套「姿态不变签名 + 动态形变掩码」思路可直接迁移到人脸识别对抗防御与视频级隐私保护。
保护以适配：面向少样本动作识别的正交子空间控制与排序负提示词课程
Protect to Adapt: Orthogonal Subspace Control with Ranked Negative-Prompt Curriculum for Few-Shot Action Recognition
OSC 把低秩更新约束在预训练骨干网络主语义子空间的正交补上，这一做法可直接迁移到任何 VLM 微调场景（如少样本图像分类、视频检索），在适配下游任务的同时抑制灾难性遗忘；RNC 用大语言模型生成按难度排序的负提示词，为少样本 episode 中负样本不足、决策边界模糊的问题提供了一种可复用的数据构造思路。
基于单次测量的潜空间运动跟踪的前瞻式动态3D MRI重建
Prospective Dynamic 3D MRI Reconstruction via Latent-Space Motion Tracking from Single Measurement
把形变矢量场（DVF）约束在离线学到的低维潜流形上，并用三平面编码实现几何感知、显存友好的3D运动表示，这一「低维运动流形+在线快速适配」思路可迁移到任何需要从稀疏观测快速估计稠密形变的视觉任务（如动态场景重建、非刚性配准、视频形变跟踪）。
属性引导的扩散式文本到微结构生成
Property-Informed Diffusion-Based Text-to-Microstructure Generation
把文本中的语义与物理属性作为联合条件注入扩散模型，并用对比对齐加测试时奖励引导保证生成结果与提示一致，这套「属性条件 + 双重对齐」思路可直接迁移到视觉中的条件生成与可控合成任务。
PropFly：借助预训练视频扩散模型的在线监督学习传播
PropFly: Learning to Propagate via On-the-Fly Supervision from Pre-trained Video Diffusion Models
利用预训练视频扩散模型在不同 CFG 尺度下的一步干净潜变量估计，在线构造源/编辑潜变量对，从而免去成对视频编辑数据集；这一在线监督思路可直接迁移到其他需要成对数据的视频编辑或可控生成任务中。
感知证明：具备组合共形保证的可认证工具使用多模态推理
Proof-of-Perception: Certified Tool-Using Multimodal Reasoning with Compositional Conformal Guarantees
把每个感知/逻辑节点包成共形预测集，为多模态推理链提供逐步校准的不确定性，可用来决定何时追加工具调用、何时提前停止，从而抑制视觉问答中的误差累积与幻觉。
PromptStereo：通过结构与运动提示词实现零样本立体匹配
PromptStereo: Zero-Shot Stereo Matching via Structure and Motion Prompts
将单目深度基础模型的解码器改造为提示词引导的迭代细化模块（PRU），把单目结构线索与立体运动线索作为提示词注入潜变量，为立体匹配的迭代阶段提供可复用的零样本泛化增强手段。
PromptMoE：利用混合专家改进提示的分割细化框架
PromptMoE: A Segmentation Refinement Framework Leveraging Mixture of Experts for Improved Prompting
把 MoE 与动态专家选择引入提示词生成环节，用图像+粗掩码预测专家得分图并自适应放置点提示词，可作为即插即用的分割细化模块，替换 CascadePSP/SegRefiner 类固定提示规则，对医学、质检等边界敏感场景的掩码后处理有直接复用价值。
PromptLoop：基于潜变量反馈的即插即用提示词精炼框架，用于扩散模型对齐
PromptLoop: Plug-and-Play Prompt Refinement via Latent Feedback for Diffusion Model Alignment
把提示词精炼做成逐步闭环的 RL 策略：用 MLLM 读取扩散模型中间潜变量并逐步改写提示词，从而在不改权重的前提下实现奖励对齐，可直接迁移到文生图/编辑的偏好优化与少步采样场景。
PromptEnhancer：通过细粒度奖励优化重写器以提升文本到图像生成
PromptEnhancer: Taming Your Rewriter for Text-to-Image Generation via Fine-Grained Reward
提出可插拔的提示词重写框架，通过监督微调与基于细粒度奖励模型的强化学习优化重写器，可提升任意预训练T2I模型对复杂提示词的遵循能力，为改善文生图对齐提供通用后处理方案。
PromptDepth：面向具身智能的高效可提示几何三维视觉模型
PromptDepth: Efficient and Promptable Geometric 3D Vision Model for Embodied Intelligence
PromptDepth 将深度估计与实例级分割统一到一个前馈网络中，通过提示（prompt）灵活切换全景/实例/跟踪深度图输出，为具身智能提供实时 3D 感知与交互能力；其 ILDS 损失和 Gram Anchoring 技术可缓解密集与离散表示冲突，可复用于其他多任务密集预测模型。
面向遥感开放世界检测的无提示未知标签生成
Prompt-Free Unknown Label Generation for Open World Detection in Remote Sensing
提出无需外部提示的未知类别发现与语义标注框架，利用层次语义图与场景上下文合成文本嵌入，可直接用于开放世界检测器的词汇扩展与自主标注。
无提示通用区域提议网络
Prompt-Free Universal Region Proposal Network
提出一种无需图像/文本提示的通用区域提议网络，用可学习查询嵌入配合稀疏图像感知适配器与级联自提示完成潜在目标定位，可直接迁移到水下、工业缺陷、遥感等域外检测场景而无需微调，为开放场景下的类无关提议生成提供了可复用范式。
提示词锚定的视觉-文本蒸馏用于终身行人重识别
Prompt-Anchored Vision-Text Distillation for Lifelong Person Re-identification
将预训练视觉-语言模型中冻结的文本编码器作为跨域语义锚点，通过提示词蒸馏与自适应提示池实现无样本回放的终身行人重识别，为视觉领域的持续学习提供了一种利用辅助模态稳定语义的通用思路。
自我提示：唤醒一维视觉分词器中的文本语义
Prompt Yourself: Awakening Textual Semantics in 1D Visual Tokenizers
提出一种自提示训练范式，在训练时同时生成视觉与文本词元并对齐到预训练语言模型，从而将语言语义注入1D视觉分词器，提升细粒度图像编码能力；该思路可复用于改进其他视觉分词器或生成模型的表征质量。
ProjFlow：基于流匹配的投影采样实现零样本精确空间运动控制
ProjFlow: Projection Sampling with Flow Matching for Zero-Shot Exact Spatial Motion Control
把线性空间约束下的采样建模为线性逆问题，并用编码骨架拓扑的运动学感知度量做投影，这一免训练采样器思路可迁移到视觉中的轨迹/关键点/姿态等结构化输出的可控生成与补全。
ProgressiveAvatars：渐进式可动画三维高斯化身
ProgressiveAvatars: Progressive Animatable 3D Gaussian Avatars
把 3D 高斯挂在模板网格的面局部坐标上，并用屏幕空间误差驱动隐式细分，得到可按带宽增量加载、逐级渲染的可动画化身；这套「层次化高斯 + 面局部参数化」思路可直接迁移到任意可形变物体的流式传输与 LOD 渲染。
渐进式超网络训练用于高效视觉自回归建模
Progressive Supernet Training for Efficient Visual Autoregressive Modeling
提出一种基于超网络的动态深度调整方法，通过渐进式训练策略在单个模型内实现不同深度的子网络，从而在视觉自回归生成中大幅减少KV缓存和推理时间，为资源受限场景下的高效生成提供了可复用的技术方案。
渐进式神经架构生成
Progressive Neural Architecture Generation
对做视觉模型设计的读者，PNAG 提供了一种用多尺度子架构量化加逐步一致性约束来直接生成有效架构的范式，可替代贝叶斯优化中的随机采样环节，把架构搜索的生成时间降低约 1300 倍，并可直接生成 Transformer 类视觉骨干。
面向未对齐 RGBT 跟踪的渐进式多线索对齐
Progressive Multi-cue Alignment for Unaligned RGBT Tracking
把跨模态对齐参数（中心偏移、尺度变换、全局精修）拆成渐进三阶段，并用难度感知路由器按对齐复杂度选择专家，这套「渐进解耦 + 动态选专家」的思路可直接迁移到其他存在空间错位的多模态/多传感器融合任务（如可见光-深度、可见光-事件相机跟踪）。
渐进式掩码蒸馏用于自监督视频表征
Progressive Mask Distillation for Self-supervised Video Representation
把「由易到难」的课程式蒸馏引入掩码视频建模：用低掩码率学生模型的知识去指导高掩码率学生模型，并配合区域级损失加权与跨层特征对齐，可直接迁移到任何 MAE 类视频/图像预训练框架中提升高掩码率下的细节重建。
从渐进猜测到固定点：用深度平衡模型重新思考人体运动预测
Progressive Guessing to Fixed Point: Rethinking Human Motion Prediction with Deep Equilibrium Models
将多阶段渐进细化重构为隐式层的固定点问题，用深度平衡模型实现无限次细化但仅需O(1)训练内存，并利用等变几何变换和热启动复用推理计算，为视觉序列预测任务提供高效框架。
渐进式跨模态因果干预用于长时动作识别
Progressive Cross-Modal Causal Intervention for Long-Term Action Recognition
将因果推断中的前门调整和反事实干预引入视觉语言模型，用于去除长时动作识别中的视觉混淆和动作共现幻觉，为视频理解中的跨模态对齐提供可复用的去偏框架。
Progress-Think：面向视觉语言导航的语义进度推理
Progress-Think: Semantic Progress Reasoning for Vision-Language Navigation
把「指令执行到哪一步」显式建模为语义进度状态，并用视觉历史与指令前缀的可微对齐自举出该状态，再注入策略上下文——这套进度表征可直接迁移到任何长程视觉-语言序列决策任务（如视频指令跟随、具身操作），也可作为VLA模型的辅助推理头。
分块推进：面向自回归图像生成的测试时扩展
Progress by Pieces: Test-Time Scaling for Autoregressive Image Generation
把 LLM 的 test-time scaling 思路迁移到视觉自回归模型：用网格分区的渐进式生成 + 早期剪枝 + 锚点固定，替代 Best-of-N 的全长浪费计算，可直接用于提升任意栅格扫描式 AR 图像生成器的采样质量与成本比。
ProgTrack：一种基于渐进匹配策略的多目标跟踪算法
ProgTrack: A Multi-Object Tracking Algorithm with Progressive Matching Strategy
针对无人机视角下的多尺度目标、遮挡、镜头抖动和高相似度目标等挑战，提出分阶段渐进匹配策略，可复用于其他跟踪场景中的困难样本匹配与外观-运动融合。
ProcessMaker：基于扩散 Transformer 的自适应序列步骤通用过程可视化框架
ProcessMaker: A Generalized Process Visualization Framework with Adaptive Sequence Steps on Diffusion Transformers
把 DiT 的泛化能力用于多步过程序列生成，用自监督表征对齐替代多专家网络、用稀疏掩码做域区分、用滑动窗口动态决定生成步数，这套「单模型多域+自适应步数」思路可迁移到需要变长生成轨迹的视觉生成任务。
探测并桥接视觉基础模型中可供性推理的几何-交互线索
Probing and Bridging Geometry-Interaction Cues for Affordance Reasoning in Vision Foundation Models
对做视觉研究的人，这篇论文提供了一种无需训练、零样本的可供性估计思路：把 DINO 的部件级几何原型与 Flux 的动词条件空间注意力图直接融合，可作为视觉基础模型内部表征探测与多模态先验组合的通用手段。
面向统一图像美学与质量评估的概率提示词适配
Probabilistic Prompt Adaptation for Unified Image Aesthetics and Quality Assessment
把「提示词选择」建模为对 LLM 预采样提示词集合的混合分布并做边缘化，使视觉语言模型能在只有 (任务, 图像, 分数) 三元组、无标注的情况下适配任意文本提示词；做文本条件评分或提示词敏感任务时可复用这一概率化提示词适配思路。
基于整流流 Transformer 的概率性降水临近预报
Probabilistic Precipitation Nowcasting with Rectified Flow Transformers
把 rectified flow transformer 用在潜空间视频预测上，并用逐帧编码器加统一解码器保证时序一致性；这套「保留不确定性的第一阶段压缩 + 潜空间流匹配生成」可以直接迁移到视频预测、时空序列生成等视觉任务，测试时扩展带来的增益也值得在视觉生成里复现验证。
面向路侧激光雷达场景补全的概率差异学习
Probabilistic Discrepancy Learning for Roadside LiDAR Scene Completion
用扩散模型在概率位姿校正后做全场景点云补全，并设计区域/全局采样差异损失，可迁移到固定视角遮挡下的点云补全与多模态融合感知。
面向多模态虚假信息检测的概率概念图推理
Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection
把多模态虚假信息检测重构为「概念图构建 + 图上的层次化注意力推理」，并用 MLLM 自动发现与验证高层概念节点，这条「先建图后推理」的范式可迁移到需要可解释证据链的图文一致性判断任务（如图文匹配、事实核查、caption 幻觉检测）。
ProactiveMobile：面向移动设备主动式智能增强的综合基准
ProactiveMobile: A Comprehensive Benchmark for Boosting Proactive Intelligence On Mobile Devices
为视觉语言模型提供了一个可执行、可客观评测的主动式移动端任务基准：模型需从屏幕截图等设备上下文信号中推断潜在用户意图，并输出由 63 个 API 组成的可执行函数序列，可直接用于评测 VLM 的意图推理与工具调用能力。
ProSoftArena：在专业软件环境中基准测试多模态智能体的分层能力
ProSoftArena: Benchmarking Hierarchical Capabilities of Multi-modal Agents in Professional Software Environments
为视觉-语言-动作智能体在专业软件中的操作能力提供了首个五级能力层级和可执行评估环境，其基于执行的评估框架和人机协同效率量化方法可直接用于评测GUI智能体在真实软件工作流中的表现。
ProPhy：面向动态世界模拟的渐进式物理对齐
ProPhy: Progressive Physical Alignment for Dynamic World Simulation
将视觉语言模型的物理推理能力通过渐进式对齐迁移到视频生成模型中，并利用混合物理专家机制实现细粒度物理条件控制，为物理一致的视频生成提供了可复用的技术路径。
ProOOD：原型引导的分布外3D占用预测
ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction
面向自动驾驶3D占用预测的免训练OOD打分（局部logit一致性与局部/全局原型匹配融合）与原型引导的尾部类挖掘，可直接迁移到其他密集预测任务的异常检测与长尾校准中。
ProM3E：面向生态学的概率掩码多模态嵌入模型
ProM3E: Probabilistic Masked MultiModal Embedding Model for Ecology
在嵌入空间做掩码模态重建、支持任意模态到任意模态的生成与模态反转，这种「学什么该融合」的概率式融合思路可直接迁移到视觉-文本-音频等多模态检索与缺失模态补全任务。
ProFocus：视觉语言导航中的主动感知与聚焦推理
ProFocus: Proactive Perception and Focused Reasoning in Vision-and-Language Navigation
将全景观测转成结构化自我中心语义地图，并由 LLM 编排智能体主动发起带焦点区域的视觉查询，这一「主动感知 + 定向取景」的闭环可直接迁移到任何需要从冗余全景/多视角输入中按需取景的具身导航或主动视觉任务；BD-MCTS 从大量历史候选中筛出 top-k 高价值路点再做聚焦推理，也为长时序视觉历史的高效利用提供了可复用策略。
PrivateEyes：面向数据共享的注视保持匿名化
PrivateEyes: Gaze-Preserving Anonymization for Data Sharing
用分割掩码与眼姿态作为条件驱动扩散模型合成匿名化眼图，在保留注视方向的同时破坏虹膜身份特征，为隐私敏感场景下的条件生成与身份-任务解耦提供了可复用的三阶段范式。
PrivSynth：面向合成数据隐私与效用的交替式与控制论优化
PrivSynth: Alternating and Control-Based Optimization for Privacy and Utility in Synthetic Data
把合成数据生成建模为隐私-效用的双目标优化，并用离散时间最优控制（PMP）求解数据选择参数，为视觉研究者提供了一套可复用的、在生成模型训练中显式抑制成员推理与重建泄露的优化框架。
面向视觉语言模型越狱防御的零空间投影原则性引导
Principled Steering via Null-space Projection for Jailbreak Defense in Vision-Language Models
把零空间投影引入激活引导：在良性子空间内保持零扰动、仅在潜在有害方向上诱导拒答，为视觉语言模型的推理期安全对齐提供了一个可复用、有理论保证的干预手段，可直接迁移到其他多模态模型的安全加固。
一次预热，本地重编程：黑盒服务模型适配的高效替代方案
Prime Once, then Reprogram Locally: An Efficient Alternative to Black-Box Service Model Adaptation
对做视觉模型部署与迁移的研究者，这篇给出了一个可复用的范式：先用少量 API 调用把本地预训练编码器「预热」成可接收黑盒模型知识的代理，再在本地做白盒重编程，从而把黑盒适配的调用成本压到近乎为零；其轻量层预热 + 本地重编程的两阶段流程可直接套用到 VLM 或标准视觉模型的下游任务适配中。
PriVi：面向野外灵长类行为的通用视频模型
PriVi: Towards a General-Purpose Video Model for Primate Behavior in the Wild
把 V-JEPA 这类视频自监督模型在领域数据（灵长类野外视频）上做继续预训练、再用冻结分类器评估的范式，可直接迁移到其他缺乏标注的细粒度视觉领域（动物行为、生态监测、医学视频），并给出了「领域级预训练」在标签稀缺时优于全量微调的经验证据。
Pressure2Motion：文本引导下基于地面压力的分层人体运动重建
Pressure2Motion: Hierarchical Human Motion Reconstruction from Ground Pressure with Text Guidance
把地面压力垫当作无摄像头、保护隐私的人体运动捕捉信号，用文本提示词消解压力到全身运动的不确定性；其分层扩散框架（先粗轨迹后细姿态）与双级压力特征提取器可迁移到其他欠定模态（如触觉、雷达）驱动的人体姿态估计。
保留源视频真实感：面向电影级画质的高保真换脸
Preserving Source Video Realism: High-Fidelity Face Swapping for Cinematic Quality
把参考引导图像编辑中的「参考图注入属性」思路迁移到视频换脸：用关键帧作为身份条件信号、用源视频作为参考引导，并通过时序拼接保证长视频的身份稳定与高保真重建，为长视频可控编辑提供了可复用的条件注入与时序缝合范式。
Premier：文本到图像生成中基于可学习用户嵌入的个性化偏好调制
Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation
把用户偏好编码为可学习嵌入，并通过适配器与文本提示融合后调制扩散生成过程，为个性化文生图提供了一种无需 MLLM 推断提示的轻量条件控制路径；分散损失强制不同用户嵌入分离的思路也可迁移到多概念定制化生成。
面向大型视觉语言模型幻觉缓解的预填充阶段干预
Prefill-Time Intervention for Mitigating Hallucination in Large Vision-Language Models
在 prefill 阶段一次性修改 KV cache 来抑制 LVLM 幻觉，且对 key/value 分别施加视觉与文本方向，可与任意解码阶段方法正交叠加，为视觉语言模型的推理期干预提供了新的可复用切入点。
偏好对齐的低秩适配合并：保持子空间覆盖与解决方向各向异性
Preference-Aligned LoRA Merging: Preserving Subspace Coverage and Addressing Directional Anisotropy
TARA-Merging 提供了一种无需额外训练即可合并多个 LoRA 模块的方法，视觉研究者可将其用于多任务模型融合、领域自适应或个性化模型集成，尤其适合需要保持各任务性能的场景。
多模态大语言模型中对抗视觉表征退化的预测正则化
Predictive Regularization Against Visual Representation Degradation in Multimodal Large Language Models
提出预测正则化（PRe）强制中间层退化视觉特征预测初始视觉特征，为提升MLLM内部视觉表征质量提供可复用训练策略，可缓解语言驱动训练导致的视觉保真度下降。
通过高阶多细胞交互建模从组织学图像预测空间转录组
Predicting Spatial Transcriptomics from Histology Images via High-Order Multi-Cell Interaction Modeling
把多体注意力（many-body attention）与分层耦合引入全切片图像的多细胞建模，为病理图像中建模高阶、多对多的细胞间依赖提供了可复用的注意力设计，可迁移到其他需要超长程、多实体交互的密集预测任务。
先预测再探索：面向具身问答的专用记忆预测式规划
Predict Before You Explore: Predictive Planning with Specialized Memory for Embodied Question Answering
把「预测-纠错」循环引入具身导航规划：高层规划器先预测问题相关证据可能出现的位置并生成少量长时程探索分支，低层执行器在分支内降低不确定性并在预测失败时修正；同时用结构先验记忆与问题相关视觉证据记忆分离的双记忆设计，可直接迁移到任何部分可观测下的视觉主动探索与长时程导航任务。
基于自适应目标感知注意力的精确物体与效果移除
Precise Object and Effect Removal with Adaptive Target-Aware Attention
自适应目标感知注意力把前景移除与背景重建解耦，并用学到的注意力图做推理期融合；做扩散图像修复/擦除时可直接借鉴这种解耦式注意力设计与注意力引导融合策略，避免背景被改写。
PrITTI：基于基元的可控可编辑三维语义城市场景生成
PrITTI: Primitive-based Generation of Controllable and Editable 3D Semantic Urban Scenes
用向量化物体基元加栅格化地面构成混合表示，替代体素作为三维语义场景的生成载体，使潜扩散模型能在结构化潜空间里做物体级与地面级编辑；做三维场景生成或编辑时可借鉴这种「基元+地面」的紧凑表示与对应的 inpainting/outpainting 流程。
PowerCLIP：面向对比预训练的幂集对齐
PowerCLIP: Powerset Alignment for Contrastive Pre-Training
把图文对齐从「整图-整句」和「单 token-单 patch」推进到「区域子集-短语子树」的幂集级对齐，并用非线性聚合器把 2^M 复杂度降到 O(M)，这套聚合思路可直接迁移到任何需要枚举组合子集的细粒度跨模态对齐或区域级对比学习框架中。
PosterReward：为高质量平面设计生成解锁准确评估
PosterReward: Unlocking Accurate Evaluation for High-Quality Graphic Design Generation
为文生图模型提供针对海报设计的细粒度奖励信号，可用于生成后筛选或作为强化学习/偏好优化（如 RLHF、DPO）的奖励函数，弥补现有美学奖励模型忽略排版与文字准确性的缺陷。
PosterOmni：通过任务蒸馏与统一奖励反馈实现泛化艺术海报创作
PosterOmni: Generalized Artistic Poster Creation via Task Distillation and Unified Reward Feedback
把局部编辑（ID 驱动、缩放、填充、外扩）与全局创作（布局/风格驱动）统一进一个基础编辑模型，并用「数据蒸馏 + 统一奖励反馈」的流水线做多任务对齐，这套任务蒸馏与奖励联合对齐的做法可直接迁移到其他多任务可控生成场景。
PosterIQ：面向海报理解与生成的设计视角基准
PosterIQ: A Design Perspective Benchmark for Poster Understanding and Generation
为视觉语言模型与扩散生成器提供海报理解与生成的细粒度诊断基准，可用于评测模型在版面解析、文字-图像对应、字体感知与构图可控生成上的能力，并暴露商业模型作为自动评分器不敏感的问题。
面向眼底图像分类的训练后特征剪枝
Post-training Feature Pruning for Fundus Images Classification
提出一种训练后贪心特征剪枝（GFP）方法，可去除展平特征中的冗余维度，提升跨设备泛化性和可解释性，适用于任何视觉骨干网络的特征压缩。
PositionIC：面向图像定制的统一位置与身份一致性
PositionIC: Unified Position and Identity Consistency for Image Customization
用 NeRF 式体素权重调节的可见性感知注意力，把实例级空间嵌入与语义身份特征解耦，可直接迁移到任何需要精确布局控制的多主体生成/编辑框架中；BMPDS 自动数据合成管线也为位置标注数据稀缺问题提供了可复用方案。
PoseMaster：面向风格化姿态生成的统一三维原生框架
PoseMaster: A Unified 3D Native Framework for Stylized Pose Generation
用 3D 骨架直接作为条件、在统一框架内端到端生成带风格的三维网格，替代「2D 姿态编辑 + 3D 提升」的级联流程；其严格空间对齐的骨架-网格配对可直接接自动蒙皮，为角色绑定与可动画资产生成提供可复用范式。
PoseGaussian：基于稀疏视角物体级三维高斯泼溅的未见物体 6D 姿态估计
PoseGaussian: 6D Pose Estimation for Unseen Objects via Sparse-View Object-Level 3D Gaussian Splatting
利用稀疏 RGB-D 视图构建物体级 3DGS 表示，并通过深度先验初始化、自适应密度控制与视图扭曲增强来抑制浮空伪影和外观过拟合，为无 CAD 模型的 6D 位姿估计提供可复用的重建-配准流程。
PoseGAM：基于几何感知多视图推理的鲁棒未见物体位姿估计
PoseGAM: Robust Unseen Object Pose Estimation via Geometry-Aware Multi-View Reasoning
把多视图基础模型当作位姿回归器，用点云几何与几何表征网络特征两路注入物体几何先验，绕开显式 2D-3D 对应匹配，可直接迁移到无模板、无 CAD 模型的未见物体位姿估计与抓取场景。
PoseD-Flow：通用且可引导的人体姿态流匹配模型
PoseD-Flow: Versatile and Guided Flow Matching Model of Human Pose
把流匹配先验直接定义在关节旋转的乘积流形上，并用可微 ODE 采样做免训练引导，可直接用于遮挡/噪声下的姿态补全、去噪与逆运动学求解，也为其他非欧几里得结构化输出（如手部、SMPL 参数）提供可复用的生成先验范式。
PoseAnything：具有部件感知时序一致性的通用姿态引导视频生成
PoseAnything: General Pose-guided Video Generation with Part-aware Temporal Coherence
把任意骨架（含非人类角色）作为运动条件注入视频扩散模型，并用部件级跨帧交叉注意力维持细粒度一致性；其解耦主体/相机运动的 CFG 正负锚点注入方式可直接迁移到其他可控视频生成任务中实现独立相机控制。
面向按相机联邦行人重识别的姿态引导增强特征学习
Pose-guided Enriched Feature Learning for Federated-by-camera Person Re-identification
在每客户端仅单相机的联邦设定下，用姿态解耦模块把特征拆成姿态相关/无关分量并跨身份重组，合成姿态交换特征来增强对比学习，可直接迁移到其他需要扩充姿态多样性的ReID或行人表征学习流程。
面向360度视频的无位姿全景高斯泼溅与一致深度先验
Pose-Free Omnidirectional Gaussian Splatting for 360-Degree Videos with Consistent Depth Priors
把相机位姿估计从 SfM 中解放出来，直接利用高斯内部深度先验建立 2D-3D 对应来恢复全景相机位姿，并用单目深度内点筛选驱动高斯致密化；对做无位姿/稀疏视角 3DGS 与全景新视角合成的人可直接复用该位姿求解与致密化策略。
PortraitDirector：面向可控实时人脸重演的分层解耦框架
PortraitDirector: A Hierarchical Disentanglement Framework for Controllable and Real-time Facial Reenactment
把面部运动拆成空间层（头姿+局部表情）与语义层（情绪）再重组为运动潜码，配合扩散蒸馏与因果注意力实现 20FPS 流式人脸重演，为可控人脸编辑提供了可复用的分层解耦与实时化方案。
面向目标检测的可移植主动学习
Portable Active Learning for Object Detection
PAL 只依赖推理输出（提案框与分类分数）构造类别级不确定性，并用图像级熵、类别多样性与相似度做批次筛选，因此可直接套用到任意检测器（含开放词表或域偏移场景）的标注预算分配上，无需改动训练管线。
Polyphony：基于扩散与交替视觉Transformer及语义条件的双手动作分割
Polyphony: Diffusion-based Dual-Hand Action Segmentation with Alternating Vision Transformer and Semantic Conditioning
针对双手动作分割中的梯度失衡与语义混淆问题，提出交替训练双手机制与语义特征条件化，可迁移到其他多流/多主体视频时序建模任务中，缓解主导流垄断梯度的问题。
PolySLGen：多人交互中的在线多模态说-听反应生成
PolySLGen: Online Multimodal Speaking-Listening Reaction Generation in Polyadic Interaction
面向具身智能体的多人交互场景，提出姿态融合模块与社交线索编码器，将群体运动与社交信号聚合后生成目标参与者的语音、身体动作与说话状态；其多人运动聚合与语音-动作对齐的建模思路可迁移到人体动作预测、社交姿态生成与说话人状态估计等视觉任务。
偏振状态追踪用于去反射与色彩一致重建
Polarization State Tracing for Reflection Removal and Color-Consistent Reconstruction
将偏振光在玻璃内的多路径传播与波长选择性吸收显式建模为成像模型（PSTM），为透过有色介质的去反射与色彩一致性复原提供了可复用的物理先验；其通道环形注意力（CRA）用于建模偏振通道间的角度依赖，可迁移到其他多通道/多视角偏振特征融合任务，恢复的偏振信息还能直接服务 Shape-from-Polarization 等下游几何任务。
PolarGuide-GSDR：偏振先验与延迟反射驱动的3D高斯泼溅用于真实反射场景
PolarGuide-GSDR: 3D Gaussian Splatting Driven by Polarization Priors and Deferred Reflection for Real-World Reflective Scenes
将偏振先验嵌入3DGS优化，通过双向迭代解耦反射与几何，为反射场景下的实时新视角合成和法线估计提供了可复用的框架。
Points-to-3D：以点云先验实现结构感知的三维生成
Points-to-3D: Structure-Aware 3D Generation with Point Cloud Priors
把可见区域点云（LiDAR 或 VGGT 前馈预测）编码进 TRELLIS 的稀疏结构潜变量，用结构图像修复网络加两阶段采样补全不可见几何，为视觉研究者提供了一条用现成点云先验做几何可控 3D 生成的通用路径。
指向部件：多模态大语言模型中的免训练少样本视觉定位
Pointing at Parts: Training-Free Few-Shot Grounding in Multimodal LLMs
提出一种免训练、即插即用的少样本部件级指向方法，通过融合文本与视觉注意力图以及自监督视觉对应，可提升MLLM在细粒度空间定位任务上的表现，为视觉语言模型的空间理解提供可复用技术。
Pointer-CAD：通过基于指针的边与面选择统一 B-Rep 与命令序列
Pointer-CAD: Unifying B-Rep and Command Sequences via Pointer-based Edges & Faces Selection
将 B-rep 的几何实体选择建模为指针网络预测，为视觉-语言模型在结构化几何生成中提供可复用的实体引用机制；同时其数据标注流水线可启发 3D 理解任务中的自然语言监督构建。
PointWorld：面向野外机器人操作的 3D 世界模型规模化
PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation
把动作与状态统一表示为 3D 点流，用 RGB-D 输入预测逐像素三维位移，可作为视觉世界模型直接嵌入 MPC 做无演示的机器人操作；其动作即几何位移的建模思路也可迁移到其他需要动作条件预测的视觉任务。
PointThinker：面向多模态大模型的点激励并行思维
PointThinker: Point-Incentivized Parallel Thinking for Multimodal Large Language Model
把「先列出多个视觉关键点、再以每个点为起点展开独立推理链」作为并行思维链的组织方式，并配合点级（dense）奖励的强化学习（GPPO）做自验证，可直接迁移到多模态推理、幻觉抑制等需要多路径推理的视觉语言任务中。
PointTPA：面向3D场景理解的动态网络参数自适应
PointTPA: Dynamic Network Parameter Adaptation for 3D Scene Understanding
提出一种测试时参数自适应框架，通过序列化邻域分组和动态参数投影器为点云场景生成输入感知的骨干网络权重，可复用于其他3D场景理解任务的轻量级自适应。
PointNSP：基于下一尺度细节层次预测的自回归三维点云生成
PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction
提出基于下一尺度预测的自回归点云生成框架，利用多尺度分解对齐点集的无序性，避免固定顺序偏差，可复用于其他无序集合生成任务（如点云补全、场景生成）。
PointGS：基于3D高斯泼溅的语义一致无监督3D点云分割
PointGS: Semantic-Consistent Unsupervised 3D Point Cloud Segmentation with 3D Gaussian Splatting
利用3D高斯泼溅作为中间表示，将稀疏点云重建为稠密高斯空间，再通过多视图渲染和SAM提取语义，用对比学习蒸馏到3D高斯基元，最后配准回原点云实现无监督分割。这为2D-3D语义迁移提供了一种可复用的技术路线，尤其适合标注稀缺的3D场景理解任务。
PointCSP：自监督点云学习中的跨样本语义传播与稳定性保持
PointCSP: Cross-Sample Semantic Propagation and Stability Preservation in Self-Supervised Point Cloud Learning
把 batch 内多个场景点云串行化为连续序列、用状态空间模型做跨样本语义状态传播，为 3D 自监督预训练提供了一种突破「样本独立建模」的新范式；配套的非对称语义保持蒸馏可迁移到任何「预训练依赖 batch 组织、微调却是单样本」的表征学习场景。
PointCNN++：在原生点上执行高性能卷积
PointCNN++: Performant Convolution on Native Points
把稀疏卷积从体素推广到原始高精度点坐标，并以 MVMR 形式实现专用 GPU kernel，可直接替换体素骨干用于点云配准等需要几何精度的任务，兼顾显存与速度。
PointAlign：面向3D视觉语言模型的特征级对齐正则化
PointAlign: Feature-Level Alignment Regularization for 3D Vision-Language Models
提出一种特征级对齐正则化方法，通过一致性损失约束LLM中间点云token与视觉输入token对齐，仅训练轻量投影器和LoRA适配器，可复用于其他多模态大模型中以保留几何信息。
Point4Cast：流式动态场景重建与预测
Point4Cast: Streaming Dynamic Scene Reconstruction and Forecasting
把「持续演化的潜时空表征 + 更新/读出」这一流式范式用于任意时刻查询，可让在线三维重建从「逐帧点图」升级为可外推的未来几何预测，并顺带免费得到场景流；对做动态 SLAM、自动驾驶 BEV/点图预测、视频到三维的工作都可直接复用其更新-读出接口。
PoInit-of-View：视图初始化投毒可跨多种三维重建系统迁移
PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems
针对 SfM 前端的关键点检测与特征匹配注入跨视角梯度不一致扰动，可作为研究三维重建流程前端脆弱性、以及设计对应防御或鲁棒特征匹配的切入点；其黑盒迁移设定（3DGS→NeRF）也提示可用 SfM 作为代理模型生成可迁移攻击。
PnP-CM：一致性模型作为逆问题的即插即用先验
PnP-CM: Consistency Models as Plug-and-Play Priors for Inverse Problems
将一致性模型视为先验的近端算子，嵌入ADMM即插即用框架，为视觉逆问题（如MRI重建、超分、去模糊）提供无需任务特定训练、仅需2-4步NFE的通用求解器。
面向扩散 Transformer 的可插拔剪枝与连续层蒸馏
Pluggable Pruning with Contiguous Layer Distillation for Diffusion Transformers
对做扩散 Transformer 生成的人，这套「线性探针定位冗余层区间 + 深度/宽度联合剪枝 + 一次性教师-学生交替蒸馏」的流程可直接迁移到自己的 DiT/MMDiT 骨干上，无需为每个剪枝比例重训即可在 50% 参数下保持生成质量。
面向 3D 高斯泼溅的即插即用 PDE 优化：迈向高质量渲染与重建
Plug-and-Play PDE Optimization for 3D Gaussian Splatting: Toward High-Quality Rendering and Reconstruction
把 3DGS 的优化过程建模为带粘性项的 PDE，并用物质点法（MPM）做数值求解，为高斯优化提供全局与局部约束；这套即插即用的优化器可直接嵌入现有 3DGS 管线，缓解复杂场景下的模糊与漂浮物问题。
基于双面亲和学习与拓扑协调的即插即用不完整多视图聚类
Plug-and-Play Incomplete Multi-View Clustering via Janus-Faced Affinity Learning with Topology Harmonization
锚图上的置换变换加一元编码约束，可在任意多视图/多模态特征融合前对齐锚点拓扑，这一思路可直接迁移到多视图特征拼接、跨模态检索的相似度融合环节，避免因视图间锚点顺序不一致导致的图结构失真。
全光视频生成
Plenoptic Video Generation
把「多进单出」的视频条件模型以自回归方式串起来，并用相机引导的视频检索从历史生成中挑显著帧做条件，这套「时空记忆+检索式条件」可直接迁移到任何需要跨视角/跨时序一致性的生成式重渲染或长视频生成任务。
植物分类学遇上植物计数：一个用于计数数百种植物的细粒度分类学数据集
Plant Taxonomy Meets Plant Counting: A Fine-Grained, Taxonomic Dataset for Counting Hundreds of Plant Species
为类别无关计数（CAC）提供了一个带林奈层级标签与器官类别的多尺度点标注基准，可直接用于检验回归式与检测式计数模型在细粒度、跨生长阶段、跨成像尺度（冠层遥感→组织显微）条件下的泛化能力。
用 8 个 token 做规划：面向潜空间世界模型的紧凑离散分词器
Planning in 8 Tokens: A Compact Discrete Tokenizer for Latent World Model
把观测压缩到 8 个离散 token 的潜空间表示，可直接替换视觉世界模型中的重型分词器，使基于模型的规划在实时控制下变得可行；做视觉世界模型或 VLA 的读者可以借鉴其压缩比与规划保真度之间的权衡设计。
PlannerRFT：通过闭环与样本高效微调强化扩散规划器
PlannerRFT: Reinforcing Diffusion Planners through Closed-Loop and Sample-Efficient Fine-Tuning
对做扩散策略/规划的研究者，这篇给出一种在推理管线不变的前提下，用双分支优化同时精修轨迹分布并引导去噪探索的强化微调范式，可直接迁移到机器人操作或视觉导航中的扩散策略后训练。
PlanaReLoc：基于区域结构匹配的三维平面基元相机重定位
PlanaReLoc: Camera Relocalization in 3D Planar Primitives via Region-Based Structure Matching
把平面基元当作区域级结构表示来做跨模态匹配，绕开了对纹理/颜色地图、位姿先验和逐场景训练的依赖；做室内重定位或地图表示的人可以直接借鉴这种「平面图 + 深度匹配器 + 鲁棒位姿求解」的轻量范式。
像素不会说谎（但你的检测器可能会）：自举多模态大语言模型作为评判器以实现可信的深度伪造检测与推理监督
Pixels Don't Lie (But Your Detector Might): Bootstrapping MLLM-as-a-Judge for Trustworthy Deepfake Detection and Reasoning Supervision
提出以多模态大语言模型作为评判器（MLLM-as-a-Judge），通过自举生成-评估过程将人类反馈扩展为结构化推理监督，可用于评估和提升深度伪造检测模型推理的视觉证据忠实性，为可解释的伪造检测提供可扩展的监督信号。
PixelRush：基于单步扩散的超快速免训练高分辨率图像生成
PixelRush: Ultra-Fast, Training-Free High-Resolution Image Generation via One-step Diffusion
把高分辨率文生图从「多轮反演+重生成」改成低步数下的图像块并行去噪，配合无缝融合与噪声注入抑制块间伪影和过平滑，可直接复用到任何预训练扩散模型的分辨率外推场景。
PixelDiT：用于图像生成的像素扩散 Transformer
PixelDiT: Pixel Diffusion Transformers for Image Generation
去掉预训练自编码器、直接在像素空间做扩散，并用 patch 级 + pixel 级双层级 DiT 兼顾全局语义与纹理细节，为做图像生成的人提供了一条避免有损重建与误差累积的单阶段端到端路线，可直接迁移到高分辨率文生图训练。
Pixel2Phys：从视觉动力学中蒸馏支配性物理定律
Pixel2Phys: Distilling Governing Laws from Visual Dynamics
把 MLLM 作为假设生成与验证的推理引擎，从原始视频像素中迭代提炼低维物理变量与可解释控制方程；对做视频理解与物理常识建模的研究者，这提供了一条「视觉观测→符号化动力学」的可复用管线，也可作为评估视频模型是否真正理解动力学的探针。
像素运动扩散正是机器人控制所需
Pixel Motion Diffusion is What We Need for Robot Control
把像素运动作为高层意图与低层动作之间的可解释中间表示，并用扩散模型同时建模两层控制器；做视觉-语言-动作（VLA）或机器人操作的研究者可以借鉴这种「运动中心」的中间抽象来缓解仿真到现实的域差，并复用其仅需少量微调即可真机迁移的流程。
PixDLM：面向无人机推理分割的双路径多模态语言模型
PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation
把思维链问答监督与像素级分割输出耦合进一个多模态语言模型，为高分辨率斜视无人机影像提供可复用的推理分割基线；其按空间、属性、场景三级组织语义需求的思路，可直接迁移到其他需要复杂推理的开放词表分割设定。
PixARMesh：自回归网格原生的单视图场景重建
PixARMesh: Autoregressive Mesh-Native Single-View Scene Reconstruction
把网格生成模型与像素对齐的图像特征、全局场景上下文通过交叉注意力结合，并用统一的词元流（上下文+位姿+网格）自回归地一次性输出布局与几何，为单图三维重建提供了一条绕开隐式 SDF 与后处理布局优化的端到端路线。
Pip-Stereo：面向迭代优化立体匹配的渐进式迭代剪枝器
Pip-Stereo: Progressive Iterations Pruner for Iterative Optimization based Stereo Matching
把迭代式立体匹配的递归细化过程按空间稀疏性与时间冗余性做渐进式迭代剪枝，并用硬件感知的 FlashGRU 替代 ConvGRU，为在边缘设备上部署迭代式匹配网络提供了可复用的加速范式。
PinPoint：面向显式负样本、多图查询与改写测试的组合图像检索评测
PinPoint: Evaluation of Composed Image Retrieval with Explicit Negatives, Multi-Image Queries, and Paraphrase Testing
为组合图像检索提供了带显式难负样本、多正确答案、指令改写与多图查询的评测基准，并给出一个可直接套用到任意现有检索系统上的免训练 MLLM 重排序方案，可用于诊断和缓解假阳性与指令敏感性问题。
Pico-Banana-400K：一个用于文本引导图像编辑的大规模数据集
Pico-Banana-400K: A Large-Scale Dataset for Text-Guided Image Editing
该数据集为文本引导图像编辑模型提供了大规模、高质量的训练与评测资源，特别是其多轮编辑、偏好对齐和指令重写子集，可直接用于研究编辑的序列规划、奖励模型训练和指令理解，推动更鲁棒的编辑系统发展。
PiLoT：面向无人机自身与目标地理定位的神经像素到三维配准
PiLoT: Neural Pixel-to-3D Registration for UAV-based Ego and Target Geo-localization
把实时视频流与带地理参考的三维地图做神经像素到三维配准，用双线程引擎把地图渲染与定位解耦，并用仿真数据训练轻量网络实现零样本仿真到真实迁移，为无 GNSS 场景下的相机位姿估计提供了可复用的地图配准范式。
物理引导的多步形变反演用于古代竹简复原
Physics-Guided Multistep Deformation Reversal for Ancient Bamboo Slip Restoration
把扩散模型的"预测噪声"换成"预测物理反演位移场"，并用木材纤维微结构与应力扩散耦合构造可计算的正向形变模型——这套"物理正向模拟+逐步反演"的思路可直接迁移到其他非刚性形变复原任务（褶皱文档、弯曲织物、软体形变）。
物理一致的扩散模型：通过多尺度残差校正实现高效流体超分辨率
Physics-Consistent Diffusion for Efficient Fluid Super-Resolution via Multiscale Residual Correction
把多网格残差校正与多小波多尺度基嵌入扩散逆向过程，可在少步采样下保持谱保真并抑制伪散度，这一思路可迁移到其他受物理方程约束的图像复原任务（如PIV/流场重建、遥感反演）中作为采样加速与物理一致性约束的通用插件。
基于帧共享退化参数的物理驱动大气湍流去除
Physically-Grounded Turbulence Mitigation with Frame-Shared Degradation Parameters
把「倾斜-再模糊」物理退化模型参数化为场景共享相关函数加逐帧噪声图，为视频/多帧复原中退化参数估计的病态性提供了一种跨帧共享的优化式解法，可迁移到其他逐帧退化估计任务。
物理启发的用于 HDR 新视角合成的高斯泼溅
Physically Inspired Gaussian Splatting for HDR Novel View Synthesis
将本征反射率与可调环境光照解耦建模，并引入跨分支 HDR 一致性损失与光照引导的梯度缩放策略，为基于高斯泼溅的 HDR 新视角合成提供了显式监督和梯度均衡手段，可直接迁移到其他需要多曝光融合的神经渲染框架。
以解析概念为铰链物体操作物理定位常识知识
Physically Ground Commonsense Knowledge for Articulated Object Manipulation with Analytic Concepts
把 MLLM 输出的语义常识通过可计算、可仿真的解析概念（数学符号化定义）落到物理表示上，再驱动操作策略；对做视觉-语言-动作（VLA）与具身操作的研究者，这是一种把语义先验转成物理约束的可复用中间表示思路。
物理仿真器在环的视频生成
Physical Simulator In-the-Loop Video Generation
将物理仿真器嵌入视频扩散采样回路，用仿真轨迹约束生成时空运动，并用测试时纹理一致性优化（TTCO）基于像素对应调整文本与特征嵌入，为提升生成视频的物理合理性提供了可复用范式。
以物理可控世界模型理解物理对象
Physical Object Understanding with a Physically Controllable World Model
把视频世界模型当作可查询的概率推断器：通过对未来状态采样并分析运动相关性来无监督地分割出物体及其可动部件，为视觉研究者提供了一条不依赖标注的物体发现与3D操控思路。
物理对抗服装通过非重叠 RGB-T 图案规避可见光-热红外检测器
Physical Adversarial Clothing Evades Visible-Thermal Detectors via Non-Overlapping RGB-T Pattern
对做 RGB-T 多模态检测的人，这篇给出了一个必须正视的物理世界威胁模型：用可见光与热红外材料不重叠的服装图案即可在 0°–360° 视角下稳定欺骗不同融合架构的检测器，并提示融合阶段集成可提升跨架构迁移性，可作为评估多模态融合鲁棒性的红队基线。
PhysX-Anything：从单张图像生成仿真就绪的物理三维资产
PhysX-Anything: Simulation-Ready Physical 3D Assets from Single Image
提出一种基于 VLM 的物理 3D 生成框架，通过高效几何词元化（减少 193 倍词元）在标准 VLM 词元预算内学习显式几何，并联合预测铰接与物理属性，为单图生成可直接用于仿真的铰接资产提供了新思路。
PhysVid：面向生成式视频模型的物理感知局部条件控制
PhysVid: Physics Aware Local Conditioning for Generative Video Models
把物理约束从全局文本提示词下沉到时间连续帧块级的局部条件，并用块感知交叉注意力融合、推理时用负向物理提示词引导采样，这套「局部条件+负向提示」机制可直接迁移到任何以文本为条件的视频扩散模型上提升物理合理性。
PhysSkin：基于自监督神经蒙皮的实时可泛化物理动画
PhysSkin: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning
把线性混合蒙皮推广为连续神经蒙皮场，用 Transformer 编码器加交叉注意力解码器从手柄变换生成与离散化无关的形变基函数，可直接用于实时角色动画与物理仿真中的任意网格或点云驱动。
PhysInOne：一体化视觉物理学习与推理套件
PhysInOne: Visual Physics Learning and Reasoning in One Suite
为物理感知视频生成与世界模型提供带3D几何、语义、运动、物理属性与文本标注的大规模合成视频数据，可直接用于微调视频生成/预测基础模型并评测其物理合理性。
PhysIR-Splat：3D 高斯泼溅中物理一致的热红外辐射传输
PhysIR-Splat: Physically Consistent Thermal Infrared Radiative Transfer in 3D Gaussian Splatting
把温度、发射率与环境辐照度显式绑定到高斯原语上，并在渲染时联合建模热辐射、反射分量与大气透过率，为热红外 NVS 提供可复用的物理渲染方程；同时用 VGGT-IR 前馈初始化替代 SfM，解决低对比度热图下位姿初始化不稳的问题。
PhysHead：可直接用于仿真的高斯头部化身
PhysHead: Simulation-Ready Gaussian Head Avatars
把 3D 高斯基元同时绑定在头部参数化网格与可物理仿真的发丝段上，为可动头部化身提供了一种「网格+发丝+高斯外观」的混合表示；其用 VLM 补全动态序列中被遮挡区域外观的训练策略，可迁移到其他存在遮挡缺失的多视角动态重建任务。
PhysHO：从单目视频重建基于物理的动态 3D 高斯人体与物体
PhysHO: Physics-Based Dynamic 3D Gaussian Human and Object from Monocular Video
将 LBS 作为可解释的驱动先验、用 MPM 传播接触力，并用逐粒子的残差神经本构模型刻画非均质材料，为单目视频中人体-物体交互的物理可信重建与未来运动预测提供了可复用的建模范式。
PhysGen：面向工业设计的物理落地三维形状生成
PhysGen: Physically Grounded 3D Shape Generation for Industrial Design
把物理属性（如气动效率）作为显式引导信号注入流匹配采样过程，通过速度更新与物理精修的交替迭代在潜空间中调整形状；做 3D 生成且关心下游功能约束的工作可复用这一「生成器+物理正则+联合潜空间编码」的范式。
PhysGaia：面向动态新视角合成的多体交互物理感知基准
PhysGaia: A Physics-aware Benchmark with Multi-Body Interactions for Dynamic Novel View Synthesis
为动态新视角合成提供带3D粒子轨迹与物理参数（如粘度）真值的物理一致性评测基准，可直接用于检验4D高斯泼溅等动态重建方法是否遵守物理规律，并推动物理仿真与深度学习结合的场景理解研究。
PhysGS：用于物理属性估计的贝叶斯推断高斯泼溅
PhysGS: Bayesian-Inferred Gaussian Splatting for Physical Property Estimation
把 3D 高斯泼溅从几何/外观重建扩展为可微的贝叶斯后验推断框架，每个高斯点携带材质与物理属性信念并随观测迭代更新，同时区分偶然与认知不确定性；做机器人操作、仿真到现实或需要从视觉推断物体物理量的工作可直接复用这一「高斯点 + 概率信念」的表示。
PhysGM：面向前馈 4D 合成的大型物理高斯模型
PhysGM: Large Physical Gaussian Model for Feed-Forward 4D Synthesis
把单图前馈预测 3D 高斯与物理参数（质量、杨氏模量等）耦合进同一网络，并用 DPO 替代 SDS 优化来对齐物理合理性，为动态 3DGS 生成提供了一条免逐场景优化、可即时仿真的路线。
PhyOceanCast：基于物理信息扩散模型的全球海洋预报
PhyOceanCast: Global Ocean Forecasting with Physics-Informed Diffusion
将扩散模型与球面图注意力、小波时序模块结合，用于全球海洋多变量时空预测，其物理约束和球面拓扑保持思路可迁移到其他地球科学或视频预测任务。
PhyGaP：基于偏振线索的物理基础高斯泼溅
PhyGaP: Physically-Grounded Gaussians with Polarization Cues
将偏振线索引入3D高斯泼溅的延迟渲染管线，实现反射分解与重光照；其偏振感知的延迟渲染（PolarDR）和自遮挡感知环境图构建（GridMap）可复用于材质估计、逆渲染等任务。
PhyCritic：面向物理 AI 的多模态评判模型
PhyCritic: Multimodal Critic Models for Physical AI
自参照评判（critic 先自行生成预测作为内部参照再打分）这一机制可直接迁移到视觉生成/编辑结果的自动评测与偏好数据筛选，为扩散模型或 VLM 的 RLHF/RLVR 提供更稳定的奖励信号。
PhyCo：学习可控物理先验用于生成式运动
PhyCo: Learning Controllable Physical Priors for Generative Motion
用像素对齐的物理属性图（摩擦、弹性、形变、力）作为 ControlNet 条件，把物理参数变成视频扩散模型的可控输入；再用微调后的 VLM 对生成视频做物理问答式打分作为可微奖励，这套「属性图条件 + VLM 奖励」范式可直接迁移到其他需要物理可信度的视频生成任务。
基于短语视觉定位的自动偏好优化用于改进胸部X光报告生成
Phrase-grounded APO for Improving Chest X-ray Report Generation
提出一种无需真值偏好对的自动偏好优化方法，通过事实核查和LLM提示纠正生成代理偏好数据，并设计结合短语视觉定位损失的APO损失函数，可提升视觉语言模型在推理时的报告事实正确性。
面向图表识别的短语定位感知监督微调：基于侧路掩码注意力
Phrase-Grounding-Aware Supervised Fine-Tuning for Chart Recognition via Side-Masked Attention
把短语级视觉定位作为辅助监督信号插入 LLM 每一层 Transformer 的侧路掩码注意力中，为 VLM 微调提供区域级参考 logit；做文档/图表理解或需要细粒度区域对齐的 VLM 微调时可直接复用该侧路注意力设计。
PhotoFramer：多模态图像构图指令
PhotoFramer: Multi-modal Image Composition Instruction
把「构图指导」建模为文本指令加示例图的双输出任务，并给出用多视角数据加退化模型合成「构图差—构图好」配对的可复用数据构造流程，可直接迁移到其他需要成对编辑监督的图像生成任务。
Photo3D：通过结构对齐的细节增强推进照片级真实感三维生成
Photo3D: Advancing Photorealistic 3D Generation through Structure-Aligned Detail Enhancement
用 GPT-4o-Image 生成的多视图图像作为真实细节先验，通过结构对齐的多视图合成管线与感知特征适配、语义结构匹配，把细节注入 3D-native 生成器的几何之上；对做 3D 生成的人，这是一套可直接挂到现有几何生成器后面的纹理/外观增强方案，并给出了耦合与解耦两种范式的训练策略。
基于照片引导的3D口腔扫描模型牙齿分割
Photo-Guided Tooth Segmentation on 3D Oral Scan Model
将口内照片的纹理语义作为补充信息，通过相机对齐和特征过滤门控融合到3D扫描模型的分割中，为多模态3D分割提供了可复用的配准与特征选择思路。
PhenoYieldNet：学习作物感知的物候响应用于多作物产量预测
PhenoYieldNet: Learning Crop-Aware Phenological Responses for Multi-Crop Yield Prediction
把预训练基础模型编码器用自监督时序对比适配到农业时序动态，并用可学习查询+注意力解码器建模作物特异物候阶段——这套「基础模型+时序对比适配+查询式解码」组合可迁移到其他需要跨类别泛化的时序视觉预测任务。
分阶段 DMD：基于子区间内分数匹配的少步分布匹配蒸馏
Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals
把 SNR 区间切分并逐段做分布匹配与分数匹配蒸馏，配合 MoE 提升少步生成器容量，可直接用于把大规模文生图/文生视频扩散模型压缩成少步采样器，同时缓解随机梯度截断带来的多样性下降与运动动态变慢问题。
PhaseWin 搜索框架实现高效的目标级解释
PhaseWin Search Framework Enable Efficient Object-Level Interpretation
把子模子集选择的归因从二次代价的贪心搜索换成近线性的分阶段粗到细窗口搜索，可直接套用到 Grounding DINO、Florence-2 这类目标级多模态模型的区域归因与显著性解释上，让高保真归因在真实推理预算内可用。
Phantom：以物理对象交互作为动态触发器劫持 NMS 的后门攻击
Phantom: Physical Object Interactions as Dynamic Triggers for NMS-Exploited Backdoors
把目标检测后处理中的 NMS 环节当作攻击面：用真实场景中的物体交互关系（而非固定 patch）作为动态触发器，可同时诱发误分类、误定位与目标凭空出现/消失，为检测模型的后门防御与 NMS 设计提供了新的威胁模型。
PhaSR：物理对齐先验的泛化图像阴影去除
PhaSR: Generalized Image Shadow Removal with Physically Aligned Priors
把 Gray-world 归一化、对数域 Retinex 分解与动态范围重组整合成闭式光照校正模块，并用扩展的差分注意力对齐深度几何与 DINO-v2 语义特征，可为其他光照解耦类复原任务（低光照增强、去雾）提供可复用的先验对齐范式。
基于注意力序列的个性化图像描述
Personalized Image Descriptions from Attention Sequences
把人类观看图像时的注意力序列作为个性化信号，通过辅助注意力预测任务学习主体嵌入，并用轻量适配器接入冻结的 VLM——这为视觉语言模型引入「感知行为」这一新条件维度提供了可复用范式。
带隐私保证的扩散模型个性化联邦训练
Personalized Federated Training of Diffusion Models with Privacy Guarantees
为在去中心化私有数据上训练扩散模型提供了带逐客户端差分隐私保证的联邦个性化方案，可直接迁移到视觉场景中多源私有图像（如医疗、人脸）的协同生成建模，并给出了条件生成在 GMM 下的效用界作为分析工具。
PersonaVLM：长期个性化多模态大语言模型
PersonaVLM: Long-Term Personalized Multimodal LLMs
为视觉语言模型引入可检索的多模态长期记忆库与用户人格演化建模，可作为个性化 VLM 助手、多轮视觉对话与用户偏好对齐的可复用框架；其 Persona-MME 基准也可用于评测视觉对话中的长期个性化能力。
PersonaLive！面向直播的富有表现力肖像图像动画
PersonaLive! Expressive Portrait Image Animation for Live Streaming
面向实时流媒体场景，用少步外观蒸馏压缩去噪步数、用自回归微块流式生成加滑动训练与历史关键帧机制保证长时稳定，这套「蒸馏提速 + 分块流式」组合可直接迁移到其他需要低延迟长视频生成的扩散模型上。
PerpetualWonder：长时程动作条件 4D 场景生成
PerpetualWonder: Long-horizon Action-conditioned 4D Scene Generation
把物理状态与视觉基元做双向绑定、并用多视角监督消解优化歧义，是让生成式细化能反过来修正底层物理的通用思路；做可交互场景生成或世界模型时，可直接借鉴这种闭环更新机制。
PerformRecast：面向人像视频编辑的表情与头部姿态解耦
PerformRecast: Expression and Head Pose Disentanglement for Portrait Video Editing
用 3DMM 的分离参数（身份/表情/头姿）改造关键点变换公式，实现表情与头姿的解耦控制；并把人脸/非人脸区域解耦、用教师模型分别监督以消除边界错位，这两点可直接迁移到任何人脸驱动编辑或重演管线。
感知证据锚定的强化学习用于多模态推理
Perceptual-Evidence Anchored Reinforced Learning for Multimodal Reasoning
将视觉感知验证作为强化学习奖励的锚点，通过感知检查表生成辅助奖励来约束推理过程，可复用于任何需要提升视觉证据忠实度的VLM推理任务。
基于颜色分离与排序链的感知神经视频压缩
Perceptual Neural Video Compression with Color Separation and Rank Chain
把亮度与色度解耦处理并分别分配计算与码率预算，再配合基于码率的排序链损失做感知优化，这套思路可直接迁移到任何需要兼顾保真度与感知质量的低层视觉编码/复原任务中。
感知式 3D 仿真与物理世界建模
Perceptual 3D Simulation With Physical World Modeling
把感知建模为多模态场景变量的概率推断，并用部分 3D 变换信号作为条件、用持久场景记忆做在线一致性更新，这一「学习式世界模型 + 显式几何条件」的组合可直接迁移到新视角合成与动态场景预测任务中，作为对纯数据驱动生成模型的归纳偏置补充。
感知特征距离：在特定决策规则下衡量动态条件下感知系统的稳定性与鲁棒性
Perception Characteristics Distance: Measuring Stability and Robustness of Perception System in Dynamic Conditions under a Certain Decision Rule
提出 PCD/aPCD 指标，将感知模型输出不确定性量化为可靠检测的最远距离，为视觉感知系统在动态天气与光照条件下的稳定性评估提供可复用度量；配套 SensorRainFall 多模态数据集（相机/雷达/激光雷达）可用于研究跨天气域泛化与不确定性感知。
Percept-WAM：面向鲁棒端到端自动驾驶的感知增强世界感知-动作模型
Percept-WAM: Perception-Enhanced World-Awareness-Action Model for Robust End-to-End Autonomous Driving
把 2D 检测与 BEV 3D 检测统一编码为 World-PV/World-BEV token 并接入 VLM 自回归解码，为视觉研究者提供了一个可复用的「感知 token 化 + 网格条件预测」范式，可直接迁移到其他需要稠密空间输出的 VLM 任务。
近处感知、远处推理：面向自动驾驶的连贯长时序轨迹预测
Perceiving the Near, Reasoning the Distant: Coherent Long-Horizon Trajectory Prediction for Autonomous Driving
将长时序轨迹预测按近端/远端解耦为两条专用解码通路，并用运动学感知的一致性损失约束航向演化，这一「分阶段解码 + 运动学先验损失」思路可直接迁移到行人轨迹预测、视频中物体未来运动预测等需要长时序物理合理性的任务。
PercHead：面向单图三维头部重建与编辑的感知头部模型
PercHead: Perceptual Head Model for Single-Image 3D Head Reconstruction & Editing
用 DINOv2 + SAM 2.1 特征构造的感知损失可直接替换 LPIPS/SSIM/L1，作为高频细节监督的通用手段；ViT 解耦 3D 表示与 2D 输入的架构也值得借鉴到单图重建任务。
PatchScene：面向大规模场景补全的基于块体素扩散模型
PatchScene: Patch-based Voxel Diffusion Model for Large-Scale Scene Completion
把大场景拆成局部 3D patch 分别做体素扩散再融合，配合按激光雷达径向密度设计的 Annular-Flow 采样，为稀疏点云的大范围补全提供了可扩展的生成式方案；其 patch 重叠融合与跨帧时序聚合思路可直接迁移到其他基于扩散的 3D 补全/生成任务。
PatchAlign3D：面向密集三维形状理解的局部特征对齐
PatchAlign3D: Local Feature Alignment for Dense 3D Shape Understanding
提出仅编码器的点云 Transformer，通过两阶段训练（DINOv2 密集特征蒸馏 + 多正对比对齐部件文本嵌入）实现零样本 3D 部件分割，单次前向推理无需多视角渲染，为 3D 局部理解提供高效可复用的表征学习方案。
Particulate：前馈式三维物体关节化
Particulate: Feed-Forward 3D Object Articulation
把关节物体的部件分割、运动学树与运动约束统一到一个前馈 Transformer 中一次预测，替代逐物体优化，可直接接到 image-to-3D 模型后面做单图生成可动 3D 资产。
ParticleGS：从视频学习神经高斯粒子动力学以实现无先验物理运动外推
ParticleGS: Learning Neural Gaussian Particle Dynamics from Videos for Prior-free Physical Motion Extrapolation
将动态3D场景表示为物理粒子系统，用Neural ODE学习连续时间动力学，实现无先验的未来运动外推；其编码器-演化器-解码器架构可复用于其他需要物理一致性的动态重建任务。
部分弱监督旋转目标检测
Partial Weakly-Supervised Oriented Object Detection
提出部分弱标注（水平框或单点）驱动的旋转目标检测框架，其方向与尺度感知学生模型（OS-Student）和类别无关伪标签过滤（CPF）可直接迁移到遥感、场景文字等需要 OBB 但标注昂贵的检测任务中，降低标注成本。
PartDiffuser：基于离散扩散的部件级三维网格生成
PartDiffuser: Part-wise 3D Mesh Generation via Discrete Diffusion
把「部件间自回归 + 部件内并行离散扩散」的混合生成范式用于网格生成，并用点云作为分层几何条件通过部件感知交叉注意力注入，为可控、高细节的3D资产生成提供了可复用的条件控制与解耦思路。
Part$^{2}$GS：基于 3D 高斯泼溅的关节物体部件感知建模
Part$^{2}$GS: Part-aware Modeling of Articulated Objects using 3D Gaussian Splatting
把 3DGS 的每个高斯绑定可学习部件属性，配合接触约束、速度一致性与斥力点场实现物理一致的关节运动，可直接迁移到可动物体/机器人场景的数字孪生与可动部件重建。
解析、搜索与确认：基于思维链推理与结构化空间记忆的免训练航拍视觉对话导航
Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial Memory
把免训练 MLLM 的导航能力拆成「解析指令—搜索探索—确认验证」三段思维链，并配一个融合多尺度观测、视觉记忆与几何记忆的结构化空间记忆，可直接迁移到任何需要长时程空间推理的视觉语言任务（如视觉定位、具身导航）。
ParkGaussian：面向自动驾驶泊车的环视3D高斯泼溅
ParkGaussian: Surround-view 3D Gaussian Splatting for Autonomous Parking
将3D高斯泼溅用于环视鱼眼相机的泊车场景重建，并提出车位感知的重建策略，利用现有车位检测模型增强车位区域合成质量，为自动驾驶中重建与下游感知的一致性提供了可复用的思路。
面向增量目标检测的参数化提示词
Parameterized Prompt for Incremental Object Detection
把可训练提示词从「提示池」改为由神经网络参数化生成，并用融合策略约束更新，可直接迁移到增量目标检测与开放世界检测中缓解新旧类共现导致的提示混淆与灾难性遗忘。
参数高效的持续学习方法：在有限模型容量下提升可塑性且不遗忘
Parameter-efficient Continual Learning for Enhancing Plasticity without Forgetting under Limited Model Capacity
在模型容量受限时，用梯度引导的冻结参数复用加强化学习式参数分配来平衡稳定性与可塑性，可直接迁移到视觉骨干（如 ViT）的长序列增量微调，避免每来一个新任务就扩参数。
面向开放词表目标检测增强的参数高效语义增强方法
Parameter-Efficient Semantic Augmentation for Enhancing Open-Vocabulary Object Detection
用图像特征金字塔构建多尺度提示词库，为开放词表检测器注入细粒度局部语义，并用语义感知路由器在推理时动态选择增强策略，避免微调破坏预训练泛化性——这套「冻结主干+提示词增强」思路可直接迁移到任何需要跨域迁移的视觉-语言检测或分割模型。
通过隐式模态分解实现多模态大模型的参数高效适配
Parameter-Efficient Adaptation for MLLMs via Implicit Modality Decomposition
把 LoRA 的可学习参数按模态拆成文本专属、非文本专属与模态共享三部分，并加解耦/对齐约束，可直接迁移到视觉-语言模型（如 LLaVA 类）的 PEFT 微调中，缓解文本模态主导更新、视觉表征学不充分的问题。
面向三维网格的可并行可微最直测地线
Parallelised Differentiable Straightest Geodesics for 3D Meshes
为三角网格上的几何学习提供了可并行、可微的指数映射与测地线追踪算子，可直接嵌入网络层或优化器，用于需要测地距离/平行传输的网格卷积、网格生成与几何优化管线。
ParallelVLM：基于视觉对齐感知并行推测解码的无损视频大模型加速
ParallelVLM: Lossless Video-LLM Acceleration with Visual Alignment Aware Parallel Speculative Decoding
提出免训练的并行推测解码框架，通过无偏验证器引导剪枝对齐草稿与目标模型，将视频词元剪枝与推测解码结合，为视频大模型的长视频推理提供可复用的加速方案。
并行刚性对光束法平差的重要性
Parallel Rigidity Matters for Bundle Adjustment
把并行刚性理论引入 BA 的二部图拓扑分析，给出解唯一性（避免子图独立缩放）的可判定条件与高效算法，可直接嵌入全局式 SfM 管线用于剔除错位相机与三维点。
面向快速自回归图像生成的并行 Jacobi 解码
Parallel Jacobi Decoding for Fast Autoregressive Image Generation
把 Jacobi 式投机解码的草稿序列从一维 token 链扩展到二维空间邻域，并配合调整注意力掩码抑制误差累积，可直接套用到 VAR、ImageGPT 等自回归图像生成器的推理阶段，在不重训的前提下换取数倍加速。
视差对齐一切：面向分布式多视图图像压缩的全视差注意力机制
Parallax to Align Them All: An OmniParallax Attention Mechanism for Distributed Multi-View Image Compression
OPAM 提供了一种显式建模任意两路信息源相关性的通用注意力机制，可复用于多视图立体、光场处理等需要跨视图对齐的任务；其分布式解码框架也为多相机系统下的低带宽传输提供了新思路。
ParaUni：以强化学习驱动的层级并行信息交互增强统一多模态模型的生成能力
ParaUni: Enhance Generation in Unified Multimodal Model with Reinforcement-driven Hierarchical Parallel Information Interaction
把 VLM 各层特征并行抽取后经 Layer Integration Module 融合，作为扩散生成的条件信号，并用 RL 的层级动态调整机制对不同层施加不同奖励；做 VLM-conditioned 生成或想把多层语义注入扩散骨干的工作可直接复用这套并行条件注入与分层奖励设计。
ParTY：面向富有表现力文本到动作合成的部位引导
ParTY: Part-Guidance for Expressive Text-to-Motion Synthesis
其「先分部位生成、再以部位引导整体生成」的两阶段思路与部位感知的文本嵌入对齐，可迁移到细粒度可控的人体动作/姿态生成与部位级文本定位任务。
Paper2Figure：面向学术论文图表生成的多智能体协作系统
Paper2Figure: A Multi-Agent Collaborative System for Figure Generation Towards Academic Research Paper
把「图」表示为可编辑的中间脚本语言（FigScript），再由渲染器出图、由多智能体迭代修订——这套「脚本中间表示 + 渲染 + 反思式修订」的范式可直接迁移到视觉领域的示意图/流程图/架构图生成与可控编辑，也提示了用结构化中间表示替代像素级扩散生成来获得可编辑性的思路。
Paparazzo：运动三维目标的主动建图
Paparazzo: Active Mapping of Moving 3D Objects
把「主动视角规划」引入动态目标的三维重建：用无学习的方式预测目标轨迹并挑选信息量最大的观测视角，可直接用于无人机/机器人对运动物体的在线建图与扫描。
Pantheon360：通过3D感知360度视频扩散驯服数字孪生生成
Pantheon360: Taming Digital Twin Generation via 3D-Aware 360deg Video Diffusion
利用360度全景视频生成和显式3D缓存作为几何脚手架，实现可控相机路径下的高保真、几何一致的场景生成，为数字孪生和仿真提供新思路。
PanoVGGT：基于全景图像的前馈三维重建
PanoVGGT: Feed-Forward 3D Reconstruction from Panoramic Imagery
将前馈式三维重建模型（如VGGT）扩展到全景图像，通过球面感知位置编码和三轴SO(3)旋转增强处理非针孔畸变，并引入随机锚定策略解决全局坐标系歧义，为全景相机下的联合位姿估计与稠密重建提供可复用方案。
PanoEnv：在 panor 全景环境中用强化学习探索 3D 空间智能
PanoEnv: Exploring 3D Spatial Intelligence in Panoramic Environments with Reinforcement Learning
针对 ERP 全景图的几何畸变与 3D 监督缺失，给出了一套可复用的方案：用带真值引导奖励的 GRPO 后训练，配合两阶段课程（先结构化任务、后开放式数据），把 3D 空间推理能力注入 VLM；做全景/全向感知或想给 VLM 补几何推理的可以直接借鉴这套奖励设计与课程安排。
Pano3DComposer：从单张全景图像前馈式组合生成三维场景
Pano3DComposer: Feed-Forward Compositional 3D Scene Generation from Single Panoramic Image
把现成的 image-to-3D 模型生成的局部坐标物体，通过改造 VGGT 的前馈变换预测器直接放到世界坐标，绕开迭代布局优化；做单图/全景场景合成或需要把生成物体摆进场景的工作可以复用这个「物体-世界变换预测 + 渲染反馈由粗到细对齐」的范式。
Pano360：从透视到全景视觉的几何一致性方法
Pano360: Perspective to Panoramic Vision with Geometric Consistency
把2D成对特征匹配的对齐任务搬到3D摄影测量空间，用相机位姿直接引导图像warping做全局对齐，并用多特征联合优化求接缝；对做全景/宽基线拼接、多视图对齐的人，这是一个可复用的「位姿引导+全局优化」范式。
PanDA：面向自动驾驶多模态3D全景分割的无监督域自适应
PanDA: Unsupervised Domain Adaptation for Multimodal 3D Panoptic Segmentation in Autonomous Driving
针对多模态3D全景分割的无监督域自适应框架，其非对称多模态增强和双专家伪标签精炼模块可迁移到其他多模态感知任务（如3D检测、语义分割）的域自适应中，提升传感器退化下的鲁棒性。
PackUV：用于 4D 体积视频的打包高斯 UV 图集
PackUV: Packed Gaussian UV Maps for 4D Volumetric Video
把全部高斯属性烘焙进多尺度 UV 图集，使 4D 高斯表示可直接走 HEVC/FFV1 等标准视频编解码器，为体积视频的存储与流式传输提供了图像原生的表示思路；其流引导高斯标注与关键帧机制也可复用于大运动与遮挡下的动态高斯拟合。
PaQ-DETR：学习模式与质量感知的动态查询用于目标检测
PaQ-DETR: Learning Pattern and Quality-Aware Dynamic Queries for Object Detection
提出基于共享潜模式动态生成图像特定查询的机制，以及基于定位-分类一致性的质量感知一对多分配策略，可直接用于改进DETR类检测器的查询设计与监督平衡。
PaNDaS：带局部控制的可学习形状插值建模
PaNDaS: Learnable Shape Interpolation Modeling with Localized Control
在源网格上学习逐面特征场并与目标全局编码融合，由形变生成器预测雅可比场再积分出平滑位移，这种「局部特征场 + 雅可比场」的表示可直接迁移到网格/点云的非刚性配准、局部编辑与姿态混合任务，且对重网格化鲁棒。
PaCo-RL：以成对奖励建模推进一致性图像生成的强化学习
PaCo-RL: Advancing Reinforcement Learning for Consistent Image Generation with Pairwise Reward Modeling
把成对一致性奖励模型与 GRPO 结合，用无标注数据对生成模型做 RL 微调，并给出分辨率解耦的优化策略来降低 RL 训练成本；做多图一致性生成或想把主观视觉偏好转成奖励信号的工作可直接复用这套奖励建模与多奖励聚合思路。
PV-Ground：文本引导的点-体素交互用于3D视觉定位
PV-Ground: Text-Guided Point-Voxel Interaction for 3D Visual Grounding
用体素骨干网络保留高分辨率空间细节，并用文本引导的关键点采样聚合特征，为3D视觉定位提供了一种避免激进下采样的点-体素交互范式。
PTC-Depth：具有时序一致性的位姿精化单目深度估计
PTC-Depth: Pose-Refined Monocular Depth Estimation with Temporal Consistency
利用轮式里程计和光流三角化得到的稀疏深度，对预训练深度基础模型的相对深度做递归贝叶斯尺度校正，为视觉研究者提供了一种在连续帧间保持深度时序一致性的轻量级后处理框架。
PSR：利用成对主体一致性奖励扩展多主体个性化图像生成
PSR: Scaling Multi-Subject Personalized Image Generation with Pairwise Subject-Consistency Rewards
提出可扩展的多主体数据生成管线与成对主体一致性奖励，结合强化学习后训练，可直接用于提升现有个性化生成模型在多主体场景下的主体保真度与文本可控性。
PSDesigner：具备类人创意工作流的自动化平面设计
PSDesigner: Automated Graphic Design with a Human-Like Creative Workflow
把图形设计建模为 MLLM 驱动的工具调用序列，在可编辑 PSD 文件上做资产检索、插入与元素精修；其 CreativePSD 数据集（带操作轨迹的 PSD 文件）可作为视觉研究者研究「可编辑分层图像生成/编辑」与「指令到操作序列」的监督来源。
PS-SR：基于投机扩散的伪单步视频超分辨率
PS-SR: Pseudo-Single-Step Video Super-Resolution via Speculative Diffusion
把「单步扩散 + 轻量草稿模型投机式精修」的非对称采样流程用于视频超分，并用频域更新规则把精修限制在高频注入上，为少步扩散复原提供了一条兼顾速度与细节的可复用思路。
PRUE：一种可规模化落地的田块边界分割实用方案
PRUE: A Practical Recipe for Field Boundary Segmentation at Scale
在遥感田块边界分割任务上，系统对比了18个分割模型与地理空间基础模型（GFM），结论是U-Net语义分割骨干配合复合损失与针对性数据增强，在精度与部署指标上优于实例分割和GFM方案，为遥感密集预测的模型选型与鲁棒性训练提供了可复用的基线配方。
PROMPTMINER：通过强化学习与VLM引导优化对文本到图像生成模型的黑盒提示词窃取
PROMPTMINER: Black-Box Prompt Stealing against Text-to-Image Generative Models via Reinforcement Learning and VLM-Guided Optimization
提出一种黑盒提示词窃取框架，利用强化学习重建主体、VLM引导搜索风格修饰词，可复用于提示词逆向工程、数据溯源与版权保护研究。
PROMO：面向高效高保真虚拟试衣的可提示换装
PROMO: Promptable Outfitting for Efficient High-Fidelity Virtual Try-On
把虚拟试衣重新表述为结构化图像编辑问题，用 Flow Matching DiT 骨干网络加潜空间多模态条件拼接，并通过自参考机制减少采样步数与推理开销，为需要强主体保持与纹理迁移的可控生成任务提供了可复用的条件注入与加速思路。
PRISM：面向稀疏运动的渐进细化与插入式视频数据集浓缩
PRISM: Video Dataset Condensation with Progressive Refinement and Insertion for Sparse Motion
把视频压缩成极少量关键帧加插值来构造蒸馏数据集，这种「按需插入关键帧」的思路可直接迁移到视频训练数据筛选、高效视频预训练和视频 token 压缩等环节。
PRISM：基于原型与跨模态语义挖掘的可解释图像识别推理框架
PRISM: Prototype-based Reasoning with Inter-modal Semantic Mining for Interpretable Image Recognition
把文本条件归因图与原型激活图对齐，可在无概念标注的情况下把 part prototype 锚定到语义区域，为可解释分类器提供一条可复用的跨模态原型学习与定位约束思路。
PRISM：学习用于可迁移骨架动作表示的共享基元空间
PRISM: Learning a Shared Primitive Space for Transferable Skeleton Action Representation
将动作序列表示为运动基元系数空间中的轨迹，并通过运动生成目标学习该表征，再迁移到分类与检测任务；这种以生成驱动表征学习、并支持跨任务迁移的思路，可复用于其他时序或结构化数据的表征学习。
PRIMU：基于基元级误差与覆盖表示的高斯泼溅新视角不确定性估计
PRIMU: Uncertainty Estimation for Novel Views in Gaussian Splatting from Primitive-Based Representations of Error and Coverage
把训练视角的误差与覆盖统计投影到高斯基元上，再渲染成不确定性特征图并用留出数据做像素级回归，这套后处理式不确定性估计可直接用于新视角合成中的主动视角选择与深度可靠性评估。
PR-MaGIC：通过掩码解码器梯度流进行提示词精炼的上下文分割
PR-MaGIC: Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation
提出一种无需训练的测试时提示词精炼框架，利用 SAM 掩码解码器的梯度流优化提示词，可无缝集成到现有上下文分割方法中，提升分割质量。
PR-IQA：面向扩散式新视角合成的部分参考图像质量评估
PR-IQA: Partial-Reference Image Quality Assessment for Diffusion-Based Novel View Synthesis
提出部分参考图像质量评估（PR-IQA），用不同位姿的参考图在重叠区域计算几何一致的质量图，再通过交叉注意力补全为全图质量图；可直接用于筛选扩散生成伪真值视图中的高置信区域，为扩散增强的3DGS等重建流程提供免真值的监督掩码。
PQDT：用于鲁棒点云修复的伪查询双 Transformer
PQDT: Pseudo-Query Dual Transformer for Robust Point Cloud Restoration
提出伪查询模块与 Transformer 骨干网络，将几何变换分解为两阶段协同过程，为点云修复提供统一框架，可复用于其他 3D 感知任务中的退化数据处理。
PPM-CLIP：面向可泛化AI生成图像检测的概率提示建模
PPM-CLIP: Probabilistic Prompt Modeling for Generalizable AI-Generated Image Detection
将CLIP的提示词从静态分类模板改为条件生成分布，为视觉任务中利用提示词建模不确定性提供新思路；补丁级对比学习可增强视觉编码器对局部细微伪影的敏感度，可迁移到细粒度检测任务。
PPISP：辐射场重建中光度变化的物理合理补偿与控制
PPISP: Physically-Plausible Compensation and Control of Photometric Variations in Radiance Field Reconstruction
把相机 ISP 拆成物理可解释的模块并训练一个控制器为新视角预测 ISP 参数，可直接替换 NeRF/3DGS 中常用的逐帧 latent 或仿射颜色校正，解决多视角光度不一致且无需新视角真值即可公平评测。
PP-OCRv5：一个 500 万参数的专用模型在 OCR 任务上媲美十亿参数视觉语言模型
PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks
对做视觉研究的人而言，这篇论文给出了一个可复用的结论：在 OCR 这类结构化文本任务上，用数据难度、标注准确度、数据多样性三个维度做数据筛选与配比，可以让 5M 参数的两阶段检测+识别流水线逼近十亿参数 VLM，同时定位更准、幻觉更少；做 VLM 文本定位或幻觉抑制时，可把数据侧优化作为对照基线。
PP-Brep：基于混合图表示的少样本 B-rep 分类
PP-Brep: Few-Shot B-rep Classification with Hybrid Graph Representation
把 B-rep 的局部拓扑图、全局平行图与区域关联超图组合成混合图，再用结构感知图提示做少样本分类，为 CAD/3D 几何的图表示学习与提示式迁移提供了可复用范式。
POUR：基于神经坍缩的可证明最优表征遗忘方法
POUR: A Provably Optimal Method for Unlearning Representation via Neural Collapse
把机器遗忘从分类器层推进到表征层，用 Neural Collapse 下 simplex ETF 的正交投影给出闭式最优遗忘算子，并提供蒸馏式特征级变体；做视觉模型隐私删除或概念擦除时可直接复用该投影算子与 RUS 指标来评估表征是否真正被遗忘。
POLAR：面向光照感知人脸建模的肖像 OLAT 数据集与生成框架
POLAR: A Portrait OLAT Dataset and Generative Framework for Illumination-Aware Face Modeling
用 flow-based 生成模型从单张肖像预测逐光源 OLAT 响应，把光照建模为光照状态间的连续可解释变换，为可控重打光提供了不依赖扩散先验、物理可解释的替代范式，其 OLAT 数据与生成框架的闭环思路也可迁移到其他逆渲染任务。
POINTS-Long：多模态大模型中的自适应双模式视觉推理
POINTS-Long: Adaptive Dual-Mode Visual Reasoning in MLLMs
对做长视频/流式多模态理解的视觉研究者，这篇提供了可动态缩放的视觉词元方案：focus/standby 双模式在推理时按需在精度与效率间切换，配合可动态分离的 KV-cache 维持超长视觉记忆，可直接借鉴到视觉编码器到 LLM 的词元预算分配与流式记忆管理环节。
POGA：用于细粒度跨模态检索的释义与对立图对齐
POGA: Paraphrased and Oppositional Graph Alignment for Fine-Grained Cross-Modal Retrieval
POGA 将图像和文本解析为结构化图，并通过多源图增强生成释义正例和对抗负例，为跨模态细粒度对齐提供丰富的监督信号；其混合多粒度对齐目标（全局、节点、关系、焦点反驳）可复用于任何需要细粒度图文匹配的视觉语言任务。
POCA：面向视觉文本生成的帕累托最优课程对齐
POCA: Pareto-Optimal Curriculum Alignment for Visual Text Generation
把视觉文本生成中的文本准确率与图像美感/指令遵循的冲突建模为多目标优化，用帕累托最优集替代加权求和奖励，并配合自动难度评估的课程式提示选择；这套「帕累托奖励+课程采样」思路可直接迁移到任何需要多奖励 RL 微调的扩散生成任务（如编辑、个性化）。
PMRNet：面向医学图像分割的物理信息多尺度细化网络
PMRNet: Physics-informed Multi-scale Refinement Network for Medical Image Segmentation
用熵驱动的扩散机制以线性复杂度逼近全局感受野，并用重正化群式下采样保留信息，这套「伪全局感受野 + 边界感知解码」的组合可直接迁移到其他需要低算力密集预测的视觉任务。
PLACID：基于视频扩散与合成轨迹的身份保持多物体合成
PLACID: Identity-Preserving Multi-Object Compositing via Video Diffusion with Synthetic Trajectories
把预训练 I2V 扩散模型的时序先验当作多物体合成的『布局收敛机制』：随机初始化物体位置，让模型在视频帧序列中把它们平滑移动到目标布局，取最后一帧作为合成结果；这套『合成轨迹数据 + 末帧取图』的范式可迁移到任何需要多元素一致排布的可控生成任务。
PIX-TAB：结合投机解码与区域图像分割的高效像素级精确表格结构识别方法
PIX-TAB: Efficient PIXel-Precise TABle Structure Recognition Approach with Speculative Decoding and Region-Based Image Segmentation
位置感知的像素级 token 与仅训练期使用的框监督，为文档版面这类密集结构化预测提供了可复用的空间定位方案；投机解码在序列式结构生成上的加速也可迁移到其他自回归式视觉输出任务。
PHASE-Net：面向高效远程光电容积脉搏波测量的物理锚定谐波注意力系统
PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement
把血流动力学的 Navier-Stokes 方程离散解推导为因果卷积，为 rPPG 的时序建模提供物理依据；其零 FLOPs 的轴向通道交换与逐帧自适应空间掩码，可直接迁移到其他需要跨区域交互与噪声抑制的面部视频时序任务。
PHANTOM：联合建模视觉与潜物理动力学的物理注入式视频生成
PHANTOM: Physics-Infused Video Generation via Joint Modeling of Visual and Latent Physical Dynamics
把物理状态的潜变量推断直接嵌入视频生成的条件路径，为做视频生成的人提供了一种无需显式物理参数、可端到端训练的物理一致性约束方式，可直接迁移到世界模型与可控视频预测任务。
PHAC：可提示的人体非模态补全
PHAC: Promptable Human Amodal Completion
将点级提示（关节、边界框）经 ControlNet 注入预训练扩散模型，并仅微调交叉注意力块以保持生成先验，这一「轻量适配 + 多类型提示编码」范式可直接迁移到其他需要用户精细控制的条件生成任务。
PGR-Net：用于脑肿瘤 MRI 分割的先验引导 ROI 推理网络
PGR-Net: Prior-Guided ROI Reasoning Network for Brain Tumor MRI Segmentation
把「病灶只占体数据很小一部分」这一临床空间先验显式建模成 ROI 决策机制（分层 Top-K 候选区域选择 + 高斯窗口衰减引导图），可直接迁移到其他稀疏目标分割任务（如小器官、微转移灶、肺结节）以削减背景冗余计算。
PGA：面向实用无盒场景的无先验生成式攻击
PGA: Prior-free Generative Attack for Practical No-box Scenario
为视觉模型安全评估提供了一条无需先验数据、仅用少量无标签图像即可训练生成器产出对抗扰动的路径，其课程引导的微鲁棒优化与区域一致性扰动学习可直接迁移到黑盒迁移攻击与对抗训练的数据高效设定中。
PG-VTON：基于图像块引导参考对齐的单次免训练虚拟试衣
PG-VTON: Single-Pass Training-Free Virtual Try-On via Patch-Guided Reference Alignment
把现成的图像修复扩散模型当作上下文补全器，仅用早期去噪步注入服装图像块、并在注意力层强化掩码区域 token 对服装 token 的关联，就能单次前向完成试衣；这套「不改权重、只调注入时机与注意力」的思路可直接迁移到其他参考图驱动的局部编辑任务。
PFGNet：一种用于高效时空预测学习的全卷积频率引导外周门控网络
PFGNet: A Fully Convolutional Frequency-Guided Peripheral Gating Network for Efficient Spatiotemporal Predictive Learning
用像素级频率引导门控动态调制感受野、以可分离一维大核卷积替代循环/注意力做时空建模，为视频预测与时空表征提供了一种全并行、低 FLOPs 的卷积骨干设计思路。
PETAR：面向 PET 自动报告的掩码感知视觉语言建模与局部化发现生成
PETAR: Localized Findings Generation with Mask-Aware Vision-Language Modeling for PET Automated Reporting
把 3D 病灶分割掩码作为显式空间条件注入视觉语言模型，并用 3D focal prompt 聚焦占体积极小（<0.1%）的病灶，这一「掩码感知 + 局部提示」思路可迁移到任何需要空间定位依据的医学或细粒度视觉语言生成任务。
PET-DINO：通过提示词增强训练将视觉线索统一到 Grounding DINO 中
PET-DINO: Unifying Visual Cues into Grounding DINO with Prompt-Enriched Training
在 Grounding DINO 这类文本提示检测器上，用轻量视觉提示生成模块（AFVPG）把视觉线索注入文本提示路径，并配合批内并行提示与动态记忆提示两种训练策略，为开放词表/零样本检测提供了一条无需复杂多阶段优化的视觉提示融合方案。
PECCVAI：克服 AI 图像水印在视觉转述攻击下的脆弱性
PECCVAI: Overcoming the Brittleness of AI Image Watermarking Under Visual Paraphrasing Attacks
提出视觉转述攻击（caption→扩散模型重生成）可同时移除可见与不可见水印，并给出基于非融化点（NMP）与多通道频域编码的鲁棒水印方案 PECCAVI，为生成内容溯源与版权保护提供可复用的攻防基准。
PEARL：几何对齐语义的免训练开放词表语义分割
PEARL: Geometry Aligns Semantics for Training-Free Open-Vocabulary Semantic Segmentation
提出一种免训练、即插即用的两阶段推理框架：在自注意力块内用正交Procrustes对齐旋转key到query子空间，再用文本感知的拉普拉斯图求解细化像素logits，可复用于其他需要跨模态对齐的密集预测任务。
PE3R：感知高效的三维重建
PE3R: Perception-Efficient 3D Reconstruction
把 2D 语义先验与多视图几何融合进一个免调优的前馈管线，可直接用于从无位姿图像做开放词表三维语义重建，替代逐场景优化，并可作为三维场景理解中语义与几何联合评测的基线。
PDD：面向医学异常检测的流形先验多样性蒸馏
PDD: Manifold-Prior Diverse Distillation for Medical Anomaly Detection
把双教师（VMamba 全局上下文 + wide-ResNet50 局部结构）先验统一到共享高维流形再蒸馏给双学生，并用多样性损失防表征坍缩；这套「流形匹配统一 + 双学生互补蒸馏」可直接迁移到工业/医学以外的无监督异常检测与多源特征融合场景。
PDCR：面向视觉语言推理的感知分解置信度奖励
PDCR: Perception-Decomposed Confidence Reward for Vision-Language Reasoning
对做 VLM 推理训练的人，这篇给出了一个可直接复用的奖励塑形思路：用模型内部的 Visual Dependence Score 把推理链中的视觉感知步与文本推理步分开，再在各自簇内归一化置信度增益，避免稀疏视觉步的信号被密集文本步淹没；该分解与归一化流程可迁移到任何带思维链的多模态强化学习训练中。
PCA-Seg：重新审视开放词表语义分割与部件分割中的代价聚合
PCA-Seg: Revisiting Cost Aggregation for Open-Vocabulary Semantic and Part Segmentation
把开放词表分割中「空间聚合→类别聚合」的串行代价体处理改为并行双流（语义流+上下文流）加正交化解耦，并用系数映射器做像素级自适应加权；做开放词表分割或需要从图文代价体中抽取对齐线索的工作可直接复用该并行聚合块（仅增 0.35M 参数）。
PC-Talk：音频驱动说话人脸生成的精确面部动画控制
PC-Talk: Precise Facial Animation Control for Audio-Driven Talking Face Generation
通过隐式关键点变形实现唇音对齐与情感解耦控制，为音频驱动人脸生成提供可复用的精细控制手段，支持说话风格编辑与情感强度/混合调控。
PAVAS：物理感知的视频到音频合成
PAVAS: Physics-Aware Video-to-Audio Synthesis
把 VLM 估计的物体质量与基于分割的动态三维重建得到的运动轨迹作为物理条件注入潜变量扩散，为视觉研究者提供了一条「从视频中显式提取物理量再驱动跨模态生成」的可复用管线，也给出了用 APCC 衡量生成结果物理一致性的评测思路。
PAUL：不确定性引导的分区与增强用于噪声对应下的鲁棒跨视角地理定位
PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence
针对跨视角地理定位中因GPS漂移导致的图像对空间错位（噪声对应）问题，提出基于数据不确定性和损失模式划分干净/噪声样本、并对高置信区域做局部增强的鲁棒训练框架，可复用于其他存在标注噪声或弱对应的视觉检索/匹配任务。
PAS：用于检测大型视觉语言模型中物体幻觉的预生成注意力分数
PAS: Prelim Attention Score for Detecting Object Hallucinations in Large Vision-Language Models
PAS 提供了一种无需额外前向传播、仅利用解码时对已生成 token 的注意力权重来实时检测物体幻觉的信号，可直接用于 LVLM 推理时的过滤与干预，也为分析 LVLM 的图像依赖程度提供了可复用的量化手段。
PAS：视频大语言模型时序编码的免训练稳定器
PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs
对做视频 LLM 的人，这是一个即插即用的推理期补丁：不改结构、不重训，只在各注意力头上加相反相位偏移再聚合，就能让多模态 RoPE 的时序核变平滑、注意力对帧时序抖动更稳；可直接套到任意用 3D RoPE 的视频 LLM 上提升时序鲁棒性。
PARSE：部件感知的关系空间建模
PARSE: Part-Aware Relational Spatial Modeling
提出部件级装配图（PAG）作为结构化先验，可注入3D生成模型提升物理真实感与结构复杂度；同时为视觉语言模型提供部件级关系监督，增强空间推理能力。
PAMotion：面向多物体全身交互的物理感知动作生成
PAMotion: Physics-Aware Motion Generation for Full-Body Interaction with Multiple Objects
把「物体加速度与接触状态的一致性」做成可微的物理感知损失，并采用由粗到细的分阶段条件生成（先躯干与物体平移、再手部与物体旋转），这套思路可直接迁移到任何需要物理合理性的扩散式人体/物体联合运动生成任务。
PAM：面向仿真到现实手物交互视频生成的姿态-外观-运动引擎
PAM: A Pose-Appearance-Motion Engine for Sim-to-Real HOI Video Generation
把手物交互的位姿、外观、运动统一进一个可控视频生成引擎，并用生成视频作为合成数据反哺下游手部姿态估计，为视觉研究者提供了「生成即数据增强」的闭环范式，以及深度/分割/关键点多条件输入的具体消融结论。
PALM：面向长程机器人操作、经由可供性推理的进度感知策略学习
PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation
把可供性（物体相关性、接触几何、空间摆放、运动动态）作为视觉-运动控制的中间表征来蒸馏，并配合连续子任务进度预测，为 VLA 类模型提供可复用的长程执行稳定化思路。
PAI-Bench：面向物理 AI 的综合基准
PAI-Bench: A Comprehensive Benchmark For Physical AI
做视频生成或视频理解的人可以直接用 PAI-Bench 的 2,808 个真实案例和任务对齐指标，检验模型是否保持物理一致的动力学，而不是只看视觉保真度；也可借鉴其条件视频生成与视频理解统一评测的协议设计。
PAF：面向开放集半监督学习的扰动感知过滤
PAF: Perturbation-Aware Filtering for Open-Set Semi-Supervised Learning
把「语义保持扰动下表征是否稳定」当作区分 ID/OOD 的表示级信号，可直接迁移到任何需要从无标注池中筛掉分布外样本的视觉训练流程（如开放世界分类、半监督检测的伪标签过滤）。
PAD-Hand：面向手部运动恢复的物理感知扩散模型
PAD-Hand: Physics-Aware Diffusion for Hand Motion Recovery
把欧拉-拉格朗日动力学残差当作虚拟观测，接入条件扩散模型来精修手部姿态序列，并用最后一层拉普拉斯近似给出逐关节、逐帧的物理一致性方差；做手部或人体运动捕捉时，可直接复用这套「物理残差+不确定性」的后处理精修思路。
PACT：视觉语言模型基于适配器的持续学习中的类相变约束
PACT: Phase-Like Transition Constraints in Adapter-Based Continual Learning of Vision-Language Models
在基于适配器的持续学习中，用类似相变的稳定性/可塑性正则与先验锚定替代正交约束，让视觉语言模型在任务间保留可迁移共享；做增量适配器训练时可复用其双分支 ViT 结构与稳定适配器初始化。
PA-Attack：以原型与注意力引导针对 LVLM 视觉编码器的灰盒攻击
PA-Attack: Guiding Gray-Box Attacks on LVLM Vision Encoders with Prototypes and Attention
把视觉编码器当作跨模型稳定的灰盒攻击支点，并用 token 级注意力分数定位关键视觉 token 施加扰动，这一思路可直接迁移到对 CLIP/ViT 类视觉骨干的对抗鲁棒性评测与防御设计上。
P2GS：物理先验引导的高斯泼溅用于光度一致的城市重建
P2GS: Physical Prior-guided Gaussian Splatting for Photometrically Consistent Urban Reconstruction
把逐视角曝光尺度与色调映射函数作为可优化变量，与线性 HDR 辐射场联合分解，可在无 HDR 监督下消除多相机驾驶数据中的跨视角光度不一致，对做街景重建与闭环仿真的人可直接复用。
P-Flow：以提示词驱动视觉特效生成
P-Flow: Prompting Visual Effects Generation
把视觉语言模型当作奖励/评判器，在测试时迭代优化文本提示词，从而免训练地为视频生成注入高层动态特效；这套「VLM 反馈 + 提示词迭代」的框架可直接迁移到风格化、物理现象模拟等难以用轨迹显式控制的可控生成任务。
Ov3R：从 RGB 视频进行开放词表语义三维重建
Ov3R: Open-Vocabulary Semantic 3D Reconstruction from RGB Videos
把 CLIP 语义直接注入三维重建主干（CLIP3R 预测带物体级语义的稠密点图），再用 2D-3D 融合描述子把二维开放词表特征提升到三维，为开放词表三维分割与全局一致重建提供了一条可复用的「重建即语义」路线。
面向逆问题的离群点鲁棒扩散求解器
Outlier-Robust Diffusion Solvers for Inverse Problems
把 Huber 型迭代重加权最小二乘与共轭梯度求解嵌入扩散逆问题采样，为测量含离群点（如去噪、超分、修复中的坏像素/遮挡）时提供可直接替换的鲁棒求解器。
视野之外即跟踪之外：通过查询状态操纵对基于传播的多目标跟踪器实施对抗攻击
Out of Sight, Out of Track: Adversarial Attacks on Propagation-based Multi-Object Trackers via Query State Manipulation
针对 Tracking-by-Query-Propagation 类跟踪器的查询传播机制设计对抗攻击：通过时序查询洪泛耗尽查询预算、通过状态去相关破坏查询更新器的时序记忆，并借助可微传感器欺骗仿真优化扰动，为评估 E2E MOT 跟踪器的鲁棒性提供了可复用的攻击范式与失效模式分析。
Otil：通过通信高效的多 GPU 并行加速扩散模型推理
Otil: Accelerating Diffusion Model Inference via Communication-Efficient Multi-GPU Parallelism
对做扩散模型高分辨率/视频生成的研究者，这是一种即插即用的多卡并行推理方案：利用相邻去噪步潜变量变化微小的性质，只同步信息量最大的潜变量子块并周期性轮询全部空间区域，可在不改架构、不重训的前提下把 GPU 间通信降低最多 87.5%，与少步采样器和低秩适配叠加后进一步提速。
面向不完整遥感数据的正交空间感知多视图锚图聚类
Orthogonal Spatial-Aware Multi-View Anchor Graph Clustering for Incomplete Remote Sensing Data
面向多视图遥感数据缺失场景，用超像素纹理构造空间感知锚点与多尺度锚图，并在共享潜空间做结构对齐与正交空间正则，可作为处理不完整多视图表征学习的可复用框架。
OrthoFuse：面向扩散模型的正交风格-概念适配器免训练黎曼融合
OrthoFuse: Training-free Riemannian Fusion of Orthogonal Style-Concept Adapters for Diffusion Models
对做个性化/风格化扩散生成的人，这提供了一条无需再训练就能把主体适配器与风格适配器合并的路径：利用 GS 正交矩阵所在流形的测地线近似做乘法式适配器融合，并配合谱恢复变换保住融合后的频谱特性，可直接插到现有 OFT/LoRA 式微调流程里。
OrionEdit：连接参考图像与源图像以实现泛化的跨图像编辑
OrionEdit: Bridging Reference and Source Images for Generalized Cross-Image Editing
把「参考图→源图」的跨图像编辑形式化为可控生成任务，并用对称正交子空间解耦加反向因果注意力掩码约束潜变量单向依赖，这套解耦与信息流掩码思路可直接迁移到多条件控制、个性化生成与风格迁移中，用来抑制参考信息泄漏到不该改的区域。
OrienPose：方向引导的新视角合成用于单图像未见物体姿态估计
OrienPose: Orientation-Guided Novel View Synthesis for Single-Image Unseen Object Pose Estimation
论文将方向线索显式注入参考视图的潜变量嵌入，并用几何层面的方向一致性损失监督视角变换，这为基于新视角合成的物体姿态估计提供了可复用的几何约束思路，能提升模板匹配的可靠性。
顺序很重要：从序列化 VR 草图生成三维形状
Order Matters: 3D Shape Generation from Sequential VR Sketches
把笔画时序作为条件信号注入草图编码器，再驱动扩散式三维生成器，为「手绘/交互输入→三维内容」这类任务提供了可复用的顺序感知编码思路与合成数据自动生成管线。
OralGPT-Plus：通过强化学习学会使用视觉工具进行全景 X 光分析
OralGPT-Plus: Learning to Use Visual Tools via Reinforcement Learning for Panoramic X-ray Analysis
把「调用视觉工具做局部复查 + 对侧对称比较」建模成可学习的多步推理策略，并用 rubric 奖励与诊断驱动奖励稳定长程强化学习，这套 agentic 交互范式可迁移到任何需要细粒度空间核查的视觉语言模型任务（如病灶定位、遥感判读）。
OralGPT-Omni：一种多功能的牙科多模态大语言模型
OralGPT-Omni: A Versatile Dental Multimodal Large Language Model
构建了牙科领域的思维链数据集 TRACE-CoT 和统一多模态基准 MMOral-Uni，其四阶段训练范式可迁移到其他医学影像的 VLM 微调中，为领域专用 MLLM 的可靠性评估提供了可复用的数据构造与评测思路。
OraPO：面向数据高效与事实准确的放射学报告生成的 Oracle 教育强化学习
OraPO: Oracle-educated Reinforcement Learning for Data-efficient and Factual Radiology Report Generation
把 GRPO 探索失败的样本通过轻量 oracle 步骤转成直接偏好监督，配合基于原子临床事实蕴含检查的句级稠密奖励，为视觉语言模型在低数据预算下做单阶段 RL 训练提供了可复用范式。
光流匹配：将光流重构为连续输运动力学
Optical Flow Matching: Reframing Optical Flow as Continuous Transport Dynamics
把光流从逐帧离散匹配重构为学习时变速度场的连续输运问题，其三角速度协同（TVS）几何约束与 Euler ODE 求解可直接替换现有光流网络的位移回归头，为时序平滑与跨数据集泛化提供新思路。
面向半导体光刻的基于光学衍射的卷积
Optical Diffraction-based Convolution for Semiconductor Lithography
把光学衍射的相位传播先验写进卷积核（optical phase kernel），为需要物理一致性的成像逆问题提供了一种可复用的「物理算子嵌入网络」范式，可迁移到计算成像、相位恢复等任务。
OptiMVMap：基于最优多车视角的离线向量化地图构建
OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives
将多车视角融合建模为「先选择后融合」问题，其不确定性引导的辅助车选择与跨车注意力对齐机制，可直接用于BEV地图构建中缓解遮挡与位姿噪声。
Opti-NeuS：面向双层透明与不透明物体的神经重建
Opti-NeuS: Neural Reconstruction for Dual-Layered Transparent and Opaque Objects
用网络预测空间变化的折射率来追踪折射光线路径，从而把透明物体的折射畸变纳入神经隐式重建；两阶段分层解耦加 alpha 混合分离内外表面，可直接迁移到透明容器、玻璃、液体等混合材质的重建与渲染。
为人形机器人像素到动作策略迁移打开仿真到现实之门
Opening the Sim-to-Real Door for Humanoid Pixel-to-Action Policy Transfer
论文展示了仅凭 RGB 感知、完全在仿真中训练的人形机器人全身 loco-manipulation 策略如何零样本迁移到真实铰接物体（如多种门）上；其中分阶段重置探索与基于 GRPO 的微调可用于缓解视觉部分可观测性、提升闭环一致性，对做视觉-动作策略 sim-to-real 的研究者是可复用的训练配方。
OpenVoxel：面向开放词表三维场景理解的免训练体素分组与描述生成
OpenVoxel: Training-Free Grouping and Captioning Voxels for Open-Vocabulary 3D Scene Understanding
对做开放词表 3D 场景理解的视觉研究者，这篇论文提供了一条免训练路径：直接在稀疏体素光栅化（SVR）模型的分组结果上，用 MLLM 做文本到文本检索，替代 CLIP/BERT 文本嵌入，可复用于 OVS/RES 等 3D 任务。
OpenVision 2：面向多模态学习的一族生成式预训练视觉编码器
OpenVision 2: A Family of Generative Pretrained Visual Encoders for Multimodal Learning
去掉文本编码器和对比损失、仅用captioning loss训练视觉编码器，可作为一种更省显存和时间的视觉表征预训练方案，直接用于多模态大模型的视觉塔初始化。
OpenVO：具备时序动态感知的开放世界视觉里程计
OpenVO: Open-World Visual Odometry with Temporal Dynamics Awareness
把观测频率作为显式条件编码进两帧位姿回归，并借助基础模型的3D几何先验，使单目视觉里程计在未知帧率与未标定相机下仍能输出真实尺度轨迹；做行车记录仪或任意变帧率视频的轨迹提取、3D重建时可直接复用这一设定。
OpenT2M：基于开源、大规模、高质量数据的无冗余运动生成
OpenT2M: No-frill Motion Generation with Open-source, Large-scale, High-quality Data
2D-PRQ 按人体生物学部位划分并捕捉时空依赖的运动分词器，可复用于人体动作表示与长时序运动合成；OpenT2M 的物理可行性校验与多粒度过滤流程，为构建高质量人体运动数据提供可借鉴的自动化管线。
OpenMarcie：工业环境下多模态动作识别数据集
OpenMarcie: Dataset for Multimodal Action Recognition in Industrial Environments
提供了大规模多模态工业动作识别基准，可用于评测第一人称/第三人称视频中的动作分类、开放词表描述和跨模态对齐方法，推动真实制造场景下的视觉-可穿戴信号融合研究。
OpenMMReasoner：以开放通用方案推动多模态推理前沿
OpenMMReasoner: Pushing the Frontiers in Multimodal Reasoning with an Open and General Recipe
提供了一套透明可复现的多模态推理训练流程（SFT+RL），视觉研究者可直接复用其数据构建与训练设计来提升VLM的推理能力，或作为基线进行对比。
OpenFS：具备隐式手语手检测与帧级字母条件合成的多手手指拼写识别
OpenFS: Multi-Hand-Capable Fingerspelling Recognition with Implicit Signing-Hand Detection and Frame-Wise Letter-Conditioned Synthesis
提出隐式手语手检测与单调对齐损失，可复用于手语识别、手势理解等需要时序对齐与手部定位的任务；帧级字母条件生成器为数据增强与合成基准构建提供思路。
OpenDance：基于大规模互联网数据的多模态可控 3D 舞蹈生成
OpenDance: Multimodal Controllable 3D Dance Generation with Large-scale Internet Data
提出统一的掩码建模框架，通过解耦自编码器与多模态联合预测 Transformer，实现音乐、文本、关键点、轨迹任意组合条件下的 3D 舞蹈生成，为多条件可控人体运动生成提供了可复用的架构与大规模数据集。
OpenDPR：基于视觉中心扩散引导原型检索的遥感影像开放词表变化检测
OpenDPR: Open-Vocabulary Change Detection via Vision-Centric Diffusion-Guided Prototype Retrieval for Remote Sensing Imagery
将扩散模型作为离线原型生成器，在视觉空间进行开放词表检索，为视觉基础模型（SAM、DINOv2）与视觉语言模型（CLIP）的类别识别瓶颈提供免训练解决方案；S2C 弱监督模块可复用为适配 VFM 空间先验的通用变化定位方法。
基于结构与接触感知表征的开放世界手物交互视频生成
Open-world Hand-Object Interaction Video Generation Based on Structure and Contact-aware Representation
提出一种无需3D标注的结构与接触感知表征（手物接触、遮挡、整体结构上下文），可作为辅助监督信号嵌入视频生成模型，并用共享-特化联合生成范式同时生成表征与视频；对做可控/物理真实视频生成的人，这是一个可复用的表征监督与联合训练思路。
城市场景分割中的开放词表域泛化
Open-Vocabulary Domain Generalization in Urban-Scene Segmentation
把状态空间模型（SSM）用于修正 VLM 在域偏移下的文本-图像相关性，这一思路可迁移到任何依赖 CLIP 类图文对齐的开放词表分割、检测任务中，用于缓解分布变化导致的图文错配。
自动驾驶中基于大语言模型的多规划器调度的开放式指令实现
Open-Ended Instruction Realization with LLM-Enabled Multi-Planner Scheduling in Autonomous Vehicles
对做自动驾驶视觉感知与规划的研究者，这篇提供了一个把开放语言指令经 LLM 解析为可执行脚本、再调度多个 MPC 规划器的分层接口，可借鉴其「语义推理与底层控制解耦、跨时间尺度」的设计，以及闭环指令实现基准来评测语言条件规划。
打开动作之门：面向开放词表动作生成的原子动作分解与重组
Open the Motion Door: Atomic Motion Decomposition and Recomposition for Open-Vocabulary Motion Generation
把开放词表文本拆成可复用的原子动作单元再重组，这一「分解-重组」思路可直接迁移到开放词表视频生成、组合式动作合成与长时序动作拼接，缓解域外文本泛化差的问题。
OntoAug：以本体引导重新审视生成式数据增强
OntoAug: Rethinking Generative Data Augmentation via Ontology Guidance
把前景掩码与多样化背景提示注入扩散采样过程，实现主体一致、上下文多样的可控合成数据；这套「结构化布局控制 + 提示解耦」思路可直接迁移到任何需要扩充训练集的识别任务，并可作为 WSOL 与 LVLM 推理的增强手段。
OnlinePG：基于三维高斯泼溅的在线开放词表全景建图
OnlinePG: Online Open-Vocabulary Panoptic Mapping with 3D Gaussian Splatting
把 3D 高斯泼溅做成在线增量式全景建图系统：滑动窗口内用几何+语义的 3D 分割聚类图融合碎片实例，再用双向二分图实例匹配把局部高斯图并入全局图，可直接复用到机器人/具身场景的实时开放词表语义地图构建。
OnlineHMR：基于视频的在线世界坐标人体网格恢复
OnlineHMR: Video-based Online World-Grounded Human Mesh Recovery
OnlineHMR 提供了一种完全在线的人体网格恢复框架，其因果键值缓存和滑动窗口学习策略可复用于其他需要流式推理的时序视觉任务，而增量式SLAM的世界坐标对齐方法为动态场景下的轨迹校正提供了新思路。
Online3R：基于几何基础模型的在线学习一致序列重建
Online3R: Online Learning for Consistent Sequential Reconstruction Based on Geometry Foundation Model
将轻量可学习视觉提示注入冻结的几何基础模型，并通过局部-全局自监督一致性约束在测试时在线更新，为视觉中的序列重建提供了一种无需真值的高效自适应方案。
基于对数据集级平均精度边际贡献的目标检测在线数据筛选
Online Data Curation for Object Detection via Marginal Contributions to Dataset-level Average Precision
DetGain 把每张图对数据集级 AP 的边际扰动作为在线采样分数，并用教师-学生贡献差挑样本；做检测训练时可直接套用这套打分器做数据筛选，且与知识蒸馏叠加还能再涨点。
OneThinker：面向图像与视频的一体化推理模型
OneThinker: All-in-one Reasoning Model for Image and Video
把图像与视频的问答、描述、空间/时序定位、跟踪、分割统一进一个 MLLM，并用 EMA-GRPO 处理多任务 RL 的奖励异质性，为做统一视觉推理模型的人提供了可复用的多任务 RL 平衡策略与跨任务知识迁移证据。
OneStory：基于自适应记忆的连贯多镜头视频生成
OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory
将多镜头视频生成重构为逐镜头自回归的下一镜头生成任务，并复用预训练 I2V 模型；其帧选择构建全局记忆与重要性引导的 patch 化压缩上下文，可直接迁移到长视频生成、故事化叙事以及任何需要跨片段长程一致性的条件生成任务。
OneSparse：视觉模型中稀疏激活层的统一框架
OneSparse: A Unified Framework for Sparse Activation Layers in Vision Models
提出统一的稀疏激活层抽象（OneSparse）和Nexus层，将MoE与记忆模块结合，为视觉模型提供可插拔的高效模块，可直接用于替换CNN/Transformer中的FFN或卷积层以提升性能-效率前沿。
OneOcc：基于单个全景相机的腿足机器人语义占用预测
OneOcc: Semantic Occupancy Prediction for Legged Robots with a Single Panoramic Camera
针对腿足/人形机器人平台，提出仅用单个全景相机进行360°语义占用预测的框架，其双投影融合、双网格体素化和步态位移补偿模块可被复用于其他存在剧烈抖动的移动平台的全景3D感知任务。
OneHOI：统一人体-物体交互生成与编辑
OneHOI: Unifying Human-Object Interaction Generation and Editing
把人体-物体交互建模成角色/实例感知的 HOI token 加布局空间锚定，并用结构化注意力与 HOI RoPE 约束交互拓扑，这套条件注入方式可直接迁移到人物-物体合成、场景布局可控生成等需要多实体关系约束的扩散采样任务。
OneCAT：面向统一理解与生成的纯解码器自回归模型
OneCAT: Decoder-Only Auto-Regressive Model for Unified Understanding and Generation
用模态专属 MoE 加统一自回归目标，在纯 decoder-only Transformer 内同时做理解、生成与编辑，推理时不再依赖 ViT 和视觉分词器，对高分辨率输入输出尤其省算力；scale-aware adapter 把多尺度视觉自回归塞进 LLM，给做统一多模态生成的人一条低延迟、可原生支持动态分辨率的替代路线。
一对多：基于注意力控制的高保真免训练异常生成
One-to-More: High-Fidelity Training-Free Anomaly Generation with Attention Control
提出基于自注意力嫁接的免训练少样本异常生成方法，通过操纵三个并行扩散过程并引入异常掩码与双注意力增强，为视觉中数据稀缺场景的生成式数据增强提供了可复用的注意力控制思路。
One-to-All Animation：免对齐的角色动画与图像姿态迁移
One-to-All Animation: Alignment-Free Character Animation and Image Pose Transfer
把参考图与目标姿态的空间错位问题重构成自监督外绘任务，并用混合参考融合注意力处理变分辨率与动态序列长度，这套思路可直接迁移到任意参考布局下的可控视频生成与身份保持任务。
面向可控真实世界图像超分辨率的单步扩散 Transformer
One-Step Diffusion Transformer for Controllable Real-World Image Super-Resolution
把 Qwen-Image 这类大规模扩散 Transformer 改造成单步 Real-ISR 的骨干，用双视觉流（可调噪声 + 一致噪声）在一步内同时保住保真度与提示词可控性，可直接迁移到其他单步复原/翻译式复原任务（去噪、去模糊、老照片修复）并复用其 FAA 训练策略。
一次光流，任意时刻帧：面向事件相机视频帧插值的双向扭曲框架
One-Shot Flow, Any-Time Frame: A Bidirectional Warping Framework for Event-Based Video Frame Interpolation
提出一次性计算双向光流轨迹、任意时刻查询光流的框架，对事件相机视频插值和高效光流估计有直接参考价值，可复用于需要任意时刻运动表示的时序任务。
一个Token，两种命运：通过视觉Token操控对抗多模态大模型幻觉的统一框架
One Token, Two Fates: A Unified Framework via Vision Token Manipulation Against MLLMs Hallucination
对做多模态大模型幻觉的研究者，这篇给出了一个免训练、只在潜空间操作的视觉token双向用法：用增强图像的token强化视觉表征，用剪枝后的token构造潜空间负样本校正语言先验偏置，可直接插到LLaVA类模型的推理流程里，代价仅1.06倍延迟。
一个图像块描述所有：统一零样本描述框架
One Patch to Caption Them All: A Unified Zero-Shot Captioning Framework
将图像描述从全局图像级转向以图像块为原子单元，利用DINO等骨干网络产生的密集视觉特征，无需区域级监督即可实现任意区域（包括非连续区域）的零样本描述，为开放世界区域理解提供了可复用的范式。
一个模型，多种预算：面向扩散 Transformer 的弹性潜变量接口
One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers
把 DiT 的计算量与输入分辨率解耦：用可学习、可变长的潜变量序列作为中间接口，配合轻量 Read/Write 交叉注意力在空间词元与潜变量之间搬运信息，并通过随机丢弃尾部潜变量训练出重要性有序的表示，推理时按算力预算截断潜变量数量即可实现连续的延迟-质量权衡。做高分辨率生成或需要在固定算力下部署扩散模型的工作可直接把该模块插进现有 DiT/U-ViT/MM-DiT 主干。
一层的垃圾是另一层的宝藏：LVLM 中的自适应逐层视觉词元选择
One Layer's Trash is Another Layer's Treasure: Adaptive Layer-wise Visual Token Selection in LVLMs
对做多模态大模型视觉侧推理加速的人，这篇给出了「按层动态选择视觉词元 + 被跳过词元在后续层重新汇入」的免训练方案，并用重要性一致性约束的低秩近似来逼近全注意力，可直接替换现有静态剪枝模块以缓解早期层信息丢失。
一个算法对齐所有：基于 Rectified Flow 的结构对齐联合推理
One Algorithm to Align Them All
提出基于 Rectified Flow 的联合传输方法，可在任意结构化潜变量空间上实现成对样本的结构对齐生成，替代 SDS 用于 3D 生成时速度提升数量级，为图像/视频/3D 的配对生成提供可复用框架。
论时序粒度在脉冲神经网络鲁棒性中的作用
On the Role of Temporal Granularity in the Robustness of Spiking Neural Networks
提出时序粒度攻击（TG-Attack）和时序敏感度（TSV）来评估脉冲神经网络在单个时间步的鲁棒性，并设计时序粒度正则化（TG-Reg）提升整体鲁棒性，为SNN的对抗鲁棒性分析提供了细粒度工具。
论词元的困境：面向大型视觉语言模型持续学习的漂移感知词元分配动态混合专家
On Token's Dilemma: Dynamic MoE with Drift-Aware Token Assignment for Continual Learning of Large Vision Language Models
对做 LVLM 持续指令微调的人，这篇给出了 token 级诊断视角：用路由分数分布区分歧义/旧任务词元，并对它们施加定向正则，避免被新专家吸走；这套「漂移感知词元分配」可直接插到任何增量扩专家的 MoE-LVLM 上。
OmniZip：学习一个统一且轻量的多模态数据无损压缩器
OmniZip: Learning a Unified and Lightweight Lossless Compressor for Multi-Modal Data
其模态统一分词器把图像可逆地映射为 token 序列，配合模态路由的上下文建模，为视觉研究者提供了一种把图像压缩/编码与轻量 Transformer 骨干结合的思路，可用于端侧图像存储与传输、以及作为生成模型分词器设计的参考。
OmniZip：面向快速全模态大模型的语言模型音频引导动态词元压缩
OmniZip: Audio-Guided Dynamic Token Compression for Fast Omnimodal Large Language Models
对做视频多模态理解的人，这套「用音频显著性动态决定视频词元保留率」的免训练压缩流程可以直接插到任意 OmniLLM 的视觉编码器之后，作为长视频词元预算分配的可复用策略；其按时间组计算信息密度再交错时空剪枝的做法，也可迁移到纯视觉视频 LLM 的帧级词元裁剪。
OmniVTG：面向开放世界视频时序定位的大规模数据集与训练范式
OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding
提出自校正思维链训练范式，让多模态大模型先预测再反思修正，可迁移到其他需要精确定位的视觉语言任务；同时发布大规模开放世界视频时序定位数据集，为后续研究提供基准。
OmniVGGT：全模态驱动的视觉几何基础 Transformer
OmniVGGT: Omni-Modality Driven Visual Geometry Grounded Transformer
GeoAdapter 通过零初始化卷积将深度与相机内外参注入空间基础模型，配合随机模态子集训练，使模型在推理时可灵活利用任意数量辅助几何输入而不牺牲速度，为多视图三维重建与相机姿态估计提供了可复用的多模态融合范式。
OmniSonic：面向视频与文本的通用整体音频生成
OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text
TriAttn-DiT 用三路交叉注意力分别处理屏内环境声、屏外环境声与语音条件，并以 MoE 门控自适应加权，这种「多条件分支 + 门控融合」的结构可直接迁移到视频到音频、视频到音乐等多模态条件生成任务中；UniHAGen-Bench 也提供了评估视频条件音频生成的评测协议。
OmniLottie：通过参数化 Lottie 分词器生成矢量动画
OmniLottie: Generating Vector Animations via Parameterized Lottie Tokens
将 Lottie 矢量动画参数化为函数调用序列，并借助预训练视觉语言模型以多模态指令（文本、图像、视频）为条件进行生成，为矢量图形与动画生成提供了可复用的表示与训练范式。
OmniGround：面向真实复杂场景的综合时空视觉定位基准
OmniGround: A Comprehensive Spatio-Temporal Grounding Benchmark for Real-World Complex Scenarios
STVG 被拆成「高层时序定位 + 细粒度时空传播」两阶段且免训练，可直接套用到现有多模态大模型上做视频目标定位，无需微调即可提升小目标与遮挡场景的 m_tIoU/m_vIoU。
OmniGen2：迈向指令对齐的多模态生成
OmniGen2: Towards Instruction-Aligned Multimodal Generation
两阶段范式（先构建世界知识基础模型，再用渐进式多任务强化学习对齐）可直接迁移到任何需要细粒度指令遵循的视觉生成任务；解耦解码架构与新型位置编码方案为统一多模态生成器的效率设计提供参考。
OmniFood8K：基于分层频域对齐融合的单图营养估计
OmniFood8K: Single-Image Nutrition Estimation via Hierarchical Frequency-Aligned Fusion
单张 RGB 图像经深度估计后，用频域分层对齐融合 RGB 与深度特征，并用基于掩码的检测头动态选择通道突出关键食材区域；这套「伪深度+频域融合」思路可迁移到任何缺乏深度传感器的细粒度识别任务。
OmniFM：面向异构医学影像的模态鲁棒与任务无关联邦学习
OmniFM: Toward Modality-Robust and Task-Agnostic Federated Learning for Heterogeneous Medical Imaging
把低频频谱分量当作跨模态共享的解剖结构先验，这一思路可直接迁移到多模态医学图像的分割/超分骨干上，用频域提示替代模态专属适配器；其前缀-后缀频谱提示与嵌入级交叉注意力融合也可作为跨模态对齐的轻量插件。
OmniDocLayout：面向多样化文档版面生成的由粗到细大语言模型学习
OmniDocLayout: Towards Diverse Document Layout Generation via Coarse-to-Fine LLM Learning
把版面元素序列当作语言建模对象，用两阶段粗到细的 LLM 学习从通用版面先验迁移到特定文档域，这种「大规模合成数据预训练 + 少量细粒度样本域迁移」的范式可直接迁移到视觉生成中的结构化布局控制（如海报、图文混排、UI 生成）。
OmniBrainBench：面向多阶段临床任务的脑影像分析综合多模态基准
OmniBrainBench: A Comprehensive Multimodal Benchmark for Brain Imaging Analysis Across Multi-stage Clinical Tasks
为视觉语言模型在专业医学域提供覆盖15种脑成像模态、含封闭式与开放式问答的多阶段临床评测协议，可用于诊断MLLM在视觉到临床推理链路上的短板，并作为医学多模态模型选型与改进的对照基准。
Omni2Sound：迈向统一的视频-文本到音频生成
Omni2Sound: Towards Unified Video-Text-to-Audio Generation
提出三阶段多任务渐进训练调度，将视频到音频与文本到音频的跨任务竞争转化为联合优化，并缓解VT2A任务中的模态偏置；该调度策略可迁移到其他多模态条件扩散生成任务（如视频配音、音效生成）中平衡异构条件。
全监督运动编辑：通过正负学习平衡变化与不变性
Omni-Supervised Motion Editing: Balancing Change and Invariance through Positive-Negative Learning
论文提出的正负学习统一监督范式（回顾式特征监督 + 基于源-目标相似度的运动保持 + 三元组语义对齐）可直接迁移到图像/视频编辑扩散模型中，用于缓解编辑时目标区域改动不足与未编辑区域被破坏之间的权衡。
Omni-MMSI：面向身份归属的社交交互理解
Omni-MMSI: Toward Identity-attributed Social Interaction Understanding
论文提出从原始音视频与语音中联合感知「谁说了什么、指向谁」的身份归属线索，并在此基础上做思维链社交推理；对视觉研究者而言，可复用其参与者级参考对构建方式与参考引导的多模态推理流程，用于需要身份绑定的多人视频理解任务。
Omni-Fake：统一多模态社交媒体深度伪造检测基准
Omni-Fake: Benchmarking Unified Multimodal Social Media Deepfake Detection
提供了百万级图像/音频/视频/音视频说话人头的多模态伪造数据集与OOD基准，并给出三元检测（真实/部分篡改/全合成）加空间或时序定位掩码的评测协议，可直接用于训练和评测视觉伪造检测与篡改定位模型；Omni-Fake-R1 的强化学习驱动多模态检测器输出结构化决策与自然语言解释，为可解释伪造检测提供可复用范式。
Omni-Attribute：面向视觉概念个性化的开放词表属性编码器
Omni-Attribute: Open-vocabulary Attribute Encoder for Visual Concept Personalization
把「属性」当作可检索的开放词表嵌入来学习，用正负属性配对数据加对比解耦目标，替代通用编码器的整体嵌入；做个性化/风格迁移时可直接复用该编码器来隔离身份、光照、风格等单一因素，减少信息泄漏。
Omni-Attack：黑盒多模态大语言模型中开放端视觉问答的对抗攻击
Omni-Attack: Adversarial Attacks on Open-Ended VQA in Black-Box Multimodal LLMs
针对开放端视觉问答的黑盒迁移攻击方法，其目标构建流程和位置感知扰动策略可被复用于评估和提升多模态大模型的对抗鲁棒性。
Omni-AD：面向工业异常检测的大规模通用基准
Omni-AD: A Large-scale and Versatile Benchmark for Industrial Anomaly Detection
为工业异常检测提供了一个规模更大、类别更多且同时支持无监督协议与 MLLM 协议（VQA 与视觉定位）的评测平台，可直接用于检验现有 IAD 方法与多模态大模型在细粒度缺陷判别上的真实能力上限。
Omni-3DEdit：单次前向的通用多能 3D 编辑
Omni-3DEdit: Generalized Versatile 3D Editing in One-Pass
把指令驱动的 3D 编辑从「2D 模型引导 + 逐场景迭代优化」改为单次前向的生成模型：沿序列维拼接源视图 latent 与条件 token，并用双流 LoRA 分离不同视图线索，可直接复用到任何需要多视图一致编辑或免优化 3D 编辑的场景。
Omni IIE Bench：面向图像编辑模型实用能力的基准
Omni IIE Bench: Benchmarking the Practical Capabilities of Image Editing Models
为指令式图像编辑模型提供按语义尺度分层的诊断基准，可用于暴露模型在属性修改与实体替换之间的性能不一致，并指导多轮编辑一致性的评测协议设计。
OlmoEarth：面向多模态地球观测的稳定潜空间图像建模
OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation
面向多模态时空遥感数据设计的自监督掩码策略与损失，可作为把掩码图像建模从静态 RGB 扩展到多时相多传感器输入的参考；其嵌入与全微调两套评测协议也值得在遥感下游任务中复用。
Olbedo：面向大规模户外环境的反照率与光照数据集
Olbedo: An Albedo and Shading Aerial Dataset for Large-Scale Outdoor Environments
为户外本征图像分解提供了带多视图一致 albedo/shading、度量深度、法线与 HDR 天空穹顶的真实航空监督，可直接用于微调室内合成数据训练的 CNN/扩散 IID 模型，并支撑 3D 资产重光照与材质编辑。
离网：面向前馈三维高斯泼溅的图元检测
Off The Grid: Detection of Primitives for Feed-Forward 3D Gaussian Splatting
将关键点检测思想引入前馈3DGS的图元放置，用子像素级自适应分布替代像素网格，并基于香农熵动态分配每个图像块的图元数量，为提升前馈三维重建的质量与效率提供了可复用的解码器设计。
OddGridBench：揭示多模态大语言模型缺乏细粒度视觉差异敏感性
OddGridBench: Exposing the Lack of Fine-Grained Visual Discrepancy Sensitivity in Multimodal Large Language Models
OddGridBench 用可控网格图把「细粒度视觉差异检测」拆成颜色/大小/旋转/位置等单属性变量，可直接用来诊断任意 MLLM 的低层感知短板；OddGrid-GRPO 的距离感知奖励 + 课程学习配方也可迁移到其他需要空间定位精度的视觉定位训练中。
Octopus：面向多模态大语言模型持续学习的无历史梯度正交化
Octopus: History-Free Gradient Orthogonalization for Continual Learning in Multimodal Large Language Models
为视觉-语言模型的多任务顺序微调提供了一种无需存储历史数据的梯度正交化约束，可直接用于缓解 MLLM 在连续下游视觉任务（如 VQA、captioning）微调时的灾难性遗忘。
OctoT2I：一种自进化的智能体文本到图像路由器
OctoT2I: A Self-Evolving Agentic Text-to-Image Router
提出一种无需人工标注的自进化路由框架，通过PSEL循环自动发现各T2I模型的能力边界，实现质量与效率的联合优化；其知识库构建和路由策略可复用于多模型集成、模型选择等视觉生成任务。
OctoNav：迈向通用具身导航
OctoNav: Towards Generalist Embodied Navigation
把 MLLM 改造成仅凭 2D 视觉观测输出低层动作的 VLA 模型，并用 TBA-CoT 数据加 GRPO 做「先思考后行动」的强化学习训练，为视觉研究者提供了将推理链注入具身导航策略的可复用范式。
OctoMed：面向最优多模态医学推理的数据配方
OctoMed: Data Recipes for State-of-the-Art Multimodal Medical Reasoning
对做医学 VLM 的人，这篇给出了可复用的 SFT 数据配方：用长度多样的结构化推理链做监督微调，模型就能在下游任务上自适应地决定推理长度，无需额外监督；可直接迁移到自建医学多模态推理模型的训练数据构造与配比设计上。
OccuFly：航空视角下语义场景补全的3D视觉基准
OccuFly: A 3D Vision Benchmark for Semantic Scene Completion from the Aerial Perspective
提供了首个真实世界、基于相机的航空视角语义场景补全基准，并揭示了当前视觉基础模型在航空场景下的根本性局限，为鲁棒3D场景理解研究提供了新挑战和评测平台。
遮挡感知 SORT：面向鲁棒多目标跟踪的遮挡观测
Occlusion-Aware SORT: Observing Occlusion for Robust Multi-Object Tracking
OA-SORT 把遮挡状态显式建模成可复用的代价修正项（OAO）与动量平滑（BAM），且无需训练即可插入 SORT 类跟踪器；做 MOT 数据关联时可直接借用其高斯图遮挡估计来缓解位置代价混淆，并作为提升现有跟踪器 HOTA/IDF1 的通用后处理。
基于频域去噪先验的遮挡人体运动捕捉
Occluded Human Body Capture with Frequency Domain Denoising Prior
把遮挡下的单目人体运动捕捉转化为小波系数选择问题，用频域扩散模型学习长期周期性与动量先验来修正被遮挡 2D 关键点的概率分布，这一「频域去噪先验」思路可迁移到其他存在长期缺失观测的时序视觉任务（如遮挡跟踪、时序姿态补全）。
OccAny：广义无约束城市三维占用
OccAny: Generalized Unconstrained Urban 3D Occupancy
OccAny 将视觉几何基础模型适配到城市场景的度量占用预测，并引入分割强制和新视角渲染实现测试时视图增强，为无标定场景下的三维占用补全提供了可复用的框架。
面向机器人抓取的障碍物推理
Obstruction Reasoning for Robotic Grasping
把「障碍物推理」形式化为以目标物体为起点的障碍路径多步推理，并用障碍感知视觉线索锚定每一步推理，再以可验证奖励做监督+强化微调；做具身操作或 VLA 的研究者可复用该推理链构造与奖励设计，UNOBench 也可作为遮挡场景抓取的评测基准。
ObjectMorpher：基于可变形3D高斯泼溅的三维感知图像编辑
ObjectMorpher: 3D-Aware Image Editing via Deformable 3DGS
把图像到3D生成器产出的3DGS作为可编辑代理，用基于图的ARAP非刚性形变把2D拖拽点转化为几何一致的形变，再用复合扩散模块重合成光照与边界——这套「2D交互→3D形变→扩散调和」的管线可直接迁移到物体级编辑、姿态调整与重合成任务。
Object-WIPER：免训练的视频物体及其关联效果移除
Object-WIPER: Training-Free Object and Associated Effect Removal in Videos
利用预训练视频扩散 Transformer 的交叉注意力与自注意力定位目标物体及其效果，并通过反转-去噪流程在免训练条件下完成视频物体移除与修复，为视频编辑提供可复用的注意力引导与背景保持策略。
目标泛化重识别：迈向通用实例感知的一步
Object-Generalized Re-Identification: A Step Towards Universal Instance Perception
把元学习当作语义分布正则，让模型在受控的类别偏移下学习跨类别的身份不变表征；做 ReID 或任何需要跨类别身份匹配的视觉任务时，可直接复用这一训练范式，无需目标域自适应。
OVOD-Agent：面向主动视觉推理与自演化检测的马尔可夫-班迪特框架
OVOD-Agent: A Markov-Bandit Framework for Proactive Visual Reasoning and Self-Evolving Detection
将开放词表检测的文本匹配过程重构为基于弱马尔可夫决策过程的智能体探索，利用Bandit模块在有限监督下生成探索信号，并通过自监督奖励模型闭环优化检测策略，为OVOD提供可复用的主动推理框架。
OVI-MAP：开放词表实例语义建图
OVI-MAP: Open-Vocabulary Instance-Semantic Mapping
将实例重建与语义推理解耦：用 RGB-D 增量构建类别无关的三维实例图，仅在自动挑选的少量关键帧上调用视觉语言模型提取语义特征，从而在实时在线建图中同时获得稳定的实例跟踪与零样本开放词表标注，可作为开放词表三维场景理解系统的可复用架构。
OSPO：面向文本到图像生成的以物体为中心的自改进偏好优化
OSPO: Object-Centric Self-Improving Preference Optimization for Text-to-Image Generation
把偏好优化从整图级细化到物体级：用注意力图导出物体掩码，构造物体级偏好对并施加物体加权 SimPO 损失，可直接迁移到任何统一多模态理解-生成模型的细粒度对齐后训练中。
OSMO：开放词表自我情绪跟踪
OSMO: Open-vocabulary Self-eMOtion Tracking
OSIRIS 把用户个人情绪历史、当前表情与第一人称视觉观测一起作为多模态大模型的输入做时序推理，这种「历史状态 + 当前观测」的上下文建模方式可迁移到需要连续状态跟踪的视觉任务（如行为/事件跟踪、个性化助手）；OSMO 的逐被试情绪时间线标注协议也为构建连续标签的多模态数据集提供参考。
OSA：基于正交化状态更新与解剖先验感知特征增强的超声心动图视频分割
OSA: Echocardiography Video Segmentation via Orthogonalized State Update and Anatomical Prior-aware Feature Enhancement
将循环状态更新约束在 Stiefel 流形上以避免秩坍缩，为视频分割中的时序建模提供稳定记忆机制；解剖先验感知的特征增强模块可分离散斑噪声，可迁移到其他医学视频分割任务。
OS-Oracle：跨平台 GUI 批评模型的综合框架
OS-Oracle: A Comprehensive Framework for Cross-Platform GUI Critic Models
为视觉语言模型在 GUI 环境中的动作评估提供了可扩展的数据合成流程和两阶段训练范式（SFT + CP-GRPO），可直接用于提升多模态智能体的长程任务可靠性。
OS-Fed：单张快照足矣
OS-Fed: One Snapshot Is All You Need
把每轮累积梯度编码成一张紧凑的类图像快照（图像加可学习标签）来传输，这种「用图像式表示承载梯度/更新」的思路可迁移到视觉模型的分布式训练与梯度压缩，也可反向用于从图像式表示重建更新信号的表征学习研究。
ORV：以4D占用为中心的机器人视频生成
ORV: 4D Occupancy-centric Robot Video Generation
把4D语义占用的2D渲染作为软引导注入视频扩散生成，并用Action-Expert AdaLN把分块7-DoF动作对齐到视频潜空间，为动作条件视频生成提供了一种「稀疏控制—稠密像素」之间的中间表示桥梁，可直接复用到机器人数据引擎与策略学习的合成数据生成。
ORSATR-X：面向光学遥感目标识别、基于差分与激励网络的基础模型
ORSATR-X: A Foundation Model based on Differential-and-Excitation Networks for Optical Remote Sensing Object Recognition
把 DINOv3 的通用表征与一个旁路网络结合，用 Weber 局部适配器（中心-周边对比 + 方向梯度）增强低对比度目标的边界判别力，并用自监督蒸馏预训练旁路网络——这套「冻结基础模型 + 轻量旁路增强」的范式可直接迁移到其他低对比度、强背景干扰的视觉检测/分割任务。
ORION：面向通用 VLM 适配的正交文本编码
ORION: ORthonormal Text Encoding for Universal VLM AdaptatION
把文本编码器的类别原型当作可优化对象，用低秩适配加正交性损失在仅有类名的条件下重塑 CLIP 文本嵌入，可直接替换下游零样本/少样本/测试时自适应流程中的手工 prompt 原型，是一种即插即用的分类头改进手段。
ORIC：面向大型视觉语言模型上下文不协调下物体识别的基准测试
ORIC: Benchmarking Object Recognition under Contextual Incongruity in Large Vision-Language Models
ORIC 通过 LLM 引导采样和 CLIP 引导采样构造上下文不协调的物体-场景对，为评估 LVLM 的物体识别鲁棒性和幻觉提供了可复用的基准与训练数据构造流程；其视觉强化微调策略也可用于提升模型在非典型场景下的识别可靠性。
ORD：面向泛化 3D 视觉定位的对象-关系解耦
ORD: Object-Relation Decoupling for Generalized 3D Visual Grounding
将目标-锚框关系显式解耦为几何与语义原语，并设计谓词解耦的跨模态对齐策略，可迁移到其他需要抑制实体名称语义捷径的视觉-语言任务（如指代分割、视觉定位）。
ORBIT：利用360度视频在野外基准测试SfM
ORBIT: Benchmarking SfM in the Wild with 360deg Video
为视觉研究者提供了一个基于360度全景视频构建的、具有挑战性的SfM相机位姿估计基准，可用于评估和推动在复杂相机运动和动态场景下的三维重建与定位方法。
OPRO：面向面板感知上下文图像生成的正交面板相对算子
OPRO: Orthogonal Panel-Relative Operators for Panel-Aware In-Context Image Generation
把可学习的面板相对正交算子叠加到冻结的位置编码上，在保持等距性与同面板不变性的同时实现面板感知的上下文条件注入，可直接复用于基于扩散 Transformer 的图像编辑与多面板布局生成管线。
OMoBlur：面向真实世界局部运动去模糊的物体运动模糊数据集与基准
OMoBlur: An Object Motion Blur Dataset and Benchmark for Real-World Local Motion Deblurring
针对静态场景中空间异质的局部物体运动模糊，提供了通过可编程传感器控制模拟曝光光子积分过程的采集方案，并给出无需像素级精确掩码的物体运动感知去模糊网络（运动-外观提取块 + 光流引导门控预测 + 自适应门控融合），可直接用于研究局部运动去模糊与真实模糊分布对齐问题。
OMGTex：无需几何引导的单阶段多风格人脸纹理重建
OMGTex: One-stage Multi-style Facial Texture Reconstruction without Geometry Guidance
把「2D 人脸图像→可编辑 UV 纹理」做成无几何先验的单阶段扩散流程，并用推理时梯度引导修正 UV 错位，这对做人脸重建/纹理生成的人提供了一个绕开 3DMM 拟合误差、且支持区域级语义编辑的替代方案。
OMG-Bench：面向骨架在线微手势识别的新挑战性基准
OMG-Bench: A New Challenging Benchmark for Skeleton-based Online Micro Hand Gesture Recognition
提供首个大规模骨架在线微手势基准与多视图自监督骨架生成流程，其分层记忆增强 Transformer 用帧级与窗口级记忆库保留历史上下文，可迁移到其他在线时序动作/手势检测任务。
OMG-Avatar：单样本多细节层次高斯头部化身
OMG-Avatar: One-shot Multi-LOD Gaussian Head Avatar
用深度缓冲引导的 Transformer 全局特征与投影采样局部特征融合，在单张图像上 0.2 秒内重建可动画高斯头部，并支持多级细节（LOD）输出；其多区域分解与跨区域组合思路可直接迁移到人体/肩部等非 3DMM 区域的单样本重建。
OLATverse：一个具有精确光照控制的大规模真实世界物体数据集
OLATverse: A Large-scale Real-world Object Dataset with Precise Lighting Control
为物体级逆渲染、重光照与法线估计提供首个大规模真实世界基准，含精确标定的相机参数、物体掩码、光度法线与漫反射反照率，可直接用于训练与评测真实场景下的分解式渲染方法。
ODGS-SLAM：全向高斯泼溅 SLAM
ODGS-SLAM: Omnidirectional Gaussian Splatting SLAM
把 3DGS-SLAM 的建图与相机位姿估计梯度扩展到等距柱状投影的全景输入，并给出闭式梯度推导；做全景/鱼眼多相机 SLAM 或想把 3DGS 表示用于大视场重建的人可以直接复用这套投影梯度与基于图分析的关键帧剔除策略。
OASIS：面向流式视频推理的按需分层事件记忆
OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning
把无限增长的流式视频历史组织成分层事件结构，并用「先短上下文推理、不确定时再按高层意图检索」的按需检索策略替代稠密帧采样或嵌入相似度检索，可直接迁移到长视频问答与流式 MLLM 的记忆管理模块。
NuWa：为边缘设备推导轻量级类别特定视觉 Transformer
NuWa: Deriving Lightweight Class-Specific Vision Transformers for Edge Devices
对需要在无人机、智能车等边缘设备上部署 ViT 的视觉研究者，NuWa 提供了一种免重训练的闭式剪枝流程：用类别特定数据做自知识纯化，剔除对目标类别有害的权重，再一次性闭式求解得到紧凑子网，可直接复用于任意类别子集的定制化部署。
并非所有鸟都长得一样：面向鸟类的身份保持生成
Not All Birds Look The Same: Identity-Preserving Generation For Birds
针对非刚性细粒度类别（鸟类）的身份保持生成，提出按物种、年龄、性别分组训练作为身份代理，可迁移到其他缺乏多视角/视频数据的细粒度域（如动植物、时尚单品）的定制化生成。
低秩引导视觉语言模型的非参数深度细粒度聚类
Nonparametric Deep Fine-grained Clustering with Low-Rank Guided Vision-Language Model
把贝叶斯非参数过程与低秩/正交引导的表征学习目标结合，可在无细粒度标签下让 VLM 动态发现细粒度类别，为无监督细粒度分类与聚类提供可复用的训练目标设计。
基于可学习贝塞尔流的非线性颜色迁移
Nonlinear Color Transfer via Learnable Bezier Flows
用贝塞尔曲线参数化替代流模型中的线性传输路径，可缓解颜色迁移中的轨迹错位与伪影；该非线性路径参数化思路可迁移到其他基于流的图像到图像翻译与风格化任务。
通过双向多视图提示词对齐实现噪声感知少样本学习
Noise-Aware Few-Shot Learning through Bi-directional Multi-View Prompt Alignment
把提示词微调从全局图文匹配推进到区域级 patch-to-prompt 对齐，并用非平衡最优传输抑制不可靠区域，为视觉语言模型在噪声监督下的少样本适配提供了可复用的对齐与样本筛选机制。
Node-RF：基于神经常微分方程 NeRF 学习泛化的连续时空场景动态
Node-RF: Learning Generalized Continuous Space-Time Scene Dynamics with Neural ODE-based NeRFs
把 NODE 的连续时间状态演化嵌入动态 NeRF 的隐式表示中，用 ODE 求解器在特征空间做长程外推，为动态场景建模提供了一种常数显存、可跨观测边界预测未来视角与状态的思路，可直接迁移到动态新视角合成与时空预测任务。
NoRD：一种无需推理的数据高效视觉-语言-动作模型
NoRD: A Data-Efficient Vision-Language-Action Model that Drives without Reasoning
对做自动驾驶VLA的研究者，这篇论文表明无需推理标注、仅用不到60%数据，通过Dr.GRPO强化学习微调SFT策略即可达到竞争性性能，且推理词元减少3倍，为数据高效、低延迟的端到端驾驶模型提供了可复用的训练范式。
NoOVD：面向开放词表目标检测的新类别发现与嵌入
NoOVD: Novel Category Discovery and Embedding for Open-Vocabulary Object Detection
利用冻结视觉语言模型的知识进行自蒸馏，引导RPN和RoI头发现新类别目标，避免被误判为背景；并通过R-RPN在推理时调整候选框置信度，提升新类别召回率。
无法窃取我的面容：针对身份保持个性化生成的主动防御
No Way To Steal My Face: Proactive Defense Against Identity-Preserving Personalized Generation
针对身份保持的个性化生成（如数字头像、虚拟试衣）中的隐私泄露问题，提出一种模型无关的主动防御框架，通过对抗扰动同时破坏身份特征提取和注入两个阶段，可推广到基于训练和无训练的个人化方法。
无需真实异常：多模态大语言模型赋能的零样本视频异常检测
No Need For Real Anomaly: MLLM Empowered Zero-Shot Video Anomaly Detection
利用多模态大语言模型和伪异常采样器实现零样本视频异常检测，为开放世界场景下的异常理解提供了无需真实异常数据的训练范式；基于反向注意力的词元压缩方法可复用于降低时空稀疏模式的计算开销。
无需标注、无需前瞻：结合经典先验的无监督在线视频稳定
No Labels, No Look-Ahead: Unsupervised Online Video Stabilization with Classical Priors
将经典三阶段稳定流程（轨迹估计-平滑-补偿）嵌入无监督在线框架，并用多线程缓冲解决端到端学习的可控性与效率问题；对做视频时序处理、在线流式视觉任务的人，这是一个可复用的「经典先验+无监督」范式，同时 UAV-Test 多模态航拍数据集可支撑夜间遥感场景的稳定化评测。
无需硬负样本：以概念为中心的学习在不损害对比模型零样本能力的前提下实现组合性
No Hard Negatives Required: Concept Centric Learning Leads to Compositionality without Degrading Zero-shot Capabilities of Contrastive Models
用无参数的跨模态注意力池化替代文本/图像编码器的全局池化，从图像中抽取概念级视觉嵌入，并与短概念化文本片段对齐；这套改动可直接插到 CLIP 类双塔模型上，在不增加推理成本的前提下提升组合性理解，同时不牺牲零样本与检索性能。
无需标定、无需深度、不成问题：具有三维一致性的跨传感器视图合成
No Calibration, No Depth, No Problem: Cross-Sensor View Synthesis with 3D Consistency
把 RGB-X 跨传感器对齐从「标定工程」转化为「匹配-稠密化-3DGS 整合」的视图合成流程，视觉研究者可直接复用其置信度感知稠密化与自匹配过滤来绕开标定，构建大规模 RGB-X 配对数据。
NitroGen：面向通用游戏智能体的开放基础模型
NitroGen: An Open Foundation Model for Generalist Gaming Agents
从公开游戏视频中自动抽取玩家动作，构建互联网规模的视觉-动作对，并用大规模行为克隆训练跨游戏可迁移的视觉-动作基础模型；这套「视频→动作标注→预训练→下游微调」的流程可直接迁移到机器人操作等视觉-动作策略学习场景。
NimbusGS：混合天气条件下的统一三维场景重建
NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather
把恶劣天气退化拆成跨视角一致的全局透射场与逐视角的粒子残差，并配合几何引导的梯度缩放，使 3DGS 在低能见度多视角输入下仍能稳定学出几何，可直接迁移到雨雾雪混合场景的重建与新视角合成。
NexusFlow：借助可逆流网络在部分监督下统一异构任务
NexusFlow: Unifying Disparate Tasks under Partial Supervision via Invertible Flow Networks
用可逆耦合层构造代理网络，把结构差异极大的任务（稠密地图重建与稀疏多目标跟踪）的潜变量特征映射到共享规范空间做对齐，避免表征坍缩；这套 plug-and-play 的对齐模块可直接用于视觉中标注不完整、任务异构的多任务训练，例如不同区域只标注不同任务的数据。
下一尺度预测：一种用于真实世界图像去噪的自监督方法
Next-Scale Prediction: A Self-Supervised Approach for Real-World Image Denoising
提出跨尺度训练对构建方式，将噪声去相关与细节保留解耦，可推广到其他自监督底层视觉任务（如去模糊、超分）中，避免像素洗牌下采样对结构的破坏。
面向文本到动作生成的下一尺度自回归模型
Next-Scale Autoregressive Models for Text-to-Motion Generation
把「下一 token 预测」换成「下一尺度预测」的由粗到细自回归框架，可直接迁移到视频/长时序视觉生成中，用跨尺度层级精修与尺度内双向重预测缓解长程结构建模与数据稀缺问题。
神经动力学驱动的耦合神经P系统用于多聚焦图像融合
Neurodynamics-Driven Coupled Neural P Systems for Multi-Focus Image Fusion
用脉冲发放计数直接生成边界精确的决策图、免去后处理，这一思路可迁移到其他需要像素级二值决策的低层融合任务（如曝光融合、去雾中的区域选择），并为用生物可解释模型替代黑盒融合网络提供参考。
NeuroSeg 遇上 DINOv3：通过 DINOv3 初始化将 2D 自监督视觉先验迁移至 3D 神经元分割
NeuroSeg Meets DINOv3: Transferring 2D Self-Supervised Visual Priors to 3D Neuron Segmentation via DINOv3 Initialization
把 DINOv3 的 2D 自监督表征通过 filter inflation 迁移到 3D 神经元体数据分割，为标注稀缺的体成像任务提供了一条可复用的数据高效初始化路径；拓扑感知骨架损失也可直接用于其他管状/树状结构的重建。
NeuroRule：通过可微规则归纳桥接视觉与逻辑
NeuroRule: Bridging Vision and Logic with Differentiable Rule Induction
将视觉特征映射为概率符号表示，并用可微规则学习引擎自动发现一阶逻辑规则，为关系预测提供透明解释；这种神经符号桥接思路可迁移到其他需要组合推理的视觉任务（如视觉问答、指代分割）。
NeuroFlow：迈向神经活动驱动的统一视觉编码与解码
NeuroFlow: Toward Unified Visual Encoding and Decoding from Neural Activity
将视觉编码与解码统一为共享潜空间中的可逆流匹配过程，为视觉-神经跨模态生成提供新范式；其跨模态流匹配（XFM）可复用于图像与脑信号间的双向转换，NeuroVAE 的结构化潜空间设计对视觉表征学习有借鉴意义。
面向以人为中心自动驾驶控制的神经认知奖励建模
Neuro-Cognitive Reward Modeling for Human-Centered Autonomous Vehicle Control
把脑电信号中的事件相关电位强度作为可预测的认知奖励信号，用视觉场景输入回归 ERP 强度并注入强化学习奖励，为视觉驾驶策略提供一种无需人工排序偏好数据的隐式人类对齐监督。
面向统一多任务推理的神经中心视频处理流水线
Neural-Centric Video Processing Pipeline for Unified Multi-Task Inference
用隐式神经表示直接从视频中间层提取任务特征，配合轻量 micro adapter 映射到下游模型表征空间，跳过像素解码与早期特征提取；对做视频多任务推理、压缩域感知或想省掉解码开销的视觉系统是可复用的加速思路。
神经混合密度过程
Neural Mixture Density Processes
NMDP 通过混合密度建模和 EM 训练构建函数先验，其任务特定参数更新机制可用于视觉少样本任务（如少样本分类、分割）的快速自适应，减少过拟合。
神经 Gabor 泼溅：用神经 Gabor 增强高斯泼溅实现高频表面重建
Neural Gabor Splatting: Enhanced Gaussian Splatting with Neural Gabor for High-frequency Surface Reconstruction
用轻量 MLP 增强每个高斯原语以表达内部颜色变化，并基于频率能量进行剪枝与克隆，为高频表面重建提供可复用的原语增强与致密化策略。
基于神经场的扫描电子显微镜多探测器信号微结构三维表面重建
Neural Field-Based 3D Surface Reconstruction of Microstructures from Multi-Detector Signals in Scanning Electron Microscopy
把神经场与可学习前向模型结合，将 SEM 多探测器信号中的光度立体线索与多视角几何融合，实现自标定、抗阴影的三维表面重建；这套「物理成像模型嵌入神经场」的思路可迁移到其他非标准成像模态（如显微、内窥、X 光）的三维重建。
神经动态全局光照：面向动态光照环境中时序光照图的随机访问神经压缩
Neural Dynamic GI: Random-Access Neural Compression for Temporal Lightmaps in Dynamic Lighting Environments
用多维特征图加轻量网络把多组时序光照图隐式整合成可随机访问的神经表示，并配合虚拟纹理实现实时解压，这套「神经表示+块压缩模拟+VT 随机访问」的组合可直接迁移到需要大容量时序数据实时读取的视觉场景（如动态环境贴图、时序辐射场缓存）。
面向激光雷达分布外检测的神经分布先验
Neural Distribution Prior for LiDAR Out-of-Distribution Detection
针对激光雷达点云 OOD 检测中类别不平衡导致的打分偏差，用可学习的 logit 分布先验加注意力模块对 OOD 分数做类别自适应重加权，并可用 Perlin 噪声在输入扫描上合成辅助 OOD 样本，这套打分重加权与合成策略可迁移到其他密集预测任务的开放世界检测中。
深度网络中的神经分化：表达性与表征多样性的理论框架
Neural Differentiation in Deep Networks: A Theoretical Framework for Expressivity and Representational Diversity
提出神经元级可微性指标 NDI 与训练时结构化剪枝方法 NDP，为视觉模型压缩提供可证明的误差上界与自适应稀疏化流程，可直接用于 CNN/ViT 等骨干网络的轻量化。
测试时自适应中的神经坍缩
Neural Collapse in Test-Time Adaptation
把神经坍缩推广到样本级（NC3+），指出域偏移下性能下降源于样本级特征-分类器错位，并据此设计混合目标（几何邻近+预测置信度）来重对齐特征与分类器权重，可直接嵌入现有 TTA 流程（如 Tent）提升 OOD 鲁棒性。
NeuROK：生成式 4D 神经物体运动学
NeuROK: Generative 4D Neural Object Kinematics
将物体动力学参数化为低维潜空间，并用 Transformer 编码器-解码器从潜变量解码变形形状，为 4D 动态生成提供可复用的数据驱动框架，避免依赖预定义物理模型。
Neu-PiG：神经预条件网格用于长序列快速动态表面重建
Neu-PiG: Neural Preconditioned Grids for Fast Dynamic Surface Reconstruction on Long Sequences
提出一种基于预条件潜变量网格的快速形变优化方法，无需显式对应点即可从点云序列重建动态表面，其Sobolev预条件训练策略可推广到其他需要高效优化潜变量的三维重建任务。
Nestwork：基于潜变量异构图扩散的条件式三维带家具住宅布局生成
Nestwork: Conditional 3D Furnished House Layout Generation through Latent Heterogeneous Graph Diffusion
把整栋房子的房间与家具建成带类型节点和多种空间关系的异构图，用单一异构图注意力自编码器压到紧凑潜空间、再在其上做扩散去噪，这种「图→潜变量→扩散」的范式可直接迁移到场景图驱动的 3D 室内合成与布局补全；随机掩码训练让同一模型支持从仅拓扑到全标注的多种条件强度，对需要灵活用户控制的生成任务很有参考价值。
NeoVerse：利用野外单目视频增强 4D 世界模型
NeoVerse: Enhancing 4D World Model with in-the-wild Monocular Videos
无位姿前馈 4D 重建加在线单目退化模拟，让 4D 世界模型可以直接吃野外单目视频训练，绕开多视角 4D 数据和繁琐预处理；做动态场景重建或新视角/新轨迹视频生成的人可以把它当作可扩展的训练与推理范式。
NeighborMAE：在掩码自编码器预训练中利用相邻对地观测图像间的空间依赖
NeighborMAE: Exploiting Spatial Dependencies between Neighboring Earth Observation Images in Masked Autoencoders Pretraining
把「相邻区域图像」作为联合重建目标引入 MAE 预训练，并配合动态掩码比例与像素损失权重，可直接迁移到遥感、航拍等大幅面连续场景的预训练流程中，替代单图独立掩码的做法。
文本到图像扩散模型中的邻域感知局部概念擦除
Neighbor-Aware Localized Concept Erasure in Text-to-Image Diffusion Models
提供一种免训练的三阶段概念擦除流程：频谱加权嵌入调制 + 注意力引导空间门控 + 空间门控硬擦除，可直接用于扩散模型的安全对齐与细粒度类别保真，避免擦除时误伤语义近邻概念。
Neighbor GRPO：对比式常微分方程策略优化对齐流模型
Neighbor GRPO: Contrastive ODE Policy Optimization Aligns Flow Models
对做扩散/流匹配模型偏好对齐的人，这篇给出了绕开 SDE 的 GRPO 方案：直接扰动 ODE 初始噪声构造候选轨迹，用基于距离的 softmax 代理目标做策略梯度，从而保留确定性采样与高阶求解器的少步采样优势，可直接替换现有 SDE-GRPO 训练流程。
面向过离散潜变量建模的负二项变分自编码器
Negative Binomial Variational Autoencoders for Overdispersed Latent Modeling
为VAE类生成模型提供了一种带离散计数潜变量的替代方案：用负二项分布刻画过离散的脉冲式潜变量，并给出可用的KL估计与重参数化技巧，可直接替换Poisson VAE的等均值-方差假设，用于需要稀疏、离散潜表征的视觉重建与生成任务。
NeAR：耦合的神经资产—渲染器栈
NeAR: Coupled Neural Asset-Renderer Stack
把单张随意光照图像经整流流模型提升到光照均匀化的 SLAT 潜空间，再由光照感知神经解码器在 HDR 环境图与相机位姿条件下实时合成可重光照的 3D 高斯泼溅，无需逐物体优化；这套「资产表征与渲染器联合设计」的思路可直接用于单图三维重建与重光照任务。
NavForesee：面向分层规划与双视野导航预测的统一视觉语言世界模型
NavForesee: A Unified Vision-Language World Model for Hierarchical Planning and Dual-Horizon Navigation Prediction
将视觉语言模型同时作为高层规划器和生成式世界模型，通过预测短期环境动态与长期导航里程碑形成感知-规划-预测-动作的内部反馈闭环，为具身导航中的长程规划提供可复用的双视野预测框架。
通过对齐高阶时序动态实现自然人体运动恢复
Natural Human Motion Recovery by Aligning High-Order Temporal Dynamics from Monocular Videos
把逐关节的 2D 位置、3D 速度与 3D 加速度作为软约束，接入全局轨迹优化，可作为即插即用后处理模块，用于任何单目 HMR 管线，以抑制抖动与过度平滑；其 PVA-Net 的高阶时序预测思路也可迁移到其他需要速度/加速度先验的时序回归任务。
面向三维生成的原生紧凑结构化潜变量
Native and Compact Structured Latents for 3D Generation
O-Voxel 把几何与 PBR 材质统一编码进稀疏体素，并配一个高压缩率的稀疏压缩 VAE 得到紧凑潜变量，可直接作为 3D 生成模型的表示层替换 NeRF/三平面潜变量；做 3D 生成或资产重建时可借鉴其处理开放、非流形、全封闭拓扑的编码方式与潜空间压缩策略。
Narrative Weaver：面向多模态条件下的可控长程视觉一致性
Narrative Weaver: Towards Controllable Long-Range Visual Consistency with Multi-Modal Conditioning
动态记忆库（Memory Bank）机制为长序列生成中的视觉漂移问题提供了可复用的思路，可迁移到视频生成、漫画/分镜生成等需要跨场景一致性的任务；其多阶段渐进训练策略也展示了在有限数据下复用预训练模型做细粒度控制的方法。
NanoSD：面向实时图像复原的边缘高效基础模型
NanoSD: Edge Efficient Foundation Model for Real Time Image Restoration
NanoSD 通过联合压缩 U-Net 和 VAE 编码器-解码器，在保持生成先验的同时实现边缘设备实时推理，为视觉任务提供可即插即用的轻量扩散基础模型，并揭示了参数减少与硬件效率不直接相关的设计原则。
Nano-EmoX：从感知到共情的多模态情感智能统一
Nano-EmoX: Unifying Multimodal Emotional Intelligence from Perception to Empathy
对做视觉研究的人而言，可复用点在于用异构适配器把面部编码器、融合编码器等全模态编码器输出投影进统一语言空间，并以课程式训练（先对齐快速感知、再引入思维链推理）让轻量语言模型同时处理多任务；这套「编码器+适配器+课程」的范式可直接迁移到面部表情、情感识别等视觉任务的多任务统一建模。
NaTex：作为潜变量颜色扩散的无缝纹理生成
NaTex: Seamless Texture Generation as Latent Color Diffusion
把纹理表示为稠密颜色点云，并用几何感知的点云 VAE 加多控制 DiT 直接在 3D 空间扩散生成颜色，绕开了多视图扩散烘焙带来的遮挡修补、边界对齐和跨视图一致性问题；做 3D 资产纹理、材质生成或网格贴图的人可以直接复用这套潜空间颜色扩散与几何潜变量对齐机制。
NVGS：用于 3D 高斯泼溅遮挡剔除的神经可见性
NVGS: Neural Visibility for Occlusion Culling in 3D Gaussian Splatting
提出用小型共享 MLP 学习高斯点的视角相关可见性函数，在光栅化前剔除被遮挡图元，可直接集成到高斯泼溅渲染管线中提升 VRAM 效率和图像质量。
NTK引导的隐式神经教学
NTK-Guided Implicit Neural Teaching
对做隐式神经表示（图像拟合、3D重建、NeRF类场）的研究者，可直接复用其基于NTK增广梯度范数的坐标采样打分准则，替换均匀/误差驱动采样以在几乎减半的训练时间内达到同等重建质量。
NS-Diff：流体纳维-斯托克斯引导的强化学习视频扩散
NS-Diff: Fluid Navier-Stokes Guided Video Diffusion via Reinforcement Learning
把简化的 Navier-Stokes 约束与最小加加速度原理写成可微/策略梯度的奖励，用来微调视频扩散模型，为「生成结果要符合物理」这类需求提供了可复用的 RL 后训练范式；其噪声鲁棒的运动区域检测与物理条件潜变量注入也可直接迁移到其他条件视频生成任务。
NOWA：用于不可见拍摄指纹与篡改定位的零空间光学水印
NOWA: Null-space Optical Watermark for Invisible Capture Fingerprinting and Tamper Localization
把相机光圈的相位掩码当作物理密钥，使水印落在成像算子的零空间里，从而在拍摄端嵌入不可见、不可伪造的取证签名；对做图像取证、防伪与安全成像的研究者，这提供了一条从光学前端到重建网络联合设计的思路，且篡改定位只需将图像投影回相机零空间检测像素级不一致。
NOVA：稀疏控制与稠密合成的无配对视频编辑
NOVA: Sparse Control, Dense Synthesis for Pair-Free Video Editing
用稀疏用户编辑关键帧提供语义引导、稠密分支从原视频持续注入运动与纹理，配合退化模拟训练摆脱配对数据，可直接迁移到无配对视频编辑与长视频时序一致性建模。
NIL：无数据模仿学习
NIL: No-data Imitation Learning
用预训练视频 ViT 的嵌入相似度加分割掩码相似度构造无判别器的模仿奖励，把 2D 生成视频当作 3D 物理仿真中技能学习的视觉监督信号，为视觉表征直接驱动具身控制提供了可复用范式。
NI-Tex：非等距的基于图像服装纹理生成
NI-Tex: Non-isometric Image-based Garment Texture Generation
面向非等距图像-网格对的前馈双分支 PBR 材质生成，配合不确定性引导的视角选择与重加权迭代烘焙，可复用于任意 3D 资产从单张野外图像反推无缝 PBR 纹理的流程。
NG-GS：神经辐射场引导的三维高斯泼溅分割
NG-GS: NeRF-guided 3D Gaussian Splatting Segmentation
针对 3DGS 离散高斯在物体边界处产生锯齿与伪影的问题，用掩码方差分析定位边界模糊高斯，并以 RBF 插值 + 多分辨率哈希编码构建空间连续特征场，再通过轻量 NeRF 模块的联合优化约束边界平滑；这套「连续特征场 + NeRF 引导」思路可直接迁移到 3DGS 的编辑、抠图与开放词表查询任务。
NESTOR：面向大规模偏微分方程预训练的嵌套混合专家神经算子
NESTOR: A Nested MOE-based Neural Operator for Large-Scale PDE Pre-Training
嵌套 MoE 神经算子（图像级 MoE 捕捉全局依赖 + token 级 Sub-MoE 捕捉局部依赖）为视觉中的算子学习与大规模预训练提供了可复用的稀疏专家路由结构，可迁移到神经场、物理仿真等连续场建模任务。
NERFIFY：将NeRF论文转化为代码的多智能体框架
NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code
为NeRF论文提供自动代码复现框架，通过CFG约束LLM生成、图思维链多文件合成和视觉反馈迭代，可加速视觉研究中的可复现性验证与基线构建。
NEC-Diff：面向极端黑暗运动场景的噪声鲁棒事件-RAW 互补扩散模型
NEC-Diff: Noise-Robust Event-RAW Complementary Diffusion for Seeing Motion in Extreme Darkness
对做低光照成像与事件相机融合的研究者，这篇提供了两个可复用思路：用 RAW 的线性光响应与事件亮度变化构造物理约束做双模态去噪，以及基于去噪结果动态估计两模态 SNR 来引导自适应特征融合并注入扩散采样过程。
NEAF：面向文本引导图像编辑中可泛化测试时优化的注意力融合自然图像编辑方法
NEAF: Natural Image Editing with Attention Fusion for Generalizable Test-time Optimization in Text-Guided Image Editing
提出可学习的 XA-Conductor 模块，在推理时对源分支、编辑分支与重建分支的交叉注意力图做自适应加权融合，无需微调即可用于任意 T2I 模型；做文本引导编辑、需要保持非编辑区域保真度的工作可直接复用这一三支反馈的注意力融合机制。
NAMI：通过桥接渐进式整流流 Transformer 实现高效图像生成
NAMI: Efficient Image Generation via Bridged Progressive Rectified Flow Transformers
NAMI 通过按分辨率分段使用不同层数的 DiT 并用 BridgeFlow 模块对齐各阶段流，在 1024×1024 生成上减少 64% 推理时间，为视觉生成模型提供了一种可复用的高效多分辨率训练与推理范式。
NAF：基于邻域注意力滤波的零样本特征上采样
NAF: Zero-Shot Feature Upsampling via Neighborhood Attention Filtering
NAF 提供了一种与具体 VFM 无关的零样本特征上采样器，可直接插在任意视觉基础模型（如 DINOv2、SAM）之后，为分割、深度估计等像素级任务恢复高分辨率特征，无需针对每个 VFM 重新训练；其跨尺度邻域注意力 + RoPE 的权重预测方式也可迁移到其他需要内容自适应滤波的环节。
MusicInfuser：让视频扩散模型听懂音乐并起舞
MusicInfuser: Making Video Diffusion Listen and Dance
提出基于引导式构造影响函数的逐层可适配性准则，可在单卡一天内把预训练文生视频扩散模型对齐到音乐条件，为视觉研究者提供一种低成本、保留先验的扩散模型新条件模态适配范式。
Muses：无需训练地设计、组合与生成不存在的奇幻 3D 生物
Muses: Designing, Composing, Generating Nonexistent Fantasy 3D Creatures without Training
用 3D 骨骼作为结构先验，把「设计—组装—生成」拆成可复用的免训练流水线；其中图约束推理构造骨骼、潜空间体素组装、骨骼条件下的图像引导外观建模，都可迁移到 3D 资产编辑与组合式生成。
Multinex：基于多先验 Retinex 的轻量低光照图像增强
Multinex: Lightweight Low-light Image Enhancement via Multi-prior Retinex
把 Retinex 残差形式与多先验（光照/颜色先验栈）结合，用极轻量网络只学亮度与反射率调整量而非重建整图，为边缘端低光照增强提供了一个可复用的分解-融合范式与 45K/0.7K 参数级的基线。
面向多样化文本到3D生成的多模态语义偏差缓解
Multimodal Semantic Bias Mitigation for Diverse Text-To-3D Generation
针对文本到3D大模型对提示词格式敏感、难以理解复杂提示词的问题，提出用质量评价模型定位跨模态偏差、以质量分数量化提示词文本对偏差的贡献，并构造成对样本重建无偏的视觉-文本连接；做文本到3D或扩散先验的人可借鉴这套偏差定位与成对偏好式微调流程。
多模态奖励基准 2：评估面向交错图文的全能奖励模型
Multimodal RewardBench 2: Evaluating Omni Reward Models for Interleaved Text and Image
为视觉生成模型（文生图、图像编辑、交错生成）提供了首个统一的奖励模型评测基准，可直接用于评估和选择生成模型的偏好对齐信号，并揭示当前多模态奖励模型与人类判断的差距。
面向酶动力学参数的多模态蛋白质语言模型：从底物识别到构象适配
Multimodal Protein Language Models for Enzyme Kinetic Parameters: From Substrate Recognition to Conformational Adaptation
把「先识别底物、再适配构象」的两阶段条件注入做成可插拔适配器（MRCA + 几何感知 MoE），并用 RKHS 上的分布对齐约束微调不破坏预训练先验——这套「冻结主干 + 分阶段跨模态注入 + 分布正则」的范式可直接迁移到视觉-语言或图像-结构条件生成任务中。
基于保形预测自校准的低质量数据多模态学习
Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration
把保形预测当作在线可靠性打分器，用它对单模态特征做选择性融合、对反向传播梯度按样本可靠性重加权，可直接迁移到视觉多模态（RGB-深度、图像-文本）训练中应对模态失衡与标签噪声。
面向视觉语言数据集蒸馏的多模态分布匹配
Multimodal Distribution Matching for Vision-Language Dataset Distillation
把数据集蒸馏从单模态扩展到图文对，用联合嵌入空间聚类初始化合成样本、在权重空间插值出混合教师、并在单位超球面上做几何感知的联合分布匹配，这套流程可直接迁移到视觉侧的数据压缩与跨模态预训练数据筛选。
基于动态梯度引导的多模态持续指令微调
Multimodal Continual Instruction Tuning with Dynamic Gradient Guidance
把灾难性遗忘重新表述为「旧任务梯度缺失」，并用当前参数与历史最优参数之间的方向向量来近似该梯度，这一思路可直接迁移到视觉语言模型的持续指令微调与多任务适配中，配合伯努利采样在稳定性与可塑性之间动态权衡。
面向可泛化医学图像分割的多模态因果驱动表征学习
Multimodal Causality-Driven Representation Learning for Generalizable Medical Image Segmentation
把因果干预引入 CLIP 式视觉语言模型：用文本提示构建「混淆因子字典」来显式建模设备/成像模式等域偏移，再做因果去混淆，这套「字典+干预」思路可迁移到任何需要跨域泛化的分割或检测任务。
多粒度感知语义原型扫描与三词元提示学习驱动的高阶 RWKV 全色锐化
Multigrain-aware Semantic Prototype Scanning and Tri-Token Prompt Learning Embraced High-Order RWKV for Pan-Sharpening
将 RWKV 的栅格扫描替换为基于局部敏感哈希的语义原型扫描，并用全局/原型/寄存器三词元提示词注入语义先验，可直接迁移到其他线性复杂度视觉骨干的全局建模与词元重排设计中。
MultiShotMaster：可控多镜头视频生成框架
MultiShotMaster: A Controllable Multi-Shot Video Generation Framework
通过改进RoPE实现多镜头视频的灵活编排与跨镜头一致性，为视频生成中的镜头控制与参考注入提供了可复用的位置编码方案。
MultiModalPFN：将先验数据拟合网络扩展到多模态表格学习
MultiModalPFN: Extending Prior-Data Fitted Networks for Multimodal Tabular Learning
把图像/文本编码器输出通过模态投影器（多头门控 MLP + 交叉注意力采样器）转成表格兼容 token，使 TabPFN 式先验数据拟合网络能直接吃视觉特征；做视觉+表格联合预测（如医学影像配临床指标）时可复用这套跨模态 token 对齐与注意力失衡缓解思路。
MultiCrafter：通过解耦注意力与身份感知偏好对齐实现高保真多主体生成
MultiCrafter: High-Fidelity Multi-Subject Generation via Disentangled Attention and Identity-Aware Preference Alignment
提出两阶段解耦训练框架：预训练阶段用显式位置监督解决注意力渗漏，后训练阶段用基于匈牙利匹配的在线强化学习做身份保持的偏好优化，可直接用于多主体个性化生成任务。
MultiBanana：一个面向多参考文本到图像生成的挑战性基准
MultiBanana: A Challenging Benchmark for Multi-Reference Text-to-Image Generation
为多参考主体驱动生成提供了覆盖参考数量（最多8张）、跨域、尺度不匹配、罕见概念与多语言文本的评测协议，可直接用于诊断个性化生成模型在异构参考组合下的失败模式。
MultiAnimate：可扩展的姿态引导图像动画
MultiAnimate: Pose-Guided Image Animation Made Extensible
基于 DiT 视频生成框架，用掩码驱动的 Identifier Assigner/Adapter 注入逐人位置线索与人物间空间关系，可复用于任何需要多实例身份解耦的可控视频生成任务。
多视图金字塔 Transformer：看得更粗，见得越广
Multi-view Pyramid Transformer: Look Coarser to See Broader
MVP 的局部到全局视图层级和细到粗空间层级为多视图 Transformer 提供了高效处理大量视图的通用架构，可直接用于前馈式三维重建与高斯泼溅初始化。
大范围真实场景下视角-地面交互的多视角人群跟踪 Transformer
Multi-view Crowd Tracking Transformer with View-Ground Interactions Under Large Real-World Scenes
将相机视角与地平面之间的双向交互建模为 Transformer 注意力，可迁移到多相机 BEV 感知与跨视角融合的跟踪/定位任务；同时提供的大场景长时序多视角数据集可用于检验模型在遮挡与尺度变化下的泛化能力。
多视图一致的三维高斯头部头像“无需”多视图生成
Multi-view Consistent 3D Gaussian Head Avatars 'without' Multi-view Generation
提出在 3D 高斯表示上直接施加多视图一致性约束的单次状态空间模型，无需多视图数据或中间视图合成，为单视图 3D 头像生成提供了可复用的 HiSS 块与 HiBiSS 扫描机制，以及基于 SE(3) 多视图评论器的自监督训练思路。
面向多模态社交交互的多说话人注意力对齐
Multi-speaker Attention Alignment for Multimodal Social Interaction
针对多说话人视频场景中视觉 token 与文本 token 缺乏说话人一致对齐的问题，提出无需训练参数、无需改架构的注意力偏置注入方案：先动态选出负责视觉 grounding 的注意力头，再用说话人位置与现有注意力图计算社交感知偏置，直接加进注意力机制。做视频 VLM、多模态 grounding 或注意力分析的工作可直接复用这套「检测头选择 + 位置先验偏置」的免训练增强思路。
通过自适应概率高斯校准的多模态测试时自适应
Multi-modal Test-time Adaptation via Adaptive Probabilistic Gaussian Calibration
把类别条件分布显式建模成概率高斯模型，并用对比式非对称校正来抵消模态间分布不对称，这套思路可直接迁移到视觉-语言模型在推理阶段的分布偏移自适应，尤其是需要可靠决策边界的开放场景。
用于语义场景补全的多模态频率分解网络
Multi-modal Frequency Decomposition Network for Semantic Scene Completion
针对 RGB-D 语义场景补全中的多模态对齐问题，提出频率分解与全局到局部的对齐范式，可复用于其他多模态融合任务（如深度补全、3D 检测）的特征对齐与细节保留。
多层次因果大语言模型驱动的文本到动作生成与人类对齐
Multi-level Causal LLM-based Text-to-Motion Generation with Human Alignment
把动作序列当作离散词元、用因果 RVQ-VAE 加时间滞后因果预测来做多层级并行生成，这套「离散词元 + 因果 LLM + 偏好对齐」的组合可直接迁移到视频/动作序列的生成式建模；同时发布的 HumanML3D-R 偏好数据集为动作生成提供了可复用的对齐评测资源。
面向空间转录组学的多视图层次对齐学习
Multi-View Hierarchical Alignment Learning for Spatial Transcriptomics
论文提出的层次化对齐学习（样本级正样本对齐+原型级对比学习）可迁移到多视图视觉表征学习任务中，例如多模态图像聚类或跨视角特征融合，为视觉领域处理视图间不一致性和语义监督缺失提供了一种通用框架。
Multi-SpatialMLLM：面向多模态大语言模型的多帧空间理解
Multi-SpatialMLLM: Multi-Frame Spatial Understanding with Multi-Modal Large Language Models
把深度、跨帧对应、动态感知等基础空间技能统一进 MLLM 训练，并用 2700 万级 3D/4D 数据管线与统一指标基准评测多帧空间推理，可直接复用于机器人多帧奖励标注与具身感知。
面向图像生成的多尺度局部推测解码
Multi-Scale Local Speculative Decoding for Image Generation
把LLM中的推测解码迁移到自回归图像生成，用低分辨率drafter提出候选token、高分辨率target并行验证，并引入局部拒绝重采样替代光栅扫描式重采样，可直接用于加速自回归视觉生成模型的采样。
面向压缩感知的多尺度梯度引导展开架构与自适应 Mamba
Multi-Scale Gradient-Guided Unrolling Architecture with Adaptive Mamba for Compressive Sensing
把 Mamba 状态空间块嵌入 PGD 展开框架，用多尺度展开与高维梯度融合替代跨阶段同质化特征提取，为图像复原类逆问题提供兼顾全局感受野与效率的可解释网络骨架。
面向零样本具身导航与推理的多尺度高斯-语言地图
Multi-Scale Gaussian-Language Map for Zero-shot Embodied Navigation and Reasoning
把每个语义单元同时存成自然语言描述和 3D 高斯，用高斯泼溅按需渲染任务相关视角，为大模型提供免训练的对齐接口；做具身导航或场景问答时可直接复用这种「语言-高斯」双模态地图表示，替代需要额外训练投影层的语义地图。
面向无监督异常检测的多原型紧致性与边界感知合成
Multi-Prototype Compactness and Boundary-Aware Synthesis for Unsupervised Anomaly Detection
用多原型混合建模正常特征分布、并在簇间拓扑边界处合成伪异常来收紧决策面，这套「原型聚类+边界合成」思路可直接迁移到工业缺陷检测与开放集异常定位任务中，替代单超球假设。
面向高效流匹配与扩散模型的多 patch 全局到局部 Transformer 架构
Multi-Patch Global-to-Local Transformer Architecture For Efficient Flow Matching and Diffusion Model
把 DiT 各向同性的等尺寸 patch 处理改为「浅层大 patch 抓全局、深层小 patch 修细节」的层次化多 patch 设计，可直接迁移到任何基于 Transformer 主干的扩散/流匹配生成器中，在 GFLOPs 减半的同时保持生成质量；其时间/类别嵌入改进也可作为加速收敛的通用技巧复用。
面向多模态大语言模型的多范式协同对抗攻击
Multi-Paradigm Collaborative Adversarial Attack Against Multi-Modal Large Language Models
对做多模态大模型红队与鲁棒性评测的人，这篇给出了一个可复用的思路：不要只用单一范式的代理模型做特征空间优化，而是把视觉与语言两个范式的语义表征聚合起来，用对比匹配自适应加权后再做全局扰动优化，从而缓解表征偏置、提升对抗样本的跨模型迁移性。
基于半监督率失真的多模态表征学习用于广义类别发现
Multi-Modal Representation Learning via Semi-Supervised Rate Reduction for Generalized Category Discovery
把率失真（rate reduction）目标从单模态扩展到多模态半监督场景，用模态内对齐约束表征的紧凑性与结构性，可作为开放集识别、新类发现类视觉任务中替代纯对比学习的表征学习目标。
通过干预稳定特征学习的多模态图像融合
Multi-Modal Image Fusion via Intervention-Stable Feature Learning
把因果干预（互补掩码、同区域随机掩码、模态 dropout）当作构造训练信号的手段，配合自适应不变性门控筛选「跨扰动模式仍重要」的特征，可直接迁移到多模态融合、跨模态对齐以及模态缺失下的鲁棒表征学习。
基于聚类的多度量表征学习策略用于细粒度多模态情感分析
Multi-Metric Representation Learning Strategy Based on Clustering for Fine-Grained Multimodal Sentiment Analysis
把多模态表征按情感类别聚类后，在全局与簇内局部两套度量下做投影与决策级融合，这一「聚类+多度量」思路可直接迁移到视觉-语言模型中的细粒度情感/意图判别与跨模态对齐。
面向多视图聚类的多层级对比谱融合
Multi-Hierarchical Contrastive Spectral Fusion for Multi-View Clustering
把深度谱嵌入直接嵌入编码器以保留局部流形结构，并配合视图级/共识级的多层级对比损失，可作为多视图或多模态特征融合时提升聚类友好性与跨视图一致性的可复用训练范式。
Multi-Crit：面向多元准则遵循能力的多模态评判者基准
Multi-Crit: Benchmarking Multimodal Judges on Pluralistic Criteria-Following
为视觉生成与多模态理解提供了一套以细粒度准则为条件的评判基准与三项新指标（多元准则遵循度、准则切换灵活性、准则级偏好冲突识别），可直接用于诊断和选择 LMM 作为视觉生成质量评估器，并揭示整体性评判微调无法泛化到准则级判断这一关键失效模式。
MuViT：用于跨尺度学习的多分辨率视觉 Transformer
MuViT: Multi-Resolution Vision Transformers for Learning Across Scales in Microscopy
把不同分辨率下的 patch 嵌入统一的 world-coordinate 体系，并把 RoPE 扩展到该坐标上，使单个编码器内的注意力能同时整合大范围上下文与高分辨率细节；这套坐标化位置编码思路可直接迁移到全切片病理、遥感大幅面图像等任意多尺度视觉任务。
MuM：面向三维视觉的多视图掩码图像建模
MuM: Multi-View Masked Image Modeling for 3D Vision
把 MAE 从双视图 CroCo 扩展到任意多视图、统一掩码加帧间注意力轻量解码器，为需要几何推理的视觉任务（前馈重建、稠密匹配、相对位姿）提供了一个可直接替换 DINOv3/CroCo 的预训练编码器方案。
MuKV：面向长流式视频问答的多粒度 KV 缓存压缩
MuKV: Multi-Grained KV Cache Compression for Long Streaming Video Question-Answering
对做长视频多模态理解的人，这篇给出了一个可直接复用的 KV 缓存压缩思路：在 patch、帧、片段三个粒度上保留视觉词元，并用自注意力与频率双信号筛选词元，再配合半分层检索取回相关缓存，从而在有限显存下支撑长流式视频问答。
MuCo：面向多模态嵌入模型的多轮对比学习
MuCo: Multi-turn Contrastive Learning for Multimodal Embedding Model
MuCo 将多轮对话结构引入对比学习，在单次前向中处理多个相关查询-目标对，可复用于视觉-语言检索模型的训练效率提升与嵌入一致性增强。
面向事件相机运动分割的运动边界归属
Moving Border Ownership for Event-based Motion Segmentation
把运动分割重新表述为「运动边界归属」预测：用有符号距离场编码边界朝向与前景归属，并以 Blender 合成事件提供完美监督，使模型在真实事件数据集上零样本迁移；这一「边界归属场 + 合成监督」思路可迁移到事件相机上的光流、遮挡推理与目标分割。
MovieRecapsQA：一个多模态开放式视频问答基准
MovieRecapsQA: A Multimodal Open-Ended Video Question-Answering Benchmark
对做视频理解或多模态大模型的人，这里提供了一个可复用的开放式视频问答评测协议：用「答案应包含的事实」构造无参考指标，并可在全长电影、完整回顾视频、对齐片段等不同视觉输入设定下对比模型，从而把视觉感知与视觉推理的瓶颈分开诊断。
Motus：统一的潜动作世界模型
Motus: A Unified Latent Action World Model
把光流当作像素级「delta action」来学习潜动作，并用 UniDiffuser 式调度器在同一个 MoT 主干里切换世界模型、VLA、逆动力学与视频生成模式，为视觉研究者提供了「用视频生成先验做机器人动作预训练」的可复用范式。
MotionV2V：在视频中编辑运动
MotionV2V: Editing Motion in a Video
把「运动编辑」显式参数化为输入/输出稀疏轨迹之间的偏差，并用构造的运动反事实视频对微调运动条件扩散模型，为视频编辑提供了一条可复用路径：用轨迹级控制信号替代文本提示来精确操控运动，且编辑可从任意时间戳起始并自然传播。
MotionScale：以可扩展 4D 高斯泼溅重建动态场景的外观、几何与运动
MotionScale: Reconstructing Appearance, Geometry, and Motion of Dynamic Scenes with Scalable 4D Gaussian Splatting
以聚类中心基变换参数化的可扩展运动场，配合背景扩展与前景传播两阶段渐进优化，为单目视频长时序大场景的动态重建提供了可复用的运动表示与训练调度思路。
MotionMaster：可泛化的文本驱动运动生成与编辑
MotionMaster: Generalizable Text-Driven Motion Generation and Editing
把预训练多模态大语言模型微调成文本到人体运动（3D 骨骼序列）的生成与编辑模型，并用 FSQ 分词器把运动离散成 token 与语言共享嵌入空间；对做 3D 人体动作/动画的研究者，这是一条可直接复用的「LLM 当运动先验 + 离散运动 token」路线。
MotionHiFlow：基于层次化流匹配的文本驱动运动生成
MotionHiFlow: Text-to-Motion via Hierarchical Flow Matching
把流匹配的采样路径按时间尺度分层（低尺度定语义骨架、高尺度补细节），并用跨尺度过渡保持噪声一致性，这一「由粗到细的层次化流路径」思路可直接迁移到视频生成、长时序动作合成等需要兼顾语义对齐与细粒度时序一致性的视觉生成任务。
MotionEnhancer：利用视频扩散模型增强视觉语言模型的运动理解能力
MotionEnhancer: Leveraging Video Diffusion for Motion-Enhanced Vision-Language Models
把视频扩散模型内部对动态运动敏感的注意力当作先验，通过注意力对齐蒸馏进 VLM，且完全免训练、免改结构——做视频 VLM 的人可以直接复用这套「从生成模型借运动先验」的思路来补细粒度运动理解。
MotionEdit：以运动为中心的图像编辑基准与学习方法
MotionEdit: Benchmarking and Learning Motion-Centric Image Editing
MotionNFT 提出了一种基于运动流对齐奖励的扩散模型后训练微调框架，可复用于其他需要精确运动控制的图像编辑任务，如帧控制视频合成中的关键帧编辑。
MotionCrafter：基于 4D 变分自编码器的稠密几何与运动重建
MotionCrafter: Dense Geometry and Motion Reconstruction with a 4D VAE
把稠密 3D 点图与 3D 场景流放进同一坐标系联合表示，并训练专用 4D VAE 来承载扩散先验，可直接复用到单目视频的 4D 重建与稠密运动估计；其「不必强行对齐 RGB VAE 潜空间、改用数据归一化与训练策略」的结论，对任何想把视频生成先验迁移到几何/运动回归任务的工作都是可借鉴的设计经验。
运动感知的可动画高斯化身去模糊
Motion-Aware Animatable Gaussian Avatars Deblurring
提出一种基于物理的运动模糊形成模型，结合3D人体运动模型，从模糊多视角视频中联合优化高斯化身表示与运动参数，为动态场景重建中的运动模糊问题提供可复用思路。
Motion 3-to-4：面向 4D 合成的三维运动重建
Motion 3-to-4: 3D Motion Reconstruction for 4D Synthesis
将 4D 合成分解为静态 3D 形状生成与运动重建，用紧凑运动潜变量加逐帧 Transformer 预测顶点轨迹，为从单目视频恢复时序一致几何提供了可复用的表示与架构思路。
以文本为主、视觉为辅：面向大型视觉语言模型的非对称文本-视觉剪枝
Mostly Text, Smart Visuals: Asymmetric Text-Visual Pruning for Large Vision-Language Models
针对多模态大模型提出非对称剪枝策略，视觉研究者可借鉴其按模态分别校准重要性的思路，用于压缩视觉-语言模型或设计模态感知的稀疏化方法。
MorphSeek：面向可变形图像配准的细粒度潜表征级策略优化
MorphSeek: Fine-grained Latent Representation-Level Policy Optimization for Deformable Image Registration
把 DIR 的稠密位移场优化搬到潜特征空间，用高斯策略头 + GRPO 做由粗到细的探索，这种「表征级策略优化」思路可迁移到任何高维稠密预测任务（如光流、稠密对应、点云配准）的搜索式优化中。
MorphAny3D：释放结构化潜变量在三维变形中的力量
MorphAny3D: Unleashing the Power of Structured Latent in 3D Morphing
提出在 3D 生成器的注意力机制中混合源与目标 SLAT 特征来实现无训练 3D 变形，其 Morphing Cross-Attention 和 Temporal-Fused Self-Attention 可直接迁移到其他基于 SLAT 的生成模型（如 TRELLIS）以支持时序平滑的编辑与风格迁移。
超越简单相加：面向恶劣全景场景的全景-语言模型
More than the Sum: Panorama-Language Models for Adverse Omni-Scenes
提出即插即用的全景稀疏注意力模块，让已有的针孔式 VLM 无需重训练即可处理等距柱状全景图，为 360° 视觉语言推理提供了可复用的适配手段；PanoVQA 数据集则提供了遮挡与事故等恶劣全景场景下的评测基准。
超越所见：通过语义-像素熵权衡实现零样本泛化的统一图像融合框架
More Than Meets the Eye: A Unified Image Fusion Framework via Semantic-Pixel Entropy Trade-off for Zero-Shot Generalization
提出基于自由能原理的语义-像素熵权衡范式与频率感知特征解耦机制，可复用于多模态图像融合、零样本泛化到未见融合任务，并为无监督融合提供统一优化目标。
更自然、更真实：面向人脑 3D 视觉解码的对象感知高斯泼溅
More Natural, More Real: Object-aware Gaussian Splatting for 3D Visual Decoding from Human Brain
把 3DGS 的初始控制参数（位置/颜色/语义锚点）改由 fMRI/EEG 特征回归得到，并用多视图稳定器约束跨视角一致性——这套「神经信号→3DGS 属性」的解码管线可迁移到任何需要从低维/噪声条件生成可控 3D 表示的场景（如条件式 3D 生成、脑机接口驱动的资产创建）。
MooCap：用于牛-物体-人交互与行为动力学的多视角基准
MooCap: A Multi-View Benchmark for Cow-Object-Human Interaction and Behavior Dynamics
该基准提供了多视角同步视频、密集的23种行为标注和39个身体关键点，可用于评估和开发多实体交互感知的时序动作分割与基于关键点轨迹的行为识别模型，尤其是交互密集片段下的性能退化问题值得关注。
面向室内场景的单目开放词表占用预测
Monocular Open Vocabulary Occupancy Prediction for Indoor Scenes
把 3D Language-Embedded Gaussians 当作几何与语言对齐的统一中间表示，用仅二值占用标签的弱监督训练开放词表室内占用预测；其中不透明度感知的 Poisson 体素聚合与渐进温度衰减调度可直接迁移到其他高斯-语言对齐或弱监督高斯到体素转换的流程。
MonoVLM：基于视觉语言模型的单目三维视觉定位
MonoVLM: Monocular 3D Visual Grounding with Vision Language Models
把 GRPO 强化学习引入 VLM 的三阶段渐进训练，让语言模型从二维定位逐步过渡到三维结构理解与完整 3D 边界框回归，为「用 VLM 做几何感知任务」提供了一条可复用的训练范式。
MonoSAOD：面向稀疏标注标签的单目3D目标检测
MonoSAOD: Monocular 3D Object Detection with Sparsely Annotated Label
针对稀疏标注场景，用道路感知的图像块粘贴增强保持3D几何一致性，并用原型相似度加深度不确定性过滤伪标签，可直接迁移到其他3D/2D检测器的半监督训练流程。
Monet：超越图像与语言的潜视觉空间推理
Monet: Reasoning in Latent Visual Space Beyond Image and Language
把中间推理步骤从文本 token 换成连续视觉嵌入，让 MLLM 在潜视觉空间里做多步推理，并给出 VLPO 把潜嵌入纳入策略梯度更新——做多模态推理、CoT 或 RL 微调的人可以直接复用这套三阶段蒸馏 SFT + 潜变量 RL 的训练配方。
面向计算病理学知识蒸馏的动量记忆
Momentum Memory for Knowledge Distillation in Computational Pathology
用动量更新的跨批次记忆库替代批次内对齐，把基因组监督蒸馏进纯组织学推理模型，并解耦双分支梯度；这套「记忆库扩大监督上下文 + 梯度解耦」的做法可直接迁移到其他缺失模态的多模态蒸馏场景（如影像-文本、影像-临床指标）。
Molmo2：面向视频理解与视觉定位的视觉语言模型开放权重与数据
Molmo2: Open Weights and Data for Vision-Language Models with Video Understanding and Grounding
Molmo2 提供了不依赖闭源 VLM 生成的视频/多图数据集与训练配方（packing 与 message-tree 编码、视觉 token 双向注意力、token 加权策略），并给出点驱动视觉定位与像素级跟踪的评测设定，可直接用于构建或评测具备指点和跟踪能力的视频语言模型。
ModularAgent：面向多模态大语言模型与世界模型联合优化的任务感知模块化框架
ModularAgent: A Task-Aware Modular Framework for Joint Optimization of Multimodal Large Language Models and World Models
把 MLLM 的语义表征注入世界模型潜空间、再用世界模型生成的稠密文本条件奖励反向精炼 MLLM 语义空间的双向耦合机制，可为视觉研究者提供一种将视觉动态预测与语言语义先验联合训练的可复用范式，尤其适用于需要多任务与跨环境泛化的具身视觉策略学习。
模型作为乐高搭建者：通过语义蓝图从良性积木组装恶意
Models as Lego Builders: Assembling Malice from Benign Blocks via Semantic Blueprints
提出一种基于结构化视觉提示（思维导图、表格、旭日图）的语义槽填充越狱方法，为研究LVLM多模态安全对齐与防御提供了可复用的攻击范式。
建模人类草图的视觉歧义性
Modeling the Visual Ambiguity of Human Sketches
AmbiScore 把「草图-图像对本身有多歧义」量化成一个可计算的指标，并据此自适应调节监督强度；做跨模态对齐或噪声监督训练时，可以直接借用这种按样本不确定性加权监督的思路，Purified Matching 的 shape jigsaw / texture swapping 也可作为解耦结构与外观的通用数据构造手段。
建模大脑的语法：ROI 引导的 fMRI 预训练用于可迁移与可解释的视觉解码
Modeling the Brain's Grammar: ROI-Guided fMRI Pretraining for Transferable and Interpretable Vision Decoding
把 Matryoshka 式嵌套嵌入压缩与 ROI 级稀疏上下文融合用于跨被试 fMRI 预训练，为视觉解码提供可迁移、可按脑区归因的表征；做脑-视觉对齐或多被试表征对齐的研究者可直接借用其 ROI 级 token 化与嵌套压缩思路。
面向高分辨率大脑动态的时空神经帧建模
Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic
将EEG作为条件信号、以零空间中间帧重建处理不规则采样，把fMRI重建为皮层顶点级连续序列；这套「条件生成+不规则采样补全」思路可迁移到其他跨模态医学时序重建与视觉解码任务。
建模跨视觉协同的统一大视觉模型
Modeling Cross-vision Synergy for Unified Large Vision Model
PolyV 的稀疏混合专家架构与动态模态路由器为视觉多模态统一模型提供了可复用的设计范式，其协同感知训练策略（模态特定预训练+知识蒸馏+对象/关系级对齐）可直接用于提升视觉模型在跨模态推理任务上的表现。
本质子空间中的模型合并
Model Merging in the Essential Subspace
对需要把多个任务微调模型（如多个下游视觉任务的 LoRA/全参微调权重）零训练合成一个多任务模型的场景，提供基于 PCA 特征偏移子空间投影 + 低秩分解 + 极化缩放的可复用合并流程，可直接用于视觉基础模型的多任务部署。
Mocap-2-to-3：基于2D预训练的多视图提升单目运动恢复
Mocap-2-to-3: Multi-view Lifting for Monocular Motion Recovery with 2D Pretraining
把单目人体运动恢复重构为多视图合成问题，先在大量2D数据上预训练单视图扩散模型、再在3D数据上做多视图微调，这一「2D预训练+多视图几何约束」的范式可直接迁移到其他需要从单目输入恢复度量尺度3D结构的任务。
Mobile-VTON：高保真端侧虚拟试衣
Mobile-VTON: High-Fidelity On-Device Virtual Try-On
论文提出的 Feature-Guided Adversarial 蒸馏策略与潜变量拼接式轻量跨模态条件注入，为在移动端部署扩散类生成模型提供了可复用的压缩与条件控制方案；做端侧图像生成或可控生成的研究者可借鉴其教师-学生蒸馏与轨迹一致性损失的设计。
MoVieS：一秒内完成运动感知的 4D 动态视角合成
MoVieS: Motion-Aware 4D Dynamic View Synthesis in One Second
用像素对齐的高斯原语显式监督时变运动，把外观、几何、运动统一进单一学习框架，使单目视频的 4D 重建、新视角合成与 3D 点跟踪共享同一表示；做动态场景重建或需要从视频直接导出场景流、运动分割的工作可直接复用这一表示与监督方式。
MoVie：利用人体运动拓宽动作检测的视野
MoVie: Broaden Your Views with Human Motion for Action Detection
将人体骨架序列作为运动先验，通过可学习运动字典分解和正交变换正则化，引导RGB视频特征学习，为视频动作检测提供了一种融合异构模态的通用思路。
MoRel：基于锚框中继双向混合与层次稠密化的长程无闪烁 4D 运动建模
MoRel: Long-Range Flicker-Free 4D Motion Modeling via Anchor Relay-based Bidirectioanl Blending with Hierarchical Densification
把长时序动态场景的形变建模从逐帧高斯搬到关键帧锚框空间，用双向形变加可学习不透明度混合抑制时序闪烁，并用特征方差引导的层次稠密化控制锚框数量——这套「锚框中继 + 双向混合」思路可直接迁移到任何需要长视频、有界显存的动态高斯泼溅或动态 NeRF 管线。
MoReGen：面向基于代码的文本到视频合成的多智能体运动推理引擎
MoReGen: Multi-Agent Motion-Reasoning Engine for Code-based Text-to-Video Synthesis
把物理仿真器与渲染器接入多智能体LLM流水线，在代码域生成可复现视频，并用物体轨迹对应作为直接评测指标；对做视频生成的人，这提供了一条绕开像素级扩散、直接保证牛顿运动一致性的可复用路线与配套基准。
MoRe：运动感知的前馈 4D 重建 Transformer
MoRe: Motion-aware Feed-forward 4D Reconstruction Transformer
用 attention-forcing 与分组因果注意力把动态运动从静态结构中解耦，为单目视频下的前馈式动态重建提供了可复用的训练策略与注意力设计，可直接迁移到动态 NeRF/3DGS 的快速推理场景。
MoRGS：面向可流式动态3D场景的高效逐高斯运动推理
MoRGS: Efficient Per-Gaussian Motion Reasoning for Streamable Dynamic 3D Scenes
将稀疏关键视图的光流作为轻量运动线索，引导每个高斯球的运动朝向真实场景动态，并学习运动偏移场和置信度来补偿光流的稀疏性与视角依赖性，为在线动态重建提供可复用的运动推理模块。
MoRE：三维视觉几何重建遇上混合专家
MoRE: 3D Visual Geometry Reconstruction Meets Mixture-of-Experts
用 MoE 动态路由把深度、法线等几何任务分派给专家，并配一个基于置信度的深度细化模块，可作为构建可扩展稠密几何基础模型、在多任务间共享骨干网络时的架构与损失设计参考。
MoLingo：面向文本到人体动作生成的动作-语言对齐
MoLingo: Motion-Language Alignment for Text-to-Human Motion Generation
提出用帧级文本标签训练语义对齐的运动编码器，使潜空间更利于扩散；并验证多token交叉注意力注入文本条件优于单token，可迁移到其他条件生成任务（如文本到图像/视频）的潜空间设计与条件注入。
MoECLIP：面向零样本异常检测的图像块专用专家
MoECLIP: Patch-Specialized Experts for Zero-shot Anomaly Detection
把 MoE 路由下沉到图像块级别、每个图像块动态选择专属 LoRA 专家，是给 CLIP 类视觉语言模型做任务特化的可复用微调范式；FOFS 正交特征分离与 simplex ETF 损失抑制专家冗余的思路，可直接迁移到其他需要多专家分工的密集预测任务。
MoEActok：面向视觉-语言-动作模型的基于混合专家的动作分词器
MoEActok: A MoE-based Action Tokenizer for Vision-Language-Action Models
对做视觉-语言-动作模型的研究者，这篇提供了用聚类驱动的 MoE 量化器把连续动作分块离散化成技能感知 token 的方案，可直接替换 VLA 中单一动作分词器，缓解多技能轨迹上的优化折中，并给出仿真与真机零样本迁移的评测设定。
MoE-GRPO：在视觉语言模型中通过强化学习优化混合专家
MoE-GRPO: Optimizing Mixture-of-Experts via Reinforcement Learning in Vision-Language Models
把 MoE 视觉语言模型的专家路由从确定性 top-K 改成用 GRPO 学习的随机策略，并加入模态感知的路由引导；做多模态大模型推理或训练的人可以直接复用这套路由优化思路来缓解专家过拟合、提升专家利用率。
MoDES：通过动态专家跳过加速混合专家多模态大语言模型
MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping
MoDES 提供了一种免训练的专家跳过框架，可直接用于加速基于 MoE 的多模态大语言模型（如 Qwen3-VL-MoE）的视觉语言推理，通过全局调制局部门控和双模态阈值化，在跳过 88% 专家时仍保持甚至提升精度，并显著减少预填充和解码时间，为视觉研究者部署高效 MLLM 提供了可复用的技术手段。
MoD-DPO：利用模态解耦偏好优化缓解全模态大模型中的跨模态幻觉
MoD-DPO: Towards Mitigating Cross-modal Hallucinations in Omni LLMs using Modality Decoupled Preference Optimization
给做多模态大模型（尤其是视听/视觉-语言模型）的研究者提供了一种可复用的偏好优化正则化思路：通过对无关模态加扰动、对相关模态加敏感度约束，显式解耦模态间虚假关联，可直接迁移到视觉-语言模型的视觉定位与幻觉抑制训练中。
MoCoDiff：面向富有表现力动作生成的可控自回归扩散模型
MoCoDiff: A Controllable Autoregressive Diffusion Model for Expressive Motion Generation
把语义、风格、历史三类条件拆成独立的轻量线性调制通路（IMC/TIMC），避免融合条件互相干扰，这一思路可直接迁移到视频生成、人体动作/手势动画等需要长时序一致性与多条件可控的扩散生成任务。
MoCha：无需结构引导的端到端视频角色替换
MoCha: End-to-End Video Character Replacement without Structural Guidance
把视频扩散模型自身的时序跟踪能力当作隐式结构先验，从而摆脱逐帧掩码与骨架/深度等显式结构引导，只需单帧任意掩码即可完成角色替换；条件感知 RoPE 与 RL 后训练可迁移到其他多模态条件注入的身份保持生成任务。
MoCapAnything：从单目视频为任意骨架统一进行三维运动捕捉
MoCapAnything: Unified 3D Motion Capture for Arbitrary Skeletons from Monocular Videos
提出以任意绑定三维资产为提示词、从单目视频重建旋转动画的统一框架，其参考提示编码器与约束感知逆运动学拟合可复用于跨物种骨骼动画生成与重定向任务。
MoBind：面向细粒度 IMU-视频姿态对齐的运动绑定
MoBind: Motion Binding for Fine-Grained IMU-Video Pose Alignment
把视频中提取的2D骨骼序列当作视觉侧表征，与IMU信号做分层对比对齐，为视觉研究者提供了一个绕开像素、用姿态序列做跨模态时序对齐与检索的可复用范式，尤其适合第一人称/可穿戴场景下的细粒度时序同步。
基于混合专家的特征解耦用于开放词表场景图生成
Mixture-of-Experts based Feature Decoupling for Open Vocabulary Scene Graph Generation
MoE-FD 通过门控网络自适应解耦物体与关系特征，并用迭代交叉注意力建模语义交互，可直接用于开放词表场景图生成中提升新类别判别力与图文对齐精度。
混合风格专家用于多样图像风格化
Mixture of Style Experts for Diverse Image Stylization
将混合专家（MoE）架构引入扩散风格化，通过相似度感知门控动态路由风格到专门专家，可复用于其他需要多风格控制的生成任务，提升语义和材质细节保持能力。
状态混合：面向多模态生成的路由式 token 级动态
Mixture of States: Routing Token-Level Dynamics for Multimodal Generation
把跨模态融合从固定结构改为 token 级、随去噪时间步变化的可学习稀疏路由，可直接迁移到任何多模态扩散骨干（如 DiT）中替换固定的 cross-attention 融合层，在几乎不增加参数与算力的情况下提升文生图/编辑质量。
面向测试时自适应分割的原型混合专家
Mixture of Prototypes for Test-time Adaptive Segmentation
把类别原型聚类成多个域专家并用门控网络按实例-专家相关性加权，配合最小化预测熵、最大化专家选择熵的门控优化，可直接迁移到任何需要测试时自适应的分割或密集预测模型上。
MixerCSeg：一种基于解耦 Mamba 注意力的高效裂缝分割混合器架构
MixerCSeg: An Efficient Mixer Architecture for Crack Segmentation via Decoupled Mamba Attention
TransMixer 把 Mamba 的潜变量注意力拆成局部纹理、全局依赖与序列上下文三条并行通路，配合方向引导边缘门控卷积，为细长/不规则结构（裂缝、血管、道路）的像素级分割提供了一个低算力（2.05 GFLOPs）可复用的编码器设计范式。
MixFlow 训练：以减速插值混合缓解暴露偏差
MixFlow Training: Alleviating Exposure Bias with Slowed Interpolation Mixture
针对扩散模型训练-测试不一致（暴露偏差）问题，提出用「减速时间步」上的真实插值混合来后训练预测网络，可直接套用到 SiT、REPA、RAE 等扩散/流匹配骨干上，在 ImageNet 256/512 上把 FID 压到 1.1 左右，是提升现有生成模型采样质量的即插即用后训练手段。
缓解基于扩散的数据集蒸馏中的分布偏移
Mitigating The Distribution Shift of Diffusion-based Dataset Distillation
对做数据集蒸馏或需要合成小规模训练集的人，这篇给出了两个可直接复用的手段：在扩散训练时加 L1 稀疏正则让模型学紧凑流形，以及在采样时对整个合成集同步去噪并加分布正则，替代逐样本顺序采样。
通过目标共现分析缓解 OOD 检测中的简单性偏差
Mitigating Simplicity Bias in OOD Detection through Object Co-occurrence Analysis
把「目标共现」这一上下文线索引入 OOD 检测：先预测测试样本的解耦表征，再按 ID 训练数据中观察到的共现模式自适应划分为三种情形并分而治之，可直接迁移到需要区分近 OOD 的视觉识别系统。
缓解开放词表全景分割中的物体性偏差与区域-文本错位
Mitigating Objectness Bias and Region-to-Text Misalignment for Open-Vocabulary Panoptic Segmentation
针对开放词表全景分割中掩码选择偏差和区域-文本对齐不足的问题，提出模块化的 COAT 和 OVR 组件，可复用于其他开放词表分割任务，以较低内存成本提升 CLIP 的区域级对齐能力。
基于梯度自反思的多模态幻觉缓解
Mitigating Multimodal Hallucinations via Gradient-based Self-Reflection
用一阶泰勒梯度估计每个视觉 token 与文本 token 对当前输出的贡献，从而在解码时抑制虚假视觉特征并重新平衡跨模态贡献；这是一种无需训练、无需辅助模型的推理期去幻觉手段，可直接套用到任意 MLLM 的解码环节。
缓解实例依赖偏标签学习中的实例纠缠
Mitigating Instance Entanglement in Instance-Dependent Partial Label Learning
针对弱监督分类中候选标签与实例特征耦合导致的类间混淆，提出类特定增强与加权惩罚损失来拉开类间距离，可复用于噪声标签、开放词表等标签歧义场景下的表征判别性提升。
缓解快速对抗训练中的误差放大
Mitigating Error Amplification in Fast Adversarial Training
针对快速对抗训练中的灾难性过拟合，按样本置信度动态缩放扰动预算并调节监督信号，可直接嵌入现有 FAT 流程（如 FGSM-RS）以在几乎不增加成本的前提下提升鲁棒性并缓解干净精度下降。
错误归因：第一人称视频中的细粒度错误理解
Mistake Attribution: Fine-Grained Mistake Understanding in Egocentric Videos
提出细粒度错误归因任务，将错误定位到指令语义角色、不可逆时间点（PNR）及空间位置，并给出自动构建大规模错误样本的数据引擎 MisEngine 与统一注意力模型 MisFormer，可复用于第一人称视频的时序定位与视觉语言理解。
不再缺失：缺失红外条件下的字典引导跨模态图像融合
Missing No More: Dictionary-Guided Cross-Modal Image Fusion under Missing Infrared
把跨模态融合从像素空间生成搬到共享卷积字典的系数域，用「编码-迁移-融合-重建」闭环替代不可控的像素级生成；对做多模态融合、缺失模态补全的研究者，这套字典-系数表示提供了一个可解释、可复用且能接下游检测的替代范式。
镜面错觉艺术
Mirror Illusion Art
把「从两张目标图反推可打印 3D 物体」形式化为逆图形学优化问题，其投影对齐选择、位置加权背景抑制、内部体素保持与形状-颜色解耦优化四个机制，可直接迁移到需要抑制表面噪声与内部空洞的 3D 生成/重建优化流程中。
Mirai：自回归视觉生成需要前瞻
Mirai: Autoregressive Visual Generation Needs Foresight
把「未来词元」的监督信号（显式多步未来表征或匹配的双向表征）注入自回归训练，无需改架构、无额外推理开销，可直接套用到 LlamaGen、VAR 类图像生成模型的训练流程中以加速收敛并降低 FID。
挖掘以实例为中心的视觉语言上下文用于人-物交互检测
Mining Instance-Centric Vision-Language Contexts for Human-Object Interaction Detection
把 VLM 特征按实例内、实例间、全局三种粒度拆解并渐进融合到检测器实例特征上，这套「实例中心上下文挖掘」思路可直接迁移到任何需要细粒度关系推理的视觉任务（如场景图生成、指代理解）。
挖掘属性子空间以实现3D基础模型的高效微调
Mining Attribute Subspaces for Efficient Fine-tuning of 3D Foundation Models
提出通过合成数据挖掘与不同变化类型（纹理、几何、相机运动、光照）关联的低秩适配子空间，并整合为更紧凑的子空间用于高效微调3D基础模型，为视觉领域提供了一种可复用的参数高效微调策略。
多视图自标定的最小约束松弛
Minimal Constraint Relaxation for Multiview Autocalibration
为多视图自标定中的过约束多项式系统提供了一套可复用的约束松弛枚举与分类流程，结合符号计算与数值同伦延拓筛选出良态、有限解的约束子集，可直接用于改进三视图自标定的数值稳定性。
MiniCPM-V 4.5：通过架构、数据与训练配方打造高效多模态大模型
MiniCPM-V 4.5: Cooking Efficient MLLMs via Architecture, Data, and Training Recipe
3D-Resampler 对图像与视频做高度紧凑的视觉编码，配合混合强化学习在短/长推理模式间切换，为视觉侧提供了一条在 8B 规模下同时压低显存与推理耗时的可复用路线；其视频 token 压缩策略对做视频 MLLM 的效率优化尤其有参考价值。
Minerva-Ego：面向第一人称视频理解的时空提示
Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding
把「该看哪里、何时看」的时空掩码作为提示注入前沿多模态模型，可显著提升复杂视频推理；这套提示构造与推理链标注方式可直接迁移到其他视频问答或具身感知任务的评测与增强。
MindPower：在基于视觉语言模型的具身智能体中实现心智理论推理
MindPower: Enabling Theory-of-Mind Reasoning in VLM-based Embodied Agents
把心智理论（ToM）推理显式嵌入 VLM 具身智能体的感知-推理-决策-行动流水线，并用 Mind-Reward 优化目标对齐推理与行为，为视觉研究者提供了一个可复用的「以机器人为中心」的推理监督与奖励设计范式。
MindDriver：面向自动驾驶的渐进式多模态推理
MindDriver: Introducing Progressive Multimodal Reasoning for Autonomous Driving
将VLM的思维链从纯文本扩展到语义理解→语义到物理空间想象→物理空间轨迹规划的多模态渐进推理，并用反馈引导的自动标注和渐进强化微调对齐推理过程，为端到端自动驾驶提供可复用的推理框架。
注意你选择负文本的方式：在视觉语言模型的 OOD 检测中追求距离一致性
Mind the Way You Select Negative Texts: Pursuing the Distance Consistency in OOD Detection with VLMs
对做开放世界视觉识别的人，这篇给出了一个可直接复用的思路：用 CLIP 原生优化的跨模态距离（而非模态内距离）来挑选负文本并反演高置信 OOD 图像生成额外负文本嵌入，可作为即插即用的 OOD 打分与负样本构造模块。
注意铰接处：面向自动驾驶卡车的动态标定与铰接感知
Mind the Hitch: Dynamic Calibration and Articulated Perception for Autonomous Trucks
把铰接式卡车的车头-挂车相机外参从静态标定改为用跨视角+时序注意力在线回归 6-DoF 相对位姿，并直接替换 BEVFormer 的静态外参，为多相机 BEV 感知在基座随时间变化的场景（挂车形变、遮挡、快速折角）提供了可复用的动态标定模块与 CARLA 基准。
关注生成细节：面向视频扩散模型的直接局部细节偏好优化
Mind the Generative Details: Direct Localized Detail Preference Optimization for Video Diffusion Models
提出一种基于局部时空区域构造偏好对的后训练对齐方法，仅需单次推理即可生成偏好数据，无需外部评价模型，可复用于视频扩散模型的人类偏好对齐，提升生成保真度和时序一致性。
正视差距：迁移标签以对齐目标检测数据集
Mind the Gap: Transferring Labels to Align Object Detection Datasets
对需要合并多源检测数据集、但目标标签空间固定的视觉研究者，LAT 提供了一条无需共享类别体系与人工重标注的标签迁移路径：用数据集专属检测器生成伪标签，再以特权提议生成器（PPG）替代 RPN、以语义特征融合（SFF）抑制伪标签噪声，可直接复用到跨域检测与数据扩充流程中。
警惕无源跨域少样本学习中的判别性陷阱
Mind the Discriminability Trap in Source-Free Cross-domain Few-shot Learning
揭示了 VLM 在无源跨域少样本微调中「视觉判别性越强反而越差」的捷径现象：交叉熵损失中的视觉学习项会绕过跨模态对齐，因此做 CLIP/SigLIP 下游适配时应显式扰动视觉分支并利用图文语义关系逐步恢复模态对齐，而不是一味增强视觉特征判别性。
MimicTalker：面向实时双人 3D 头部生成的多模态交互与记忆增强框架
MimicTalker: A Multimodal Interactive and Memory-Enhanced Framework for Real-Time Dyadic 3D Head Generation
面向双人对话场景的实时 3D 头部动作生成，其多模态交互上下文提取与语义引导的运动风格记忆机制，可迁移到虚拟人、数字人驱动以及语音驱动的面部动画等需要长时一致性的生成任务。
模仿人类认知，掌握多图推理：一种增强视觉理解的元动作框架
Mimic Human Cognition, Master Multi-Image Reasoning: A Meta-Action Framework for Enhanced Visual Understanding
把多图/多帧推理拆成 Global/Focus/Hint/Think/Answer 五个元动作，并用检索式树采样构造冷启动轨迹、再用两阶段强化学习（多样性保持探索 + DAPO 退火利用）训练，可直接迁移到需要跨图跨帧聚合证据的视觉语言任务上。
MimiCAT：基于对应感知级联 Transformer 的类别无关 3D 姿态迁移
MimiCAT: Mimic with Correspondence-Aware Cascade-Transformer for Category-Free 3D Pose Transfer
提出基于语义关键点标签的软对应匹配机制，将姿态迁移建模为条件生成过程，可复用于跨类别形状对应与变形迁移任务。
MicroFM：面向各向同性显微重建的物理引导流匹配
MicroFM: Physics-guided Flow Matching for Isotropic Microscopy Reconstruction
把物理点扩散函数（PSF）匹配的合成数据与流匹配生成模型结合，并用连续隐式几何先验约束体数据，为各向异性退化下的三维重建提供了可复用的「物理退化建模 + 生成式复原」范式。
MetroGS：高效稳定重建几何精确的高保真大规模场景
MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes
提出分布式2D高斯泼溅作为统一骨干，结合SfM先验与点图模型稠密初始化、渐进混合几何优化和深度引导外观建模，为大规模城市场景的高保真几何重建提供了可复用的稳定框架。
MetricHMSR：从单目图像恢复度量尺度的人体网格与场景
MetricHMSR: Metric Human Mesh and Scene Recovery from Monocular Images
把相机光线（内参+边界框）编码进网络，并用 Human MoE 将图像特征与光线特征路由到不同专家，从而在单一框架里同时回归人体局部姿态与全局度量 3D 位置；对做单目人体重建、人体-场景联合重建、以及需要把 2D 检测框升级为度量 3D 定位的工作可直接复用。
MeteorPred：面向极端天气事件预测的气象多模态大模型与数据集
MeteorPred: A Meteorological Multimodal Large Model and Dataset for Severe Weather Event Prediction
把 4D 气象场（时间×气压层×空间）当作视觉式高维输入，用三个即插即用的自适应融合模块分别沿时序、垂直层、空间维度做动态特征提取与整合，这套「多维张量输入 + 分维融合」的接口设计可直接迁移到视频、多帧深度、气象/遥感等时空视觉任务的多模态大模型改造中。
MetaSpectra+：用于快照高光谱+成像的紧凑宽带超表面相机
MetaSpectra+: A Compact Broadband Metasurface Camera for Snapshot Hyperspectral+ Imaging
用超表面-折射混合组件在单次曝光内同时编码光谱、曝光与偏振，为计算成像中的多路复用采集与后续重建提供了一种紧凑硬件方案；做高光谱重建或快照多模态成像的工作可借鉴其通道独立色散控制的设计思路与重建精度基准。
元学习上下文实现免训练跨被试大脑解码
Meta-Learning In-Context Enables Training-Free Cross Subject Brain Decoding
对做视觉表征研究的人，这篇提供了一个「用少量图像-脑响应样例做上下文学习、无需微调即可逆推个体编码器」的范式，可作为评估视觉骨干网络与大脑表征对齐程度的探针，也提示把元学习/上下文条件化用于跨域个体差异建模。
Meta-FC：基于特征一致性的元学习用于鲁棒且可泛化的水印
Meta-FC: Meta-Learning with Feature Consistency for Robust and Generalizable Watermarking
把元学习加特征一致性损失当作一种可插拔的训练策略，用来替代单随机失真（SRD）噪声层，可直接迁移到其他需要抵抗多种失真的视觉任务（如复原、隐写、对抗训练）中，缓解批次间优化冲突。
Meta-CoT：提升图像编辑的粒度与泛化能力
Meta-CoT: Enhancing Granularity and Generalization in Image Editing
Meta-CoT 将任意图像编辑操作分解为（任务、目标、所需理解能力）三元组，并进一步拆解为五个元任务，配合思维链一致性奖励，使模型在少量元任务训练后即可泛化到未见编辑任务；该分解思路可直接用于构建更细粒度的编辑指令数据与训练策略。
MeshWeaver：稀疏体素引导的表面编织用于自回归网格生成
MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation
把稀疏体素特征同时当作顶点表示、交叉注意力引导和结构脚手架，为自回归网格生成注入局部几何先验；这套「体素编码器 + 下一顶点预测」的范式可直接迁移到点云/网格的自回归建模与高面数资产生成。
MeshSplatting：基于不透明网格的可微渲染
MeshSplatting: Differentiable Rendering with Opaque Meshes
把基于点的泼溅表示换成端到端可优化的连通网格，用受限 Delaunay 三角剖分约束拓扑、用可微渲染联合优化几何与外观，使神经渲染结果能直接进 AR/VR 与游戏引擎；做新视角合成或网格重建的人可借鉴其「泼溅式优化 + 网格输出」的管线。
MeshRipple：艺术家网格的结构化自回归生成
MeshRipple: Structured Autoregressive Generation of Artist-Meshes
把网格面序列化顺序与表面拓扑对齐（frontier-aware BFS tokenization），并用稀疏注意力全局记忆扩展感受野，可直接迁移到任何自回归式 3D 资产生成或点云/网格序列建模中，解决滑窗推理割裂长程几何依赖的问题。
MeshMosaic：通过局部到全局组装扩展艺术家网格生成
MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly
把高面数网格切成局部块、逐块自回归生成并用共享边界条件保证接缝一致，这套局部到全局的量化与组装策略可直接迁移到高分辨率网格/3D资产的生成与补全，绕开长序列与量化粒度瓶颈。
MeshFlow：基于 MeshVAE 与流式扩散 Transformer 的高效艺术网格生成
MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer
用带对比损失的 VAE 把连续顶点坐标与离散连接关系压进一个紧凑的连续潜空间，再用 Rectified-Flow Transformer 并行生成全部顶点与边，为三维网格生成提供了可替代自回归 token 预测的潜空间+流匹配范式。
Mesh4D：从单目视频重建与跟踪四维网格
Mesh4D: 4D Mesh Reconstruction and Tracking from Monocular Video
用自编码器把整段动画压进一个紧凑潜空间、再用潜扩散模型一次性预测完整形变场，这种「序列级潜表示 + 一次性生成」的范式可迁移到动态人体/手部/物体的单目四维重建与新视角合成；训练时用骨骼先验约束形变、推理时不需要骨骼，也提供了一个把结构化先验蒸馏进潜空间的可复用思路。
Mesh-Pro：面向艺术家风格四边形网格生成的异步优势引导排序偏好优化
Mesh-Pro: Asynchronous Advantage-guided Ranking Preference Optimization for Artist-style Quadrilateral Mesh Generation
提出异步在线强化学习框架和 ARPO 算法，可直接用于提升 3D 网格生成的后训练效率与泛化能力；对角感知的混合三角-四边形 tokenization 和基于射线的奖励为几何完整性提供了新思路。
MergeVLA：面向通用视觉-语言-动作智能体的跨技能模型合并
MergeVLA: Cross-Skill Model Merging Toward a Generalist Vision-Language-Action Agent
提出面向模型合并的VLA架构设计：用任务掩码稀疏激活LoRA适配器保持VLM骨干参数一致，并将动作专家中的自注意力替换为纯交叉注意力块以保持技能模块化，为多技能机器人策略合并提供可复用方案。
Merge3D：通过联合2D-3D词元合并实现高效3D多模态大语言模型
Merge3D: Efficient 3D Multimodal LLMs via Joint 2D-3D Token Merging
提出一种几何感知的词元合并框架，利用2D注意力选择语义显著词元，并结合2D+3D混合相似度聚合空间邻域上下文，可在激进压缩下保留3D结构先验与帧间对应关系，为多视图3D场景理解中的视觉词元冗余问题提供可复用方案。
基于掩码双路径蒸馏的渐隐侧网络内存高效迁移学习
Memory-Efficient Transfer Learning with Fading Side Networks via Masked Dual Path Distillation
对做视觉大模型适配的人，这篇给出了一个可直接复用的思路：微调时让冻结主干与可学习侧网络互相蒸馏，推理时直接丢掉侧网络，从而在不增加推理开销的前提下获得侧网络的适配收益；其面向多层编码器的特征蒸馏设计也可迁移到 ViT 类主干的 PEFT 方案中。
通过动态图像块采样与块跳过实现扩散 Transformer 的显存高效微调
Memory-Efficient Fine-Tuning Diffusion Transformers via Dynamic Patch Sampling and Block Skipping
面向 DiT 个性化微调，按扩散时间步动态调整图像块尺寸并跳过非关键 Transformer 块、预计算残差特征，可直接迁移到显存受限下的 T2I 定制与少样本适配。
面向开放世界空中目标导航的记忆增强场景理解与探索
Memory-Augmented Scene Understanding and Exploration for Open-World Aerial Object-Goal Navigation
把 RGB-D 观测增量聚合成自适应八叉树层级 3D 记忆，并用指令调制的 query 从中抽取场景/前沿 token，这套「3D 结构化记忆 + 语言引导检索」可直接迁移到任何需要长程空间记忆的视觉导航或具身任务中。
记忆很重要：用可学习查找表提升免训练零样本时序动作定位
Memory Matters: Boosting Training-Free Zero-Shot Temporal Action Localization with a Learnable Lookup Table
把跨视频的历史知识以可学习查找表的形式累积起来，替代逐视频独立的测试时自适应，可直接迁移到其他免训练 VLM 视频/图像任务（如零样本动作识别、开放词表检测）中做在线记忆增强。
MemFlow：面向快速域自适应特征映射的轻量前向记忆框架
MemFlow: A Lightweight Forward Memorizing Framework for Quick Domain Adaptive Feature Mapping
用冻结骨干网络加随机连接脉冲神经元的前向记忆机制替代反向传播微调，为视觉模型在边缘设备上做在线域自适应提供了一条无需梯度的快速路径，可直接用于测试时自适应场景。
Medic-AD：迈向医学视觉语言模型的临床智能
Medic-AD: Towards Medical Vision-Language Model's Clinical Intelligence
可学习异常感知 token 与跨图像差异 token 的设计，可迁移到任何需要纵向对比（随访、变化检测）的视觉-语言模型中，把时序变化显式编码进 token 而非依赖后处理；其可解释性阶段用热力图对齐模型推理，也为医学 VLM 的可信输出提供了可复用的训练范式。
MedTVT-R1：赋能医学推理与诊断的多模态大语言模型
MedTVT-R1: A Multimodal LLM Empowering Medical Reasoning and Diagnosis
模态感知层对异构模态（影像、生理信号、文本）做自适应加权融合，配合 GRPO 强化微调与 Jaccard 奖励，可直接迁移到需要多源视觉证据联合推理的医学 VQA 与报告生成任务。
MedMO：面向医学图像的多模态大语言模型视觉定位与理解
MedMO: Grounding and Understanding Multimodal Large Language Model for Medical Images
MedMO 的多阶段训练配方（跨模态预训练对齐异构视觉编码器、多任务指令微调、带 GIoU 框级奖励的强化学习）为医学视觉-语言模型提供了可复用的训练范式，尤其其框级 GIoU 奖励可直接用于提升视觉定位任务的空间推理能力。
MedLoc-R1：面向基于 GRPO 的医学视觉定位的性能感知课程奖励调度
MedLoc-R1: Performance-Aware Curriculum Reward Scheduling for GRPO-Based Medical Visual Grounding
把 GRPO 的固定 IoU 奖励换成随模型能力逐步收紧的课程式奖励调度，可直接迁移到任何用 RL 做框级/区域级定位的视觉语言模型训练中，缓解小目标奖励稀疏导致的策略梯度消失。
MedLIME：面向医学显著性解释的分布对齐与证据支持框架
MedLIME: A Distribution-Aligned and Evidence-Supported Framework for Medical Saliency Explanations
在无法访问模型内部的白盒条件下，用生成式重建替代 LIME 的随机扰动、并用监督式测试时自适应校准掩码分布，可迁移到任意黑盒医学影像模型的病灶定位与显著性解释评估（AUPRC）。
MedKCO：通过知识驱动的认知编排进行医学视觉语言预训练
MedKCO: Medical Vision-Language Pretraining via Knowledge-Driven Cognitive Orchestration
把课程学习引入医学视觉语言预训练的数据排序与对比目标调度，提供了一种按诊断敏感性和类内代表性组织预训练数据、并用自步非对称对比损失缓解类间相似性干扰的可复用训练策略。
MedGRPO：面向异构医学视频理解的多任务强化学习
MedGRPO: Multi-Task Reinforcement Learning for Heterogeneous Medical Video Understanding
针对医学视频理解中多数据集奖励尺度不平衡导致RL训练崩溃的问题，提出跨数据集奖励归一化方法，将各数据集的中位性能映射到统一奖励值，使多任务强化学习稳定；同时引入医学LLM评判器从五个临床维度评估描述质量，为视觉-语言模型在专业领域的多任务RL微调提供可复用方案。
MedFG-VQA：面向轻量级医学视觉问答的低频记忆与图注意力
MedFG-VQA: Low-Frequency Memory and Graph Attention for Lightweight Medical VQA
把 DCT 低频特征与可学习记忆库结合、再用图卷积聚合精炼交叉注意力输出的做法，可直接迁移到其他视觉-语言对齐任务（如 captioning、grounding）中做轻量化的多模态融合模块。
MedCLIPSeg：面向数据高效与可泛化医学图像分割的概率视觉-语言适配
MedCLIPSeg: Probabilistic Vision-Language Adaptation for Data-Efficient and Generalizable Medical Image Segmentation
将CLIP的patch级嵌入通过概率跨模态注意力进行适配，并引入软patch级对比损失，为视觉研究者提供了一种在标注稀缺的医学图像上实现文本引导分割且能输出不确定性图的通用思路。
Med-CMR：融合视觉证据与临床逻辑的医学复杂多模态推理细粒度基准
Med-CMR: A Fine-Grained Benchmark Integrating Visual Evidence and Clinical Logic for Medical Complex Multimodal Reasoning
为医学多模态大模型提供按能力维度拆解的细粒度评测协议：把视觉理解拆成小目标检测、细节判别、空间理解，把推理拆成时序预测、因果推理、长尾泛化、多源整合，可直接用于诊断自研医学 VLM 的失效环节，尤其是长尾病例的视觉证据整合能力。
视觉语言模型中目标定位的机制
Mechanisms of Object Localization in Vision-Language Models
对做视觉定位与多模态定位的研究者，这篇给出了可复用的机制分析工具箱（词元消融、注意力 knockout、因果中介分析），并揭示定位由「容器化」词元决定空间范围、仅极少数注意力头承担因果作用，可用于指导 VLM 定位目标设计与注意力头级剪枝/干预。
衡量基于概念的解释的（不）忠实性
Measuring the (Un)Faithfulness of Concept-Based Explanations
提出 SURF 代理模型和忠实性度量，为评估概念解释方法提供可靠基准，可指导视觉模型可解释性研究中选择更忠实的解释方法。
度量特征宇宙：面向源无关域自适应的基于拓扑的伪标签与重力一致性
Measure The Feature Universe: Topology-based Pseudo Labeling and Gravity Consistency for Source-Free Domain Adaptation
把伪标签的生成从 logits 空间搬到目标嵌入流形上，用虚拟特征构建『特征宇宙』并只在统计可靠区域传播标签，同时用基于嵌入间引力的重力一致性按特征相似度调节 CR 强度——这套思路可直接移植到任何需要无标签目标域自训练的分类/检索/分割流程中。
MeanFuser：基于MeanFlow的快速单步多模态轨迹生成与自适应重建用于端到端自动驾驶
MeanFuser: Fast One-Step Multi-Modal Trajectory Generation and Adaptive Reconstruction via MeanFlow for End-to-End Autonomous Driving
MeanFlow Identity 用平均速度场替代瞬时速度场，消除 ODE 求解误差并实现单步推理，这一思路可迁移到视觉生成任务（如扩散/流匹配加速）；GMN 提供连续轨迹表示，避免离散锚框词表，对需要多模态输出的规划问题有参考价值。
基于表征自编码器的 MeanFlow Transformer
MeanFlow Transformers with Representation Autoencoders
将 MeanFlow 的潜空间训练迁移到 DINO 等预训练视觉编码器的表征自编码器潜空间，并给出稳定训练的两阶段蒸馏方案，为视觉生成模型提供更高效、无需引导的少步采样路径。
MeToM：元数据引导的词元合并实现高效视频大语言模型
MeToM: Metadata-Guided Token Merging for Efficient Video LLMs
对做视频多模态推理加速的人，这篇给出了一个免训练、可直接插到现有 VLLM 上的词元预算分配思路：用编解码器元数据（残差、GoP 包大小）估计空域/时域信息密度，在 tokenization、跨帧分配、LLM 内部三层分别做合并，可直接复用于任何多帧视觉编码器的 prefill 降本。
MaxMark：通过鲁棒可逆潜变量嵌入实现高容量扩散原生水印
MaxMark: High-Capacity Diffusion-Native Watermarking via Robust and Invertible Latent Embedding
对做扩散模型溯源与版权保护的研究者，这篇给出了在潜噪声上做高容量嵌入并用可逆网络把带水印潜变量映射回近似高斯的做法，可直接复用到 LDM 生成图像的隐写与来源追踪流程中。
材质魔杖：无纹理网格中三维部件的材质感知分组
Material Magic Wand: Material-Aware Grouping of 3D Parts in Untextured Meshes
把「材质一致性」作为监督信号，用对比学习训练部件级嵌入，使同一材质但几何有差异的重复部件在嵌入空间聚拢；做三维部件检索、重复结构发现或材质分配时，可直接复用这种「局部几何+全局上下文」的部件编码器与检索式分组范式。
匹配每一对以跟踪每一个点：PairFormer 用于全对跟踪与视频轨迹场
Matching Every Pair to Track Every Point: PairFormer for All-Pairs Tracking and Video Trajectory Fields
PairFormer 将视频中所有帧对的密集对应关系一次性预测为全对轨迹场，这种全对跟踪的设定和 CorrBank 可学习相关银行的设计，为视频运动分析提供了新的可复用范式，可直接用于光流、点跟踪和视频编辑中的轨迹提取。
MatchMask：面向标签稀缺语义分割的以掩码为中心的生成式数据增强
MatchMask: Mask-Centric Generative Data Augmentation for Label-Scarce Semantic Segmentation
提出梯度探针方法分析扩散模型各层作用，并设计轻量LoRA风格适配器与层自适应交叉注意力融合，实现少样本语义图像合成，可直接用于标签稀缺下的分割数据增强。
MatchED：基于端到端匹配监督的清晰边缘检测
MatchED: Crisp Edge Detection Using End-to-End, Matching-based Supervision
用可微的一对一匹配替代 NMS 与骨架细化这类不可微后处理，把「训练-测试协议一致性」引入边缘检测；做低层结构预测（边缘、线、骨架、关键点细化）时可直接把该 21K 参数的匹配监督模块挂到现有模型上，实现端到端输出单像素宽结果。
Match-and-Fuse：从无序图像集合进行一致性生成
Match-and-Fuse: Consistent Generation from Unstructured Image Sets
把无序图像集合建模为图、在成对生成时按稠密对应关系融合内部特征，这一免训练思路可直接迁移到多视图一致编辑、集合级个性化生成与视频帧间一致性约束，无需掩码或人工监督。
MatSpray：将二维材质世界知识融合到三维几何
MatSpray: Fusing 2D Material World Knowledge on 3D Geometry
将2D扩散模型预测的PBR材质图（albedo/roughness/metallic）通过优化或高斯光线追踪投影融合到3D高斯几何上，并引入轻量神经精炼网络提升多视角一致性与细节，为可重光照的3D重建提供可复用流程。
MatPedia：面向高保真材质合成的通用生成式基础模型
MatPedia: A Universal Generative Foundation for High-Fidelity Material Synthesis
把 RGB 外观与四张 PBR 贴图拼成 5 通道序列、直接复用视频扩散骨干来建模跨通道相关性，这一「多通道序列化 + 视频先验迁移」的做法可迁移到任何需要同时生成多张相关图像的任务（如 albedo/normal/depth 联合预测、多光照分解）。
MatMart：基于扩散模型的 3D 物体材质重建
MatMart: Material Reconstruction of 3D Objects via Diffusion
把扩散模型用于 3D 物体的 PBR 材质重建，其视图-材质交叉注意力（VMCA）与渐进式推理让模型能接受任意数量输入视图，并借助生成先验补全未观测视角的材质，可直接迁移到逆渲染、重光照与资产重建流程。
MatLat：面向 PBR 纹理生成的材质潜空间
MatLat: Material Latent Space for PBR Texture Generation
把预训练潜空间图像扩散模型迁移到多通道 PBR 材质生成时，关键是在 VAE 微调阶段保持潜变量分布与像素-潜变量空间对应关系；其「裁剪潜块解码并对齐图像区域」的正则化思路可直接复用于任何需要扩展通道数或保持潜空间局部性的生成任务。
MatE：基于几何先验的单图像材质提取
MatE: Material Extraction from Single-Image via Geometric Prior
用估计深度图作为几何先验做粗矫正，再用双分支扩散模型把单张图转成可平铺的PBR材质贴图集（albedo/normal/roughness/height），其旋转与尺度对齐训练数据带来的等变性思路可迁移到其他需要消除透视与光照干扰的逆渲染任务。
MatAnyone 2：通过学习型质量评估器扩展视频抠图
MatAnyone 2: Scaling Video Matting via a Learned Quality Evaluator
提出无真值质量评估器（QE）生成像素级评估图，可用于训练时在线抑制错误区域或离线筛选数据构建大规模视频抠图数据集，为视频抠图提供可复用的质量反馈与数据扩展方案。
掩码教师与强化学生：面向视觉语言模型的蒸馏方法
Masking Teacher and Reinforcing Student for Distilling Vision-Language Models
提出一种掩码渐进式强化学习蒸馏框架，通过逐步恢复教师模型容量和离线RL奖励机制，解决大模型到小模型蒸馏中的不稳定性问题，为视觉语言模型的高效压缩与部署提供可复用技术路径。
掩码至关重要：释放LLM的空间推理能力用于3D场景-语言理解
Masking Matters: Unlocking the Spatial Reasoning Capabilities of LLMs for 3D Scene-Language Understanding
提出一种无需修改架构和增加参数的注意力掩码策略（3D-SLIM），用几何密度和指令感知替代因果掩码，可直接用于任何基于LLM的3D视觉-语言模型，提升空间推理能力。
面向3D医学视觉表征学习的掩码扩散自编码器
Masked-Diffusion Autoencoders for 3D Medical Vision Representation Learning
把「空间掩码 + 扩散加噪」两种破坏叠加成统一的时间条件去噪目标，让同一网络同时学结构重建与纹理去噪；做3D医学（或任何低标注3D体数据）自监督预训练时，可直接借用这套双破坏预训练范式替代单一MAE或对比学习。
面向域自适应分割的掩码表征建模
Masked Representation Modeling for Domain-Adaptive Segmentation
MRM 在潜空间对高层语义特征做掩码重建，可作为通用辅助任务嵌入 DeepLab、DAFormer 等分割网络，训练时联合优化、推理时零开销，为域自适应分割提供了一种简单有效的自监督信号构造方式。
面向大规模分层图像生成与编辑的掩码区域 Transformer
Masked Region Transformer for Layered Image Generation and Editing at Scale
把「选择性词元掩码」作为统一接口，让 text-to-layers、image-to-layers、layers-to-layers 共享同一个扩散框架，可直接迁移到需要分层/可编辑输出的生成任务；overflow-aware canvas layer 处理超出画布边界的图层与半透明背景合成，是分层生成中值得复用的表示技巧。
掩码自回归变分加速：快速推理使强化学习变得实用
Masked Auto-Regressive Variational Acceleration: Fast Inference Makes Practical Reinforcement Learning
把 MAR 的「外层自回归解掩码 + 内层扩散去噪链」两级推理蒸馏成单步生成，并用基于分数的变分目标保住样本质量；做少步扩散/自回归生成或想把 RL 后训练接到生成模型上的人可直接复用该蒸馏目标与 MARVAL-RL 流程。
MaskFocus：将策略优化聚焦于掩码图像生成的关键步骤
MaskFocus: Focusing Policy Optimization on Critical Steps for Masked Image Generation
对做掩码生成模型（MaskGIT 类）的研究者，这篇给出了把 RL 后训练落到多步迭代采样上的可行路径：用中间图像与最终图像的相似度定位关键步、只在这些步上算似然做策略优化，并用熵驱动的动态路由采样提升掩码策略探索，可直接迁移到其他迭代式生成器的后训练。
MaskDiME：面向精确高效视觉反事实解释的自适应掩码扩散
MaskDiME: Adaptive Masked Diffusion for Precise and Efficient Visual Counterfactual Explanations
把扩散采样限制在决策相关区域、以掩码引导的局部采样实现免训练反事实生成，为视觉研究者提供一种可复用的思路：用扩散先验做模型行为归因，且推理开销比基线低一个数量级以上。
MaskDexGrasp：面向部件感知灵巧抓取合成的生成式掩码建模
MaskDexGrasp: Generative Masked Modeling for Part-Aware Dexterous Grasp Synthesis
把高维灵巧手抓取姿态离散化为部件级 token 并用双向掩码 Transformer 生成，这种「分词器 + 掩码建模」的范式可直接迁移到人手/手物交互姿态合成与部件级可控编辑任务。
MaskAdapt：基于掩码不变先验的物理角色灵活运动适配学习
MaskAdapt: Learning Flexible Motion Adaptation via Mask-Invariant Prior for Physics-Based Characters
随机身体部位掩码加动作分布一致性正则化训练出的掩码不变先验，可迁移到视觉观测缺失下的姿态/动作估计与条件生成；两阶段残差策略则提供了一种只改动目标部位、保留其余行为的可控生成范式。
掩码对齐、加权消歧：基于掩码加权对比的可靠无监督跨模态哈希
Mask to Align, Weight to Disambiguate: Reliable Unsupervised Cross-Modal Hashing with Masked-Weight Contrast
在多模态融合前引入掩码构造部分观测交互，并用语义亲和度加权的对比目标抑制假阴性，这套「掩码+加权对比」思路可直接迁移到视觉-文本检索、图文对齐等跨模态表征学习任务中，缓解主导模态偏置与语义相近样本被误判为负例的问题。
MarkushGrapher-2：端到端多模态化学结构识别
MarkushGrapher-2: End-to-end Multimodal Recognition of Chemical Structures
该工作将文本、图像与版面信息通过视觉-文本-版面编码器与光学化学结构识别视觉编码器联合编码，并采用两阶段训练策略融合，为文档图像中的多模态结构识别提供了可复用的编码与融合范式。
马尔可夫尺度预测：视觉自回归生成的新时代
Markovian Scale Prediction: A New Era of Visual Autoregressive Generation
将VAR的全上下文依赖重构为马尔可夫过程，用滑动窗口压缩历史尺度为紧凑向量，在保持生成质量的同时大幅降低显存和计算开销，为视觉自回归生成提供了更可扩展的框架。
Mark4D：面向4D高斯泼溅的时序一致水印技术
Mark4D: Temporally-Consistent Watermarking for 4D Gaussian Splatting
针对动态4D高斯泼溅模型，提出在运动轨迹上嵌入水印信号并利用视频-文本潜空间解码器恢复水印，为动态场景资产版权保护提供可复用技术。
Mario：基于大语言模型的多模态图推理
Mario: Multimodal Graph Reasoning with Large Language Models
把图拓扑作为结构先验注入视觉-语言特征对齐，并用可学习路由器为每个节点挑选最有信息量的模态配置，这一「图条件化 VLM + 模态自适应路由」思路可迁移到视觉场景图、多模态知识图谱以及图文检索中的结构化对齐问题。
映射网络
Mapping Networks
用可训练的紧凑潜向量替代高维权重空间，把训练参数量压缩约500倍，为视觉大模型（分类、Deepfake检测等）提供了一条以低维流形假设驱动的参数高效训练与抗过拟合路径，可直接迁移到其他网络的训练流程中。
MapRoute：通过语义路由实现精确概念擦除的映射器
MapRoute:Precise-Concept Erasing Mappers via Semantic Routing
在冻结的文本编码器之后插入轻量线性映射模块（Mappers），依据文本嵌入与目标概念嵌入的余弦相似度动态激活 top-K 模块，为扩散模型的概念擦除提供了一种免全模型微调、可插拔的干预手段，可直接复用于个性化生成中的敏感概念抑制与版权合规。
MapReduce LoRA：推进生成模型多偏好优化的帕累托前沿
MapReduce LoRA: Advancing the Pareto Front in Multi-Preference Optimization for Generative Models
MapReduce LoRA 用并行训练偏好专属 LoRA 专家再迭代合并进共享基座，RaTE 用奖励专属词元嵌入在推理时组合，为文生图/文生视频模型提供可复用的多奖励对齐与推理时偏好切换手段。
Mantis：一种具有解耦视觉预见的通用视觉-语言-动作模型
Mantis: A Versatile Vision-Language-Action Model with Disentangled Visual Foresight
把视觉预见预测从 VLA 骨干网络中解耦，用元查询加 DiT 头在残差连接下做下一状态预测，从而隐式捕获潜动作；这一「解耦式视觉预见」结构可直接迁移到任何需要视觉前瞻辅助动作学习的具身策略中。
ManifoldNeuS：流形感知的视图可优化性用于无位姿神经表面重建
ManifoldNeuS: Manifold-aware View Optimizability for Pose-Free Neural Surface Reconstruction
提出流形感知的视图可优化性分数（MaVOS），用于动态调度视图、门控位置编码和抗分数损失加权，可迁移到其他需要联合优化相机位姿与场景表示的视觉任务中。
ManifoldGD：面向扩散式数据集蒸馏的免训练层次流形引导
ManifoldGD: Training-Free Hierarchical Manifold Guidance for Diffusion-Based Dataset Distillation
把每个去噪步的引导向量投影到由 IPC 质心邻域估计的局部切空间上，是一种可复用的免训练采样约束手段，可直接迁移到任何需要保持语义一致性的扩散引导或条件生成流程中。
MangoBench：面向多智能体目标条件离线强化学习的基准
MangoBench: A Benchmark for Multi-Agent Goal-Conditioned Offline Reinforcement Learning
为视觉驱动的具身智能体提供多目标离线训练与评测基准，其47个任务覆盖高维视觉输入下的联合控制与双臂操作，可直接用于检验视觉表征在稀疏奖励下的目标泛化能力。
MambaSIC：基于 Mamba 与双向多参考熵模型的立体图像压缩
MambaSIC: Mamba-based Stereo Image Compression with Bi-directional Multi-reference Entropy Model
用 Mamba 状态空间块替代交叉注意力来建模立体视图间的冗余，并用棋盘格分区的双向多参考熵模型替代空间自回归，为视觉压缩类任务提供了「线性复杂度 + 并行熵编码」的可复用范式，可直接迁移到视频压缩、光场压缩等多视图场景。
MambaLiteUNet：面向鲁棒皮肤病变分割的跨门控自适应特征融合
MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation
把 Mamba 状态空间建模嵌入 U-Net 的跳跃连接，用跨门控注意力与局部-全局特征混合模块在极低参数量下保留细粒度边界，可作为轻量分割网络在皮肤镜等专业成像域的可复用骨干设计。
Mamba 的上下文学习：面向多任务点云理解的结构感知域泛化
Mamba Learns in Context: Structure-Aware Domain Generalization for Multi-Task Point Cloud Understanding
用基于质心拓扑与测地曲率连续性构造的变换不变序列化替代坐标驱动的序列化，可缓解 Mamba 类点云模型对视角变化与缺失区域的敏感性；其谱域图对齐在测试时无需更新参数即可把目标特征拉向源原型，是一种可直接复用的测试时特征迁移手段。
使分类解释忠实于置信度分数
Making the Classification Explanation Faithful to the Confidence Score
提出一种黑盒解释方法 MHE，通过 Metropolis-Hastings 采样生成与分类器置信度分数高度一致的图像区域解释，并利用已有有效样本提升采样效率；可直接用于分析和调试视觉分类模型（如 ResNet、ViT、CLIP）的决策依据。
让免训练扩散分割器随生成能力扩展
Making Training-Free Diffusion Segmentors Scale with the Generative Power
针对免训练扩散分割器中交叉注意力图与全局语义不一致、文本token分数不平衡的问题，提出自动聚合与逐像素重缩放两种技术，使分割性能随生成模型能力提升而提升，为利用更强扩散模型做判别任务提供了可复用方案。
MakeAnything：利用扩散 Transformer 进行多领域过程序列生成
MakeAnything: Harnessing Diffusion Transformers for Multi-Domain Procedural Sequence Generation
提出非对称 LoRA 微调策略（冻结编码器、自适应调整解码器）以平衡泛化与任务性能，可复用于其他基于 DiT 的生成任务；同时利用时空一致性约束实现从静态图像生成过程序列，为视觉生成中的时序建模提供思路。
Make it SING：分析分类器中的语义不变性
Make it SING: Analyzing Semantic Invariants in Classifiers
把分类器线性映射的零空间方向显式构造为等价图像，并借助多模态视觉语言模型为这些方向赋予自然语言语义，为分析模型不变性、比较不同骨干（ResNet 与 DINO-ViT）的语义保持能力提供了可复用的探测工具。
MajutsuCity：语言驱动的美学自适应城市生成，具备可控3D资产与布局
MajutsuCity: Language-driven Aesthetic-adaptive City Generation with Controllable 3D Assets and Layouts
将城市表示为可控布局、资产与材质的组合，并通过语言智能体支持对象级编辑，为3D场景生成提供了可复用的结构化表示与编辑范式；同时提出的结构一致性、材质保真度等评测指标可用于评估其他3D生成方法。
MagicQuill V2：基于分层视觉线索的精确交互式图像编辑
MagicQuill V2: Precise and Interactive Image Editing with Layered Visual Cues
把单一文本提示拆成内容/空间/结构/颜色四层视觉线索并用统一控制模块注入扩散 Transformer，为需要精细局部控制（含物体移除）的编辑任务提供了可复用的条件注入与数据构造思路。
MagicFuse：用于视觉与语义增强的单图像融合
MagicFuse: Single Image Fusion for Visual and Semantic Reinforcement
利用扩散模型从单张退化可见光图像生成跨光谱场景表示，通过融合两个扩散分支的噪声实现知识级融合，为单模态输入下的多模态融合提供了新思路。
基于自适应梯度重加权与多阶段目标优化的机器遗忘
Machine Unlearning via Adaptive Gradient Reweighting and Multi-stage Objective Optimization
为视觉模型提供一种无需重训练的遗忘机制：通过自适应梯度重加权与多阶段目标优化（方向校正、时序稳定、自适应目标组合）缓解遗忘与保留目标间的梯度冲突，可直接用于扩散模型或分类骨干网的概念/样本擦除与隐私合规。
机器心理意象：以潜视觉 token 增强多模态推理
Machine Mental Imagery: Empower Multimodal Reasoning with Latent Visual Tokens
把 VLM 的隐藏状态直接当作「潜视觉 token」续写到解码轨迹里，替代显式生成图像来做视觉想象，为多模态推理提供了一条不依赖图像生成器的中间表示路径；其「先蒸馏图像嵌入、再纯文本监督、最后 RL 微调」的三段式训练流程可直接迁移到其他需要视觉中间步骤的 VLM 任务。
MacTok：面向图像生成的鲁棒连续分词器
MacTok: Robust Continuous Tokenization for Image Generation
MacTok 通过随机掩码和 DINO 引导的语义掩码来正则化潜变量学习，结合全局与局部表征对齐，防止少词元下的后验坍塌，为视觉生成提供了一种高效的一维连续分词方案，可直接用于扩散模型的前端压缩。
M^3KG-RAG：多跳多模态知识图谱增强的检索增强生成
M^3KG-RAG: Multi-hop Multimodal Knowledge Graph-enhanced Retrieval-Augmented Generation
对做多模态大模型视觉问答与视觉定位的研究者，这篇提供了可复用的思路：用多智能体流水线自动构建多跳多模态知识图谱，并用 GRASP 做实体视觉定位与相关性评估后剪枝冗余上下文，可直接迁移到视频/音视频问答的检索增强生成流程中，缓解仅靠嵌入相似度检索带来的离题噪声。
MVP：多视图预测提升 GUI 视觉定位
MVP: Multiple View Prediction Improves GUI Grounding
对做视觉定位/VLM 的研究者，MVP 提供了一种免训练的多视图推理与聚类集成策略：用指令到图像的注意力分数生成多样化裁剪视图，再对多视图坐标预测做最密空间簇质心聚合，可直接套用到任何坐标回归式 VLM 上以抑制单视图预测的不稳定性。
MVLM：基于视觉-语言边界置信度与记忆门控跟踪的无模板跟踪
MVLM: Template-Free Tracking via Vision-Language Margin Confidence and Memory-Gated Tracking
用视觉-语言相关性与时序记忆构造 margin 置信度，并据此在紧凑 ROI 搜索与全局重定位之间动态切换，为无模板、纯语言指定的跟踪提供了一种可复用的置信度门控搜索策略。
MVInverse：秒级前馈多视图逆渲染
MVInverse: Feed-forward Multiview Inverse Rendering in Seconds
提出前馈多视图逆渲染框架，通过跨视图注意力实现单次前向预测空间变化的材质与法线，并利用无标签真实视频进行一致性微调，为多视图逆渲染提供了可扩展的实时方案。
MVGGT：用于多视图 3D 指代表达分割的多模态视觉几何接地 Transformer
MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation
MVGGT 展示了如何用双分支 Transformer 从稀疏多视图 RGB 直接进行 3D 指代分割，避免了两阶段重建-分割的延迟与几何退化；其提出的前景梯度稀释问题与 PVSO 优化策略对稀疏视图下的 3D 密集预测训练有直接借鉴意义。
MV3DIS：基于 3D 引导的多视图掩码匹配用于零样本 3D 实例分割
MV3DIS: Multi-View Mask Matching via 3D Guides for Zero-Shot 3D Instance Segmentation
用粗粒度 3D 分割结果作为跨视图 2D 掩码匹配的公共参照，并以 3D 覆盖分布与深度一致性加权来筛选多视图掩码，可复用于任何需要把 SAM 类 2D 掩码提升到 3D 的零样本流程。
MV2UV：利用多视图提示生成高质量 UV 纹理贴图
MV2UV: Generating High-quality UV Texture Maps with Multiview Prompts
把多视图生成的 2D 扩散先验与 UV 空间修复结合，用 UV 空间生成模型同时补全多视图未见区域并消解视图间不一致，为三维资产纹理生成提供了可复用的「多视图提示 + UV 精修」范式。
MV-TAP：在多视角视频中跟踪任意点
MV-TAP: Tracking Any Point in Multi-View Videos
把单目点跟踪扩展到多相机系统，用相机几何加跨视角注意力聚合多视角时空信息，可直接复用于多视角动态场景的轨迹估计与几何一致性建模。
MV-RoMa：从成对匹配到多视图轨迹重建
MV-RoMa: From Pairwise Matching into Multi-View Track Reconstruction
把成对匹配结果当作几何先验，用多视图编码器加像素级注意力精化器，在不做全量交叉注意力的前提下联合估计源图到多个共视目标图的稠密对应，可直接为 SfM 提供一致的多视图轨迹，替代逐对匹配后串联的做法。
MV-Fashion：面向虚拟试穿与尺寸估计的多视角配对数据集
MV-Fashion: Towards Enabling Virtual Try-On and Size Estimation with Multi-View Paired Data
提供了带配对平铺商品图的多视角同步视频与像素级标注、材质属性、点云，可直接作为虚拟试穿与服装尺寸估计的监督/评测基准，也适合做动态人体新视角合成的真实数据来源。
MUST：面向缺失模态扩散增强生存预测的模态特异表征感知 Transformer
MUST: Modality-Specific Representation-Aware Transformer for Diffusion-Enhanced Survival Prediction with Missing Modality
把每个模态的表征显式拆成模态特异分量与跨模态上下文分量，再用条件潜变量扩散模型补全缺失模态的特异信息——这套「分解+条件生成补全」思路可直接迁移到视觉多模态任务（如RGB-深度、图像-文本）中的模态缺失场景。
MUSE：利用精确且多样的语义进行少样本全切片图像分类
MUSE: Harnessing Precise and Diverse Semantics for Few-Shot Whole Slide Image Classification
对做视觉研究的人，这篇论文提供了一个可复用的思路：把 LLM 生成的类级文本先验，通过基于 MoE 的样本级视觉-语义交互细化为逐样本先验，再用检索增强的多视图文本做随机语义监督，从而在少样本下缓解过拟合并提升视觉-语义对齐的精度与多样性；该「先细化再增广」的语义监督流程可迁移到其他少样本视觉-语言任务。
MUFASA：面向槽注意力的多层框架
MUFASA: A Multi-Layer Framework for Slot Attention
把槽注意力从只在ViT最后一层做，扩展到多层特征上分别做再融合，这个即插即用模块可以直接套到现有无监督目标分割/目标中心表征方法上，用极小的推理开销换取分割提升和更快收敛。
MU-GeNeRF：多视图不确定性引导的泛化神经辐射场用于干扰物感知场景
MU-GeNeRF: Multi-view Uncertainty-guided Generalizable Neural Radiance Fields for Distractor-aware Scene
针对泛化神经辐射场在含瞬态干扰物场景下的鲁棒重建问题，提出将干扰物感知分解为源视图不确定性和目标视图不确定性，并集成到异方差重建损失中引导自适应监督加权，为多视图三维重建中的干扰物抑制提供了可复用的不确定性引导思路。
MTA：面向鸟瞰图感知与描述的多模态任务对齐
MTA: Multimodal Task Alignment for BEV Perception and Captioning
把 BEV 场景表征与真值语言表征做上下文对齐、并把检测输出与描述输出做跨模态提示对齐，是一种可在训练期插入、推理期零开销的多模态对齐插件，可直接迁移到其他 BEV 感知+语言生成联合框架中。
MS^2Gait：面向基于 LiDAR 的步态识别的多尺度时空融合网络
MS^2Gait: A Multi-Scale Spatio-Temporal Fusion Network for LiDAR-based Gait Recognition
对做点云序列人体分析的研究者，可复用其分层空间特征提取中的四种跨尺度交互策略与基于相似度的时序增强 Transformer——后者用运动一致性动态加权帧、无需显式监督，可直接迁移到动作识别、步态/姿态时序建模等任务。
MSRL：通过多阶段强化学习扩展生成式多模态奖励建模
MSRL: Scaling Generative Multimodal Reward Modeling via Multi-Stage Reinforcement Learning
对做视觉生成与理解评测的人，这篇给出了一个可复用的思路：用大规模纯文本偏好数据先训练出可泛化的奖励推理能力，再经 caption 阶段和全多模态 RL 阶段迁移到视觉奖励模型，从而在缺少多模态偏好标注时也能扩展 MRM 训练；其中的跨模态蒸馏环节可直接用于提升视觉奖励模型的偏好泛化。
MSPT：通过并行化多尺度注意力实现高效大规模物理建模
MSPT: Efficient Large-Scale Physical Modeling via Parallelized Multi-Scale Attention
把「图像块内局部点注意力 + 粗粒度图像块级全局注意力」的双尺度注意力，配合球树做不规则几何的空间划分，可直接迁移到百万级点云或高斯球的场景表示与神经场建模中，在单卡上显著降低显存占用。
MSJoE：联合演化多模态大模型与采样器以实现高效长视频理解
MSJoE: Jointly Evolving MLLM and Sampler for Efficient Long-Form Video Understanding
把关键帧选择建模为可微/可强化学习的采样权重预测，并用 MLLM 推理出的查询与冻结 CLIP 的相似度矩阵作为采样依据，为长视频 VLM 提供了一套可联合训练、可复用的帧选择范式。
MSGNav：释放多模态 3D 场景图在零样本具身导航中的潜力
MSGNav: Unleashing the Power of Multi-modal 3D Scene Graph for Zero-Shot Embodied Navigation
用动态分配图像替代文本关系边构建多模态 3D 场景图，保留视觉证据以支持开放词表零样本导航；其关键子图选择与基于可见性的最终视点决策模块，可直接迁移到需要从 3D 场景表示中检索目标并确定可行停靠位姿的视觉任务。
MSCD-GS：基于高斯泼溅的运动分离协同去模糊动态重建
MSCD-GS: Motion-Separated Cooperative Deblurring Dynamic Reconstruction via Gaussian Splatting
把曝光时间内的相机与物体运动分别建模为静态/动态高斯各自的运动模型，并用运动感知网络合成虚拟模糊图与去模糊网络结果协同监督，可直接迁移到任何用高斯泼溅做动态场景重建时处理运动模糊输入的流程。
MS-Temba：用于理解长未剪辑视频的多尺度时序 Mamba
MS-Temba: Multi-Scale Temporal Mamba for Understanding Long Untrimmed Videos
把 Mamba 状态空间模型用空洞（dilated）SSM 扩展到多尺度时序建模，为长视频密集重叠动作的边界定位提供了可复用的骨干设计；做长时序视频理解或需要长程依赖+细粒度细节兼顾的任务时，可借鉴其多尺度 SSM 分块与轻量融合器结构。
MRI对比增强动力学世界模型
MRI Contrast Enhancement Kinetics World Model
提出时空一致性学习框架，通过潜空间对齐和潜空间差分学习解决稀疏时序采样下的连续动力学建模问题，可迁移到其他需要从稀疏观测重建连续时序过程的视觉任务。
MRD：面向高分辨率图像理解的多分辨率检索-检测融合
MRD: Multi-resolution Retrieval-Detection Fusion for High-Resolution Image Understanding
把开放词表检测器当作定位先验，与多分辨率裁剪检索做免训练融合，为 MLLM 处理高分辨率图像提供了一条可直接套用的「检索+检测」双路增强管线，可迁移到任意现成 MLLM 上。
MR. Illuminate：基于扩散先验的零样本低光照图像增强
MR. Illuminate: Zero-Shot Low-Light Image Enhancement with Diffusion Prior
利用预训练扩散模型的自注意力特征做局部结构/颜色精修，并用 AdaIN 调制全局光照与色彩，无需任何优化或退化假设即可零样本增强——这为把扩散模型的内部特征当作免训练先验用于底层复原任务提供了可复用范式。
MR-RAG：面向医学视觉问答的多模态相关性感知检索增强生成
MR-RAG: Multimodal Relevance-Aware Retrieval-Augmented Generation for Medical Visual Question Answering
对做医学 VQA 或多模态 RAG 的研究者，这篇给出了一个可复用的双阶段思路：检索端用模态内与跨模态信号联合打分做文档对齐，生成端按融合后的相关性重加权注意力路径，可直接迁移到其他需要外部知识注入的视觉问答系统。
MPL：面向少样本动作识别的匹配引导原型学习
MPL: Match-guided Prototype Learning for Few-shot Action Recognition
把匹配结果反向注入原型学习，并用关键帧级匹配细化原型，为少样本视频任务提供了一种「匹配-原型」联合优化的可复用范式；其跨样本注意力聚合器也可迁移到其他需要类内共享模式聚合的小样本视频设定。
MOSAIC-GS：面向复杂动态环境的高级初始化单目场景重建
MOSAIC-GS: Monocular Scene Reconstruction via Advanced Initialization for Complex Dynamic Environments
把深度、光流、动态分割与点跟踪等几何线索在初始化阶段融合，先估计初步三维动态再进入光度优化，这一「先几何初始化、后光度精修」的流程可直接迁移到单目动态 NeRF/3DGS 重建；用 Poly-Fourier 曲线对每个高斯轨迹做参数高效编码，也是动态场景紧凑表示的可复用手段。
MOS：弥合光学-SAR模态鸿沟的跨模态船舶重识别
MOS: Mitigating Optical-SAR Modality Gap for Cross-Modal Ship Re-Identification
把光学-SAR跨模态ReID的模态鸿沟拆成表征对齐与样本生成两条线：类级模态对齐损失 + 布朗桥扩散模型合成跨模态样本并在推理时做特征融合，这套「生成式跨模态补全」思路可直接迁移到可见光-红外、RGB-深度等跨模态检索与ReID任务。
MORE-STEM：面向查询驱动3D/4D点云分割的长短期记忆召回与时空一致性模型
MORE-STEM: Long-Short MemOry REcall and Spatio-TEmporal Consistency Model for Query-Driven 3D/4D Point Cloud Segmentation
面向动态点云的查询驱动分割，其跨帧文本-视觉对齐与时空一致性约束可直接迁移到4D点云序列的开放词表/指令分割任务，长短期记忆模块为跨场景推理提供可复用的分层记忆设计。
MOON2.0：面向电商商品理解的动态模态均衡多模态表征学习
MOON2.0: Dynamic Modality-balanced Multimodal Representation Learning for E-commerce Product Understanding
模态驱动的混合专家按样本模态构成自适应路由，配合产品内图文双层对齐，可直接迁移到图文检索与商品表征学习；其图文协同增强与动态样本过滤为多模态训练数据清洗提供可复用流程。
MOMO：面向火星轨道应用的火星轨道模型基础模型
MOMO: Mars Orbital MOdel Foundation Model for Mars Orbital Applications
用模型融合（task arithmetic）把不同分辨率传感器上独立预训练的表示合并成一个基础模型，并给出按验证损失相似度对齐检查点的 EVL 策略；做多源、多分辨率遥感或多模态预训练的人可以直接复用这套「先各自预训练、再按收敛阶段对齐融合」的流程，避免从头联合训练。
MOGeo：超越一对一跨视角目标地理定位
MOGeo: Beyond One-to-One Cross-View Object Geo-localization
论文提出跨视角多目标地理定位任务并构建基准数据集，为视觉定位研究提供了更贴近现实的多目标设定和评测协议，可推动多目标跨视角匹配方法的发展。
MOFA-VTON：以细粒度适配实现虚拟试衣的更多时尚可能
MOFA-VTON: More Fashion Possibilities with Fine-Grained Adaptations in Virtual Try-On
用用户手绘曲线草图构造双区域掩码替代 clothing-agnostic mask，并通过交叉注意力分上下半身独立学习布局对应关系，为可控人体图像生成提供了细粒度空间布局引导的可复用思路。
MODIX：面向视觉语言模型的免训练多模态信息驱动位置索引缩放
MODIX: A Training-Free Multimodal Information-Driven Positional Index Scaling for Vision-Language Models
对做 VLM 推理与注意力分析的人，这篇给出了一个免训练、不改参数的位置索引重标定手段：用协方差熵衡量模态内信息密度、用跨模态对齐衡量模态间交互，据此缩放位置步长，可直接插到现有 VLM 的注意力计算前，用来缓解冗余视觉 token 抢占注意力的问题。
MMVIP：面向多天气海上视觉的可见光-红外配对数据集
MMVIP: A Visible-infrared Paired Dataset for Multi-weather Marine Vision
为可见光-红外跨模态研究提供了带精确时空对齐的海上多天气配对数据，可直接用于训练与评测图像配准、融合、跨模态翻译和海上目标检测模型，弥补了现有配对数据缺乏真实海上场景的空白。
MMTIT-Bench：一个面向认知-感知-推理引导的文本图像机器翻译的多语言多场景基准
MMTIT-Bench: A Multilingual and Multi-Scenario Benchmark with Cognition-Perception-Reasoning Guided Text-Image Machine Translation
为视觉语言大模型在图像内文本翻译任务上提供了多语言、多场景的评测基准，并提出将场景认知、文本感知与翻译推理统一进思维链的数据范式，可直接迁移到其他需要视觉定位与语言生成联合推理的 VLLM 任务。
MMSD3.0：面向真实世界多模态讽刺检测的多图像基准
MMSD3.0: A Multi-Image Benchmark for Real-World Multimodal Sarcasm Detection
该论文提出的多图像基准和跨图像推理模型（CIRM）为视觉-语言任务中多图像语义关系建模提供了可复用的评测平台和融合思路，尤其适用于需要跨图像推理的讽刺检测、情感分析等场景。
MMR-AD：面向多模态大语言模型通用异常检测基准的大规模多模态数据集
MMR-AD: A Large-Scale Multimodal Dataset for Benchmarking General Anomaly Detection with Multimodal Large Language Models
提供了一个面向多模态大语言模型通用异常检测的大规模训练与评测基准，并给出基于思维链和强化学习的基线模型 Anomaly-R1，可作为视觉研究者探索 MLLM 在工业异常检测中后训练与推理增强的起点。
MMLandmarks：面向地理空间理解的跨视角实例级基准
MMLandmarks: a Cross-View Instance-Level Benchmark for Geo-Spatial Understanding
该基准提供跨视角（地面-卫星）检索与地理定位任务，可用于评估视觉模型在视角变化下的表征鲁棒性，其CLIP式基线表明多模态训练能提升泛化性，为跨视角检索研究提供标准化评测平台。
MMGait：迈向多模态步态识别
MMGait: Towards Multi-Modal Gait Recognition
为视觉研究者提供了一个覆盖 RGB、深度、红外、激光雷达与 4D 雷达五种传感器、共十二种模态的步态识别基准，可用于研究跨模态检索与模态互补性；其 OmniGait 基线通过共享嵌入空间统一单模态、跨模态与多模态三种范式，可作为多模态表征对齐的可复用思路。
MMFace-DiT：用于高保真多模态人脸生成的双流扩散 Transformer
MMFace-DiT: A Dual-Stream Diffusion Transformer for High-Fidelity Multimodal Face Generation
双流 Transformer 块用共享 RoPE 注意力并行处理空间 token（掩码/草图）与语义 token（文本），避免模态主导，可直接迁移到任何需要同时满足文本语义与结构先验的可控生成任务；Modality Embedder 让单一模型免重训适配不同空间条件，是统一多条件控制的可复用思路。
MMDIR：多模态指令驱动的混合退化文档图像复原框架
MMDIR: Multimodal Instruction-Driven Framework for Mixed-Degradation Document Image Restoration
提出用语义结构化指令动态识别混合退化类型（模糊、阴影、文字水印、印章），为文档图像复原提供了一种可复用的多模态条件控制思路；同时发布的 MixedDoc 基准填补了真实混合退化数据集的空白，可用于评估模型在复杂退化下的鲁棒性。
MMCP-GEN：面向条件蛋白质序列生成的模态可扩展扩散语言模型
MMCP-GEN: A Modality-Extensible Diffusion Language Model for Conditional Protein Sequence Generation
其「可学习查询 + 模态指示头」的可组合条件机制，可迁移到视觉扩散模型的多条件控制（如同时以深度、分割、文本为条件），实现新增条件时无需重训主干；生成-打分联合目标也可借鉴用于序列与结构一致性的对齐。
MMBench-GUI：面向多平台 GUI 智能体的统一分层评估框架
MMBench-GUI: A Unified Hierarchical Evaluation Framework for Multi-Platform GUI Agents
该基准将元素视觉定位（Element Grounding）确立为 GUI 智能体性能的关键瓶颈，为视觉定位研究提供了跨平台、细粒度的评测场景；其 EQA 指标同时衡量任务成功与动作冗余，可启发视觉智能体在效率与效果权衡上的评估方法设计。
MM-SeR：面向轻量级图像描述的多模态自精炼
MM-SeR: Multimodal Self-Refinement for Lightweight Image Captioning
把 MLLM 的语言部分换成 125M 小模型后仍能保持事实性描述能力，这一发现提示视觉研究者：做图像描述时不必依赖大语言模型的复杂推理；其「先粗后细」的自精炼流程（用粗描述定位显著区域再重描述）可作为轻量 VLM 的通用解码策略复用。
MM-ReCoder：以强化学习与自纠正推进图表到代码生成
MM-ReCoder: Advancing Chart-to-Code Generation with Reinforcement Learning and Self-Correction
把可执行环境的反馈作为奖励信号，用两阶段多轮 GRPO 训练 MLLM 自我纠错，这一范式可直接迁移到视觉到代码类任务（如 UI 到代码、图表理解、视觉程序合成），也为视觉语言模型引入执行级验证提供了可复用训练流程。
MM-OVSeg：面向遥感开放词表分割的多模态光学-SAR 融合
MM-OVSeg: Multimodal Optical-SAR Fusion for Open-Vocabulary Segmentation in Remote Sensing
对做开放词表分割的人，这篇给出了把 SAR 结构先验注入 VLM 文本对齐分割头的双编码器融合方案，可作为恶劣天气/光学缺失场景下扩展 OV 分割输入模态的参考；其跨模态表征统一流程也可迁移到其他传感器组合。
MM-ACT：从多模态并行生成中学习动作
MM-ACT: Learn from Multimodal Parallel Generation to Act
把文本、图像、动作放进共享词元空间并用 re-mask 并行解码统一生成，为视觉研究者提供了一个可复用的 VLA 架构范式：动作生成可借用扩散/掩码生成的并行解码思路，且跨模态监督能反哺动作预测精度。
MLLMSplat：一个由2D多模态大语言模型驱动的3D高斯泼溅理解、生成与编辑框架
MLLMSplat: A 2D MLLM-Powered Framework for 3D Gaussian Splatting Understanding, Generation, and Editing
将2D多模态大语言模型（MLLM）通过3DGS分词器和去分词器适配到3D高斯泼溅场景，实现无需训练的3DGS理解、高质量生成和高效编辑，为3D场景的跨模态处理提供了新范式。
MLLM-HWSI：面向层次化全切片图像理解的多模态大语言模型
MLLM-HWSI: A Multimodal Large Language Model for Hierarchical Whole Slide Image Understanding
将全切片图像分解为细胞、图像块、区域、WSI四个尺度，并用尺度特定投影器与层次对比+跨尺度一致性损失对齐病理语言，为视觉-语言模型提供可解释的多尺度证据推理框架，可迁移到其他需要多尺度理解的视觉领域。
MICo-150K：推进多图像合成的综合数据集
MICo-150K: A Comprehensive Dataset Advancing Multi-Image Composition
该数据集为多图像合成任务提供了大规模训练数据和标准化评测基准，其提出的 Weighted-Ref-VIEScore 指标和 De&Re 子集可用于评估和提升模型在多参考输入下的身份一致性与组合能力。
MICON-Bench：统一多模态模型中多图上下文图像生成的基准评测与增强
MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models
对做统一多模态模型与图像生成评测的人，这篇提供了多图上下文生成的六任务基准和 MLLM-as-verifier 的自动打分协议，可直接用于诊断跨图一致性与幻觉；DAR 是一种免训练、即插即用的推理期注意力调整手段，可迁移到任意扩散/自回归生成骨干上提升跨图连贯性。
MIBURI：迈向富有表现力的交互式手势合成
MIBURI: Towards Expressive Interactive Gesture Synthesis
把全身手势与面部表情编码成多层级离散 token，再用二维因果自回归框架在 LLM 语音-文本嵌入条件下实时生成，为视觉侧的人体动作合成提供了可复用的「部位感知运动编解码 + 因果自回归」范式，适合做实时虚拟人/对话智能体的动作驱动。
MHopReg：面向点云配准的高效层次化多跳图搜索
MHopReg: Efficient Hierarchical Multi-Hop Graph Search for Point Cloud Registration
把对应点筛选建模为兼容图上的层次化多跳搜索，用簇均衡种子采样覆盖低重叠区域的碎片化内点，并用分布感知排序在多个假设中挑空间分布均匀的变换——这套「图搜索+种子采样+假设排序」流程可直接迁移到低重叠点云配准、特征匹配外点剔除等视觉几何任务。
MGDHand：面向稀疏 IMU 序列三维手部姿态估计的多粒度先验到惯性蒸馏框架
MGDHand: Multi-Granularity Prior-to-Inertial Distillation Framework for Sequential 3D Hand Pose Estimation from Sparse IMUs
把视觉侧 MANO 融合教师模型的静态形状、动态关节运动学与速度/加速度先验，按粒度解耦蒸馏到稀疏 IMU 学生模型，为视觉-惯性跨模态蒸馏提供了可复用的「按信息密度分层对齐」思路，可直接迁移到人体姿态、动捕等稀疏传感器设定。
MFEN：面向可见光-红外行人重识别的多频专家网络
MFEN: Multi-Frequency Expert Network for Visible-Infrared Person Re-ID
把频域分带调制与混合专家结合，用于抑制光照/波长差异带来的模态鸿沟；做跨模态检索或可见光-红外对齐时，可复用其多频带专家路由与随机频率增强策略。
META：面向长视频理解的工具轨迹自适应元进化
META: Meta Evolution of Tool Trajectory Adaptation for Long-Video Understanding
对做长视频理解的视觉研究者，这篇提供了免训练、模型无关的智能体框架：把重复出现的多步工具调用轨迹抽象为可复用的宏工具，并把失败轨迹蒸馏成结构化失败先验来约束后续工具选择，从而在不更新参数的情况下缩短推理链、提升时序感知能力，可直接套用到现有 VLM 的长视频问答流程上。
MERLIN：构建面向电磁信号的低信噪比鲁棒多模态大语言模型
MERLIN: Building Low-SNR Robust Multimodal LLMs for Electromagnetic Signals
论文提出的低信噪比鲁棒训练框架与信号-文本对齐方法，可迁移到视觉-语言模型在噪声图像或低质量视觉信号下的鲁棒性增强，其构建的大规模信号-文本数据集与基准也为多模态预训练提供了新范式。
MERIT：多域高效 RAW 图像翻译
MERIT: Multi-domain Efficient RAW Image Translation
把跨相机 RAW 域差异当作图像翻译问题，用单一模型覆盖任意源-目标相机对，并提出传感器感知的噪声建模损失对齐信号相关噪声统计；对做 RAW 域泛化、低层复原或多相机数据统一预处理的视觉研究者，这是一个可直接复用的噪声对齐思路和统一翻译框架。
MERG3R：面向大规模神经视觉几何的分治方法
MERG3R: A Divide-and-Conquer Approach to Large-Scale Neural Visual Geometry
对做前馈式三维重建的人，这篇给出了一个免训练的分治推理范式：把无序大图集切成重叠子集分别用 VGGT/Pi3 类模型重建，再用全局对齐加置信度加权光束法平差合并，可直接套用到任何受显存限制的几何基础模型上以突破其原生规模上限。
MER-Tracker：基于多视角事件-RGB 混合相机的高速 3D 点跟踪
MER-Tracker: Towards High-Speed 3D Point Tracking via Multi-View Event-RGB Hybrid Cameras
用事件相机的高时间分辨率弥补 RGB 低帧率，通过线性插值与锚框采样在 3D 提升后融合离散 RGB 特征与连续事件特征，为高速运动下的长时 3D 点轨迹估计提供了可复用的多模态融合范式。
MEMO：使用掩码边缘预测实现类人的清晰边缘检测
MEMO: Human-like Crisp Edge Detection Using Masked Edge Prediction
提出「掩码边缘预测 + 按置信度渐进定稿」的训练/推理范式，无需专用损失或改网络即可把粗边缘细化到单像素级；其置信度梯度观察与渐进预测策略可迁移到其他密集预测任务（如显著性、抠图、二值分割）的细化环节。
MDS-VQA：面向视频质量评估的模型感知数据选择
MDS-VQA: Model-Informed Data Selection for Video Quality Assessment
提出一种模型感知的数据选择机制，通过失败预测器和多样性度量在有限标注预算下挑选难且多样的视频样本，可直接用于视觉任务中的主动微调与数据高效适配。
MDCS-MoAME：面向癌症生存预测的多方向复合扫描与注意力及 Mamba 混合专家
MDCS-MoAME: Multi-directional Composite Scanning with Mixture of Attention and Mamba Experts for Cancer Survival Prediction
把 Mamba 的多方向复合扫描策略用在千兆像素全切片图像上，为处理超长序列的病理图像提供了一种可复用的序列化与建模思路；注意力与 Mamba 混合专家动态路由也可迁移到其他多模态视觉任务。
MD2E：面向单目度量深度估计的深度到边缘线索建模
MD2E: Modeling Depth-to-Edge Cues for Monocular Metric Depth Estimation
用预测边缘图的傅里叶频谱分位数作为度量尺度的代理，可在无相机内参时把相对深度校准成度量深度；边缘预测同时作为边界正则项，这一「深度→边缘」线索建模思路可迁移到其他需要尺度恢复的单目几何任务。
MCHDoc：面向多载体中文历史文档阅读的综合基准
MCHDoc: A Comprehensive Benchmark for Reading Multi-Carrier Chinese Historical Documents
为文档图像理解提供了跨载体、跨三千年的高分辨率评测基准，可用于检验 OCR 与多模态大模型在异构版式、材质退化下的字符级识别与 LLM 后校正能力，并可作为文档分析模型领域泛化性的测试床。
MASQuant：面向多模态大模型的模态感知平滑量化
MASQuant: Modality-Aware Smoothing Quantization for Multimodal Large Language Models
为多模态大模型（视觉-语言）提供可直接套用的训练后量化方案：按模态分别学习平滑因子，并用 SVD 白化把跨模态激活差异压成低秩，从而在视觉 token 与文本 token 分布差异大时仍能统一量化，适合需要把 VLM 部署到低比特推理的场景。
MARSS：基于模块化注意力与状态空间模型的雷达语义分割
MARSS: Radar Semantic Segmentation via Modular Attention and State Space Models
面向雷达距离-多普勒频率图这类各向异性、稀疏含噪输入，给出可复用的模块化设计：用轻量通道自注意力+深度可分离卷积编码噪声特征、用区域级注意力做多尺度融合、用状态空间模型结合轴向自注意力在解码端建模各向异性与时序一致性，可迁移到其他非相机模态的密集预测任务。
MARIS：海洋开放词表实例分割
MARIS: Marine Open-Vocabulary Instance Segmentation
针对水下场景的开放词表实例分割，提出几何先验增强模块（GPEM）利用部件级结构线索保持退化视觉下的物体一致性，以及语义对齐注入机制（SAIM）用域特定先验丰富语言嵌入以识别未见类别，为跨域开放词表分割提供了可复用的设计思路。
MARCO：探索语义对应的未知空间
MARCO: Navigating the Unseen Space of Semantic Correspondence
用自蒸馏把稀疏关键点监督扩展成密集语义一致的对应，配合粗到细目标提升细粒度定位，为做稠密匹配/关键点迁移的视觉工作提供了一个可替换扩散骨干的轻量 DINOv2 训练框架。
MAPo：面向高保真动态场景重建的可形变三维高斯泼溅运动感知分区
MAPo: Motion-Aware Partitioning of Deformable 3D Gaussian Splatting for High-Fidelity Dynamic Scene Reconstruction
把形变网络按运动强度做时序递归分区、为每段复制形变网络，并配跨帧一致性损失，可直接迁移到任何基于形变场的动态 3DGS/NeRF 重建中，用来缓解高动态区域的模糊与细节丢失。
MAPS：通过模块级邻近调度保持视觉-语言表征以提升视觉-语言-动作泛化能力
MAPS: Preserving Vision-Language Representations via Module-Wise Proximity Scheduling for Better Vision-Language-Action Generalization
对做 VLA/机器人策略学习的人，这篇给出了一个无需额外参数、可直接插入现有 VLA 的微调调度策略：按模块（视觉编码器 vs 动作导向语言层）差异化地放松对预训练 VLM 的邻近约束，从而在适配下游操作任务的同时保住 OOD 泛化，可直接复用到 OpenVLA 类模型的微调流程中。
MANSION：面向长程任务的多楼层语言到 3D 场景生成
MANSION: Multi-floor lANguage-to-3D Scene generatIOn for loNg-horizon tasks
把语言驱动的程序化生成扩展到带垂直结构约束的多层建筑级 3D 场景，为视觉/具身研究者提供可导航、可编辑的大规模室内环境生成器与评测床，可直接用于长程跨楼层导航与空间推理智能体的训练与压力测试。
MAMMA：无标记高精度多人动作捕捉
MAMMA: Markerless Accurate Multi-person Motion Acquisition
以分割掩码为条件、用可学习 query 预测稠密 2D 接触/可见性感知表面关键点，可在严重遮挡与人体交互下建立逐人对应，为多视角 SMPL-X 拟合提供鲁棒 2D 监督与对应关系。
MAGICIAN：利用想象高斯进行高效长时程规划以完成主动建图
MAGICIAN: Efficient Long-Term Planning with Imagined Gaussians for Active Mapping
把预训练占用网络转成可快速体渲染的「想象高斯」，从而在树搜索里低成本评估任意新视角的表面覆盖增益——这套「用可微渲染代理函数做长时程规划打分」的思路可直接迁移到主动重建、下一最佳视角选择和具身探索策略学习。
MAD：面向高效驾驶世界模型的运动-外观解耦
MAD: Motion Appearance Decoupling for efficient Driving World Models
把视频扩散模型拆成「先预测骨架化运动、再渲染 RGB 外观」两阶段，用极少量监督和算力把通用视频模型改造成可控驾驶世界模型；做视频生成或驾驶仿真的研究者可直接复用这种运动-外观解耦的适配范式与文本/自车/物体控制接口。
MAD：面向多模态大语言模型跨模态幻觉缓解的模态自适应解码
MAD: Modality-Adaptive Decoding for Mitigating Cross-Modal Hallucinations in Multimodal Large Language Models
对做多模态大模型推理的人来说，这是一种免训练的解码期干预手段：用模型自评估得到的模态相关性概率去加权各模态的对比解码分支，可直接套用到任意音视频/视觉语言模型的推理流程中抑制跨模态幻觉，无需重训。
MA-Bench：迈向细粒度微动作理解
MA-Bench: Towards Fine-grained Micro-Action Understanding
为视觉研究者提供了一个针对细微人体动作的三层评测协议（感知/关系理解/解释推理）和 20.5K 结构化动作描述训练语料，可直接用于诊断和微调视频 MLLM 在细粒度身体部位动态上的短板。
M4V：面向高效文本到视频生成的多模态 Mamba
M4V: Multimodal Mamba for Efficient Text-to-Video Generation
用双向词元重排加视觉寄存器把 Mamba 的线性复杂度序列建模接入扩散式文生视频主干，在 768x1280 分辨率下比注意力方案省 45% 浮点运算量，可作为高分辨率视频生成中替代全局注意力的可复用模块。
M4Human：面向人体网格重建的大规模多模态毫米波雷达基准
M4Human: A Large-Scale Multimodal mmWave Radar Benchmark for Human Mesh Reconstruction
为视觉研究者提供了大规模毫米波雷达与RGB-D对齐的人体网格重建基准，可用于探索隐私保护、抗遮挡的人体感知，以及多模态融合（雷达点云+RGB-D）的HMR方法。
M4-SAM：面向 RGB-D 视频显著性目标检测的多模态混合专家与记忆增强 SAM
M4-SAM: Multi-Modal Mixture-of-Experts with Memory-Augmented SAM for RGB-D Video Salient Object Detection
把 SAM2 的线性 LoRA 换成带卷积专家的模态感知 MoE-LoRA，并用伪掩码引导记忆库实现无提示初始化，这套 PEFT + 记忆引导思路可直接迁移到其他需要多模态适配的 SAM2 下游分割任务。
M4-RAG：大规模多语言多文化多模态检索增强生成基准
M4-RAG: A Massive-Scale Multilingual Multi-Cultural Multimodal RAG
该基准为视觉语言模型提供了跨42种语言、56种方言和189个国家的8万余个文化多样图像-问题对，并构建了可控检索环境，可用于系统评估多语言多模态RAG的检索效果与模型规模的关系，揭示大模型在RAG下性能反而下降的问题。
M3Grounder：基于掩码的多跨度多粒度视觉定位用于文档问答
M3Grounder: Mask-Based Multi-Span and Multi-Granular Grounding for Document QA
将文档视觉定位从粗粒度边界框推进到像素级分割掩码，并引入多跨度、多粒度的层次化定位监督，为文档理解中的细粒度证据定位提供了可复用的分割式建模范式。
M3DocDep：基于大型视觉语言模型的多模态、多页、多文档依赖分块
M3DocDep: Multi-modal, Multi-page, Multi-document Dependency Chunking with Large Vision-Language Models
对做文档视觉理解的人，这篇给出了一个可复用的思路：把 OCR/版面解析结果统一到文档级坐标系，用边界感知的 SoftROI 做多模态块嵌入，再用 biaffine 打分重建跨页文档树——这套「视觉结构线索 + 全局依赖」的建模方式可直接迁移到多页文档检索、版面层级解析等任务。
M3DLayout：面向三维生成的多源三维室内布局与结构化描述数据集
M3DLayout: A Multi-Source Dataset of 3D Indoor Layouts and Structured Descriptions for 3D Generation
为文本驱动的三维场景生成提供布局层面的中间表示与大规模多源训练数据，可直接用于训练或评测文本条件扩散/自回归布局生成模型，并支撑语义可控编辑与物理合理性约束。
Lynx：面向高保真个性化视频生成
Lynx: Towards High-Fidelity Personalized Video Generation
用 Perceiver Resampler 把 ArcFace 人脸嵌入压成身份 token，再用 Ref-adapter 通过 cross attention 把冻结参考分支的 VAE 密集特征注入 DiT 所有层，是单图身份保持视频生成中可直接复用的双适配器条件注入方案。
用于大基础模型幻觉检测的李雅普诺夫探针
Lyapunov Probes for Hallucination Detection in Large Foundation Models
把 MLLM 的表征空间当作动力系统，用带导数稳定性约束的轻量探针在输入扰动下检测置信度是否单调衰减，从而区分事实稳定区与幻觉易发边界；这套扰动+稳定性探针可直接接到任意视觉语言模型的隐层特征上做幻觉判别。
LuxRemix：面向室内场景的光照分解与重混合
LuxRemix: Lighting Decomposition and Remixing for Indoor Scenes
把生成式图像光照分解与可重光照 3D 高斯泼溅表示结合，实现单次多视图采集下对每个光源的开关/色度/强度实时交互编辑；其多视图光照协调与光源级分解思路可迁移到任何需要可编辑光照的 3D 重建管线。
Lumosaic：基于主动照明与编码曝光像素的高光谱视频
Lumosaic: Hyperspectral Video via Active Illumination and Coded-Exposure Pixels
把可编程窄带 LED 阵列与编码曝光像素（CEP）相机同步，在单帧内联合编码空间-时间-光谱信息，再用学习式重建恢复 31 通道高光谱视频；这套「主动照明 + 亚帧曝光编码 + 学习重建」的采集-重建联合设计，可为快照式光谱成像、动态场景计算成像提供可复用的硬件编码与重建思路。
LumiX：结构化且连贯的文本到本征图生成
LumiX: Structured and Coherent Text-to-Intrinsic Generation
Query-Broadcast Attention 让所有本征图共享同一组 query，从而在联合扩散采样中保持跨图结构一致；Tensor LoRA 用张量化低秩适配建模跨图关系，可作为多输出联合生成任务中参数高效训练与一致性的通用手段。
LumiMotion：利用场景动态改进高斯重光照
LumiMotion: Improving Gaussian Relighting with Scene Dynamics
把场景中的运动区域当作逆渲染的监督信号：同一表面在不同光照下的观测有助于解耦反照率与光照，这一思路可直接迁移到动态场景的重建、重光照与材质编辑；同时其静态/动态分离的形变约束与配套的合成基准，为评估动态环境下的逆渲染提供了可复用的设定。
低分辨率编辑即是高分辨率编辑的全部所需
Low-Resolution Editing is All You Need for High-Resolution Editing
把高分辨率编辑拆成 patch-wise 测试时优化 + 细节迁移 + 跨块同步，为在显存受限下做 4K 级可控编辑提供了可复用的分块一致性策略。
面向预训练点云模型的低秩测试时训练
Low-Rank Test-Time Training for Pre-Trained Point Cloud Models
把测试时训练从解码器式辅助目标改为特征层面的掩码一致性对齐，并用 LoRA 低秩单元实现参数高效的自适应，可直接迁移到其他预训练视觉骨干（如点云/图像 Transformer）的 OOD 自适应场景。
低秩残差扩散模型
Low-Rank Residual Diffusion Models
把扩散过程约束在低秩残差子空间里，并让前向低秩、反向满秩，这种非对称扩散设计可直接迁移到去雨、去模糊等近域复原任务，用来降低采样不确定性并保住结构细节。
爱屋及乌：重新思考标签在视觉上下文学习提示词检索中的作用
Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning
为视觉上下文学习中的提示词检索引入标签一致性约束，并设计图像-标签联合表示与查询自适应混合专家路由，可直接用于分割、检测等下游任务的提示词选择。
LottieGPT：面向自回归生成的矢量动画词元化
LottieGPT: Tokenizing Vector Animation for Autoregressive Generation
将矢量动画（Lottie JSON）通过定制分词器编码为紧凑词元序列，并微调 Qwen-VL 实现自回归生成，为视觉生成提供了一种超越栅格空间、直接输出可编辑结构化数据的新范式。
超越窗口：全局-局部对齐CLIP用于免训练开放词表语义分割
Looking Beyond the Window: Global-Local Aligned CLIP for Training-free Open-Vocabulary Semantic Segmentation
提出全局-局部对齐的CLIP框架，通过跨窗口键值令牌交换和代理锚点解决滑窗推理中的语义不一致问题，可直接用于提升免训练开放词表分割方法的高分辨率处理能力。
LookasideVLN：方向感知的空中视觉与语言导航
LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation
将自然语言中的方向线索（如“左转”“前方”）编码为图结构，并与多模态大语言模型对齐用于路径规划，为视觉语言导航提供了一种轻量且可解释的空间推理范式。
先对齐再融合：面向鲁棒3D检测的2D引导跨模态对齐
Look Before You Fuse: 2D-Guided Cross-Modal Alignment for Robust 3D Detection
用2D检测器可靠定位的物体-背景边界作为先验，在融合前预对齐激光雷达与相机特征，并显式增强边界处的深度突变；这套「先对齐再融合」的思路可直接迁移到任何存在投影误差的多传感器BEV融合流程中。
LongVideo-R1：面向低成本长视频理解的智能导航
LongVideo-R1: Smart Navigation for Low-cost Long Video Understanding
把长视频问答建模为「由粗到细的主动片段导航」：用层级视觉摘要作为推理起点，让 MLLM 智能体逐步定位信息量最大的片段，并在信息足够时提前停止，从而在低算力预算下完成长视频理解；其两阶段 SFT+RL 训练与奖励设计可直接迁移到其他需要选择性采样的视觉-语言任务。
LongVT：通过原生工具调用激励“用长视频思考”
LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling
将LMM固有的时序定位能力作为原生视频裁剪工具，实现全局到局部的迭代推理，为长视频理解提供可复用的智能体框架与数据构造流程。
LongStream：长序列流式自回归视觉几何
LongStream: Long-Sequence Streaming Autoregressive Visual Geometry
提出规范解耦的流式视觉几何模型，通过预测关键帧相对位姿和正交尺度学习，将长序列外推转化为恒定难度的局部任务，并利用缓存一致性训练与周期性刷新抑制注意力偏差，为在线长序列三维重建提供可复用方案。
长尾互联网照片重建
Long-Tail Internet Photo Reconstruction
从已重建的互联网地标中采样稀疏子集来模拟长尾场景的相机分布，为稀疏视角三维重建提供了一种可扩展的监督构造方式；该思路可直接用于微调现有三维基础模型，提升极端稀疏与对称重复场景下的重建鲁棒性。
Long-SCOPE：全稀疏长距离协同3D感知
Long-SCOPE: Fully Sparse Long-Range Cooperative 3D Perception
面向车路协同长距离感知，用几何引导的查询生成替代稠密鸟瞰图，并用可学习的上下文感知关联模块在位置噪声下鲁棒匹配协同查询，可直接迁移到多智能体/多视角融合中的稀疏查询关联与远距离小目标检测。
Long-RVOS：面向长时指代视频目标分割的综合基准
Long-RVOS: A Comprehensive Benchmark for Long-term Referring Video Object Segmentation
Long-RVOS 提供了长时指代视频目标分割的基准和评估指标，可直接用于测试模型在遮挡、消失重现和镜头切换下的时序建模能力；其基线 ReferMo 融合运动信息与局部到全局架构，为长视频 RVOS 提供了可复用的设计思路。
Logit 间隔排斥用于后门防御
Logit-Margin Repulsion for Backdoor Defense
针对量化/剪枝后才激活的条件后门，LMR 用少量干净样本配合 logit-margin 约束放大后门类与良性类的间隔，再按通道选择性剪枝去除后门通路；做模型压缩部署或需要清洗第三方预训练权重时，这套「间隔约束+通道定位」流程可直接复用。
LogCD：面向少步图像生成的局部到全局一致性蒸馏
LogCD: Local-to-global Consistency Distillation for Few-step Image Generation
两阶段局部到全局一致性蒸馏把 SDXL 这类潜扩散/整流流模型压到 2–4 步采样，且单模型可在步数间无缝切换，可直接复用到任何需要少步高保真生成的视觉管线（如实时文生图、编辑前置生成器）。
LocateAnything3D：基于视线链的视觉语言 3D 检测
LocateAnything3D: Vision-Language 3D Detection with Chain-of-Sight
将 3D 检测转化为 VLM 的下一词元预测问题，通过显式的 Chain-of-Sight 序列（先 2D 检测再 3D 框）实现开放词表多目标 3D 检测，为视觉研究提供了一种无需专用检测头的统一 VLM 接口。
先定位后稀疏化：归因引导的稀疏策略用于视觉幻觉缓解
Locate-then-Sparsify: Attribution Guided Sparse Strategy for Visual Hallucination Mitigation
提出基于因果干预的逐层归因方法，量化各层与幻觉的相关性，并据此稀疏化特征引导强度；该思路可迁移到其他需要定位关键层或模块的视觉-语言任务中，如视觉定位、图像描述生成中的错误分析。
先定位再复核：基于区域定位推理提升AI生成图像检测
Locate-Then-Examine: Grounded Region Reasoning Improves Detection of AI-Generated Images
把VLM的取证判断显式绑定到局部区域证据上：先做可疑区域提议，再对裁剪块与全图联合重审，这种「定位-复核」两阶段范式可迁移到任何需要像素级依据的细粒度真伪/异常判别任务，如深伪检测、篡改定位。
定位、结构化与渲染：连接3D与2D视觉-语言-动作模型用于机器人操作
Localizing, Structuring, and Rendering: Bridging 3D and 2D Vision-Language-Action Models for Robotic Manipulation
将可微渲染作为连接3D几何推理与2D视觉语义的桥梁，通过生成可微图像并让2D VLA的梯度回传到3D表示，为视觉研究者提供了一种融合显式3D空间关系与图像级语义的通用手段，可借鉴到需要空间推理的视觉任务中。
局部精确精修：一种用于增强基础模型对抗光谱漂移泛化能力的双门控混合专家框架
Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts
把 MoE 的双门控路由用在基础模型特征的空间自适应精修上，并引入由 RGB 波段估计的深度特征作为结构先验，通过交叉注意力融合——这套「模态独立路由 + 结构引导融合」的微调范式可迁移到其他存在域偏移的密集预测任务。
局部运动至关重要：一种用于从视频中进行强化学习预训练的分解-重组范式
Local Motion Matters: A Deconstruct-Recompose Paradigm for Reinforcement Learning Pre-training from Videos
从视频中通过跟踪局部点（原子动作）学习可迁移的运动表征，并用潜在动力学模型聚合，为视觉驱动的机器人策略学习提供预训练方案；其双注意力编码器与运动聚合词元设计可复用于视频运动理解与模仿学习。
LoST：面向三维形状的语义层级分词
LoST: Level of Semantics Tokenization for 3D Shapes
把 3D 形状 token 的排序从几何 LoD 换成语义显著性排序，并用 DINO 特征空间的关系结构对齐 3D 潜空间，可直接复用到任何基于自回归或潜变量的 3D 生成与形状表征学习流程中。
LoPrune：面向视觉 Transformer 低秩适配微调的高效数据剪枝
LoPrune: Efficient Data Pruning for LoRA-Based Fine-Tuning of Vision Transformer
把影响函数投影到 LoRA 可训练子空间并用 K-FAC 近似样本对适配器更新的影响，为视觉模型端侧持续微调提供了一个可直接复用的样本重要性打分与剪枝流程，可迁移到任何基于低秩适配的视觉微调场景。
LoL：比更长更长，将视频生成扩展至小时级
LoL: Longer than Longer, Scaling Video Generation to Hour
针对自回归长视频生成中注意力汇聚帧导致的场景重置问题，提出多头 RoPE 抖动这一免训练手段，打破头间注意力同质化；做流式/无限长视频生成或复用 RoPE 的位置编码方案时可直接借鉴。
LoG3D：通过局部到全局分块实现超高分辨率三维形状建模
LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning
把 UDF 体数据切成均匀子块（UBlocks），用 3D 卷积抓局部细节、稀疏 Transformer 建全局一致性，再配合 Pad-Average 消除块边界接缝——这套局部到全局的分块策略可直接迁移到高分辨率 NeRF/高斯泼溅体素表示或任意大尺度隐式场的建模与生成。
LoFA：学习预测个性化先验以实现视觉生成模型的快速适配
LoFA: Learning to Predict Personalized Prior for Fast Adaptation of Visual Generative Models
把 LoRA 微调从「逐任务优化数小时」变成「超网络秒级预测」，视觉生成模型做个性化时可直接复用其两阶段超网络（先预测相对分布模式、再回归 LoRA 权重）作为免优化适配器。
LoD-Loc v3：利用实例轮廓对齐实现密集城市中的泛化空中定位
LoD-Loc v3: Generalized Aerial Localization in Dense Cities using Instance Silhouette Alignment
将语义建筑轮廓对齐升级为实例轮廓对齐，并配套生成大规模实例分割合成数据集，为密集城市场景下的跨场景视觉定位提供了可复用的数据与对齐范式。
LiveGesture：可流式生成的语音协同手势生成模型
LiveGesture: Streamable Co-Speech Gesture Generation Model
把全身动作按身体区域拆成因果离散词元、再用区域专家自回归模型加时空融合来建模，这套「流式分词器 + 分层自回归」的架构可直接迁移到其他需要零前瞻、任意长度输出的动作/姿态序列生成任务（如虚拟人驱动、动作预测）。
用于视频分割的实时交互式训练
Live Interactive Training for Video Segmentation
LIT-LoRA 在推理时利用用户修正在线更新轻量 LoRA 模块，使视频分割模型能持续适应同一视频中的目标外观变化，为交互式视觉工具提供了一种低开销的在线自适应范式。
LiteVGGT：通过几何感知缓存词元合并加速原生 VGGT
LiteVGGT: Boosting Vanilla VGGT via Geometry-aware Cached Token Merging
把「词元合并」这一 ViT 加速手段引入 VGGT 这类多视图几何 Transformer，并利用相邻层合并决策稳定的性质缓存复用合并索引，可直接迁移到其他长序列视觉 Transformer（如多视图/视频 backbone）的推理加速与显存压缩。
LiteSense：以 RGB 提升轻量 ToF 实现高分辨率度量深度估计
LiteSense: Lifting Lightweight ToF with RGB for High-Resolution Metric Depth Estimation
用 ToF 的 zone-wise 直方图（CNH）经交叉注意力注入 U-Net 特征，为轻量 RGB-D 网络提供显式度量先验，可作为低成本传感器下高分辨率度量深度估计的可复用融合范式。
LitePT：更轻量却更强的点云 Transformer
LitePT: Lighter Yet Stronger Point Transformer
为 3D 点云骨干网络提供了「浅层卷积 + 深层注意力」的分层设计准则，并给出无需额外参数的 PointROPE 三维位置编码，可直接替换 Point Transformer 系列骨干以降低显存与延迟。
Lite Any Stereo：高效零样本立体匹配
Lite Any Stereo: Efficient Zero-Shot Stereo Matching
提供了一套可复用的轻量骨干网络与混合代价聚合设计，并用百万级数据的三阶段训练策略弥合仿真到真实的差距，使超轻量立体匹配模型具备零样本泛化能力，可直接用于实时深度估计与部署受限场景。
面向单应变换形式化验证的 Lipschitz 优化
Lipschitz Optimization for Formal Verification of Homographies
为视觉模型提供针对相机 3D 运动（单应变换）扰动的形式化鲁棒性验证手段：通过相机位姿到像素值的闭式映射与单应变换的分段连续性，推导扰动像素值的紧致线性界，可直接用于验证 AR 地平面、自动驾驶路面标线与交通标志、机器人平面工作区等平面主导场景下的分类器。
关联多模态大语言模型中的感知、置信度与准确率
Linking Perception, Confidence and Accuracy in MLLMs
对做多模态大模型视觉感知的人来说，这篇给出了一个可复用的思路：用原图-加噪图配对构造置信度奖励做强化学习，让模型在视觉不确定时给出校准的置信度；校准后的置信度还能直接驱动测试时扩展（自一致性/自反思/视觉自检的调度），是一种无需重训即可提升准确率的推理期手段。
连接异构协同感知中的模态隔离
Linking Modality Isolation in Heterogeneous Collaborative Perception
针对多智能体协同感知中「模态隔离」（不同模态智能体从未在同一帧共现）这一设定，用码本把各模态特征空间正则化为离散码空间，再学习跨模态 feature-code-feature 翻译实现无需空间重叠监督的对齐；做 V2X/多车协同感知、跨模态特征对齐或模态缺失鲁棒性的人可直接复用该「无共现对齐」思路与极低通信量的码传输方案。
面向视觉解耦的语言先验：迈向对称的视觉-大脑对齐
Linguistic Priors for Visual Decoupling: Towards Symmetric Vision-Brain Alignment
用面向物体的文本描述作为语义先验，把自然图像中的前景物体与背景显式解耦，再与含噪脑信号做语义对称对齐；这套「语言先验引导的视觉解耦」思路可迁移到图像-文本-神经信号三模态对齐、以及需要抑制背景干扰的跨模态检索任务。
通过合成曝光包围实现线性图像生成
Linear Image Generation by Synthesizing Exposure Brackets
把高动态范围线性图像拆成曝光包围序列、再用 DiT 流匹配逐段生成，为需要保留极端高光与阴影的生成任务（HDR 合成、RAW 域生成、专业后期编辑）提供了一个可复用的表示与建模方案。
基于 7 点或 5 点的线性基础矩阵估计
Linear Fundamental Matrix Estimation from 7 or 5 Points
提供首个针对 5 点共线特殊构型的线性最小解算器，可直接嵌入 RANSAC 或早期非最小拟合流程，替代 7 点/8 点非线性求解，降低两视图几何估计的延迟并提升数值稳定性。
LinVideo：面向高效视频生成中 O(n) 注意力的后训练框架
LinVideo: A Post-Training Framework towards O(n) Attention in Efficient Video Generation
把视频扩散模型中部分自注意力模块替换为线性注意力，并用二分类器自动选择可替换层、用任意时刻分布匹配目标恢复性能，可直接迁移到任何 DiT 类视频/图像生成模型的推理加速上。
基于光照的视频生成：以渲染器为支撑的智能体推理
Lighting-grounded Video Generation with Renderer-based Agent Reasoning
把布局、光照、相机轨迹等显式3D场景属性通过渲染器转成控制信号，再用轻量条件模块注入视频扩散模型，为可控视频生成提供了可复用的解耦条件注入范式；其场景智能体把高层指令翻译成3D控制信号的思路也可迁移到其他条件生成任务。
运动中的光照：时空 HDR 光照估计
Lighting in Motion: Spatiotemporal HDR Lighting Estimation
用扩散先验从单目视频/图像序列回归时空变化的光探针（镜面球+漫反射球多曝光），再经可微渲染合成 HDRI 环境图；其「深度不足以做空间条件、需显式相对位置几何条件」的结论对做光照估计、逆渲染与场景重光照的视觉研究者可直接复用。
LightSplat：五秒内完成快速且内存高效的开放词表三维场景理解
LightSplat: Fast and Memory-Efficient Open-Vocabulary 3D Scene Understanding in Five Seconds
把语义压缩成 2 字节索引、只挂在显著区域并用索引-特征映射管理，这套免训练、免逐高斯特征优化的做法可直接迁移到任何基于 3DGS 的开放词表查询或编辑管线，把原本分钟级的特征蒸馏降到秒级。
LightRR：一种用于单图像去反射的轻量级网络
LightRR: A Lightweight Network for Single Image Reflection Removal
把 DWT 频域分解与 Mamba 状态空间建模结合成非对称频域模块，在低分辨率子带上做长程依赖建模，为轻量化复原网络提供了可复用的频域-序列混合骨干设计；同时用知识蒸馏把大预训练编码器的表征迁移到小模型，是低算力部署场景下值得借鉴的训练范式。
LightMover：带颜色与强度控制的生成式光照移动
LightMover: Generative Light Movement with Color and Intensity Controls
把光照编辑建模为视觉词元空间中的序列到序列预测，复用视频扩散先验，无需重新渲染即可改变光源位置、颜色与强度；其自适应词元剪枝（保留空间信息词元、压缩非空间属性）可迁移到其他基于词元的可控生成任务以缩短控制序列。
利用互联网级无标注数据提升 3D 场景理解
Lifting Unlabeled Internet-level Data for 3D Scene Understanding
提出一种数据引擎，利用互联网无标注视频自动生成 3D 场景理解训练数据，可复用于低层感知（3D 检测/分割）与高层推理（3D VQA/VLN）任务，为缓解 3D 标注稀缺提供可扩展方案。
基于多模态潜变量回放与增量调整的终身模仿学习
Lifelong Imitation Learning with Multimodal Latent Replay and Incremental Adjustment
在多模态潜空间而非原始像素上做经验回放，可大幅压缩视觉-语言-状态表征的存储开销，为视觉策略的持续学习提供可复用的记忆机制；角度间隔约束正则化任务嵌入演化的思路也可迁移到视觉表征的增量学习。
LifeEval：面向第一人称日常生活任务辅助 AI 的多模态基准
LifeEval: A Multimodal Benchmark for Assistive AI in Egocentric Daily Life Tasks
为视觉研究者提供了一个以第一人称连续视频流为输入、要求模型在对话中实时给出任务导向协助的评测设定，可用于检验 MLLM 的在线感知与自适应交互能力，而非事后视频问答。
Life-IQA：通过 GCN 增强的层间交互与基于 MoE 的特征解耦提升盲图像质量评价
Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling
用 GCN 增强的跨层交叉注意力替代普通 Transformer 解码器做质量特征解码，并用 MoE 按失真类型分专家解耦特征，这套「层间交互 + 专家解耦」的解码思路可迁移到其他需要融合骨干网络浅层与深层特征的回归/预测任务。
LiREC-Net：一种面向激光雷达、RGB 与事件数据的无标定板学习式标定网络
LiREC-Net: A Target-Free and Learning-Based Network for LiDAR, RGB, and Event Calibration
提出一种无标定板、学习式的三模态联合标定框架，用共享的激光雷达表示（3D 特征 + 投影深度图）统一处理激光雷达-RGB、激光雷达-事件、RGB-事件等模态对，可直接复用于自动驾驶多传感器融合前的在线外参对齐。
LiDeRe：面向快速且数据高效密集预测的轻量读出模块
LiDeRe: A Lightweight Readout for Fast and Data-Efficient Dense Prediction
在冻结的大型视觉骨干（如 DINOv3）之上，用一个由插值与注意力构成的轻量密集读出模块替代主流 PEFT，为小数据下的分割、检测、姿态估计等密集预测任务提供更省参数、更快训练的微调范式。
LiDAS：面向夜间感知的光照驱动动态主动传感
LiDAS: Lighting-driven Dynamic Active Sensing for Nighttime Perception
把车灯当作可主动控制的视觉执行器，用下游感知损失驱动光照场的预测，使白天训练的模型零样本迁移到夜间；这一「感知-照明闭环」思路可复用到其他主动传感（如可控曝光、主动红外补光）与感知-控制联合优化问题中。
通过潜空间跨模态对齐与翻译的 LiDAR 到 4D 雷达扩散桥
LiDAR-to-4DRadar Diffusion Bridge via Cross-Modal Alignment and Translation in Latent Space
把扩散桥（diffusion bridge）用在两个已对齐的潜空间之间做跨模态翻译，可迁移到 LiDAR→相机、深度→RGB 等「缺失模态补全」任务；其 patch-wise 对比对齐 + key-voxel-aware VAE 的组合，为高维稠密张量（雷达/体素）的生成式数据增强提供了可复用范式。
激光雷达提示的时空多视图立体用于自动驾驶
LiDAR Prompted Spatio-Temporal Multi-View Stereo for Autonomous Driving
将稀疏但度量准确的激光雷达观测作为几何提示（硬先验锚定代价体、软特征引导）融入多视图立体，并用时空解码器融合相邻帧时序上下文，为自动驾驶场景下的度量深度估计提供可复用的融合范式。
在图像编辑中利用基于验证器的强化学习
Leveraging Verifier-Based Reinforcement Learning in Image Editing
提出基于思维链的推理奖励模型（RRM）作为图像编辑的通用奖励，并用GRPO微调编辑模型，为视觉生成中的RLHF提供可解释、细粒度的奖励设计思路。
利用多光谱传感器进行移动相机颜色校正
Leveraging Multispectral Sensors for Color Correction in Mobile Cameras
提出了一种端到端联合利用高分辨率RGB和低分辨率多光谱传感器进行颜色校正的框架，可复用于其他需要融合多传感器数据的底层视觉任务，如去噪、超分等。
利用 CLIP 中的类别分布进行弱监督语义分割
Leveraging Class Distributions in CLIP for Weakly Supervised Semantic Segmentation
利用 CLIP 的 patch 级类别分布（JS 散度）生成更完整的 CAM，并用 DINO 的结构知识做边界超类原型监督，可直接用于弱监督分割的伪标签质量提升。
让雪落下！基于物理引导分数蒸馏为 3D 高斯场景添加动态天气效果
Let it Snow! Animating 3D Gaussian Scenes with Dynamic Weather Effects via Physics-Guided Score Distillation
把物理仿真当作运动先验去引导 Video-SDS，为静态 3DGS 场景注入物理合理的多粒子动态（雪、雨、雾、沙尘），这套「物理引导 + 分数蒸馏联合优化运动与外观」的框架可直接迁移到 3D 场景动态化、流体/粒子特效生成等任务。
让你的图像随你的运动而动！——隐式多目标多运动迁移
Let Your Image Move with Your Motion! -- Implicit Multi-Object Multi-Motion Transfer
把扩散注意力本身当作物体掩码的来源，用物体特定掩码约束注意力，使运动 token 与文本 token 只作用于指定区域，这一「注意力即掩码」的思路可直接迁移到多主体视频编辑、组合式可控生成等需要区域解耦的任务。
让VLM给自己的思维打分：一种面向推理感知奖励建模的自量化方法
Let VLMs Grade Their Own Thoughts: A Self-Quantification Approach to Reasoning-Aware Reward Modeling
提出利用VLM自生成置信度作为奖励信号，替代外部约束进行强化学习对齐，为视觉语言模型的推理优化提供了无需人工标注的奖励建模思路，可迁移至其他多模态推理任务。
少即是多：面向可控文本到视频生成的数据高效适配
Less is More: Data-Efficient Adaptation for Controllable Text-to-Video Generation
对做可控视频生成的研究者，这篇给出了一个反直觉的数据策略：用稀疏、低质量的合成数据微调扩散模型来学习物理相机参数（快门速度、光圈）控制，效果反而优于用真实照片级数据微调；其框架也可用于评估其他条件控制的数据选择。
Lenses：迈向多义视觉-语言理解
Lenses: Toward Polysemous Vision-Language Understanding
把「图像多义性」显式建模为可学习的 lens token 加多提示嵌入，并用 lens-masking 相似度做检索，为视觉-语言检索/描述任务提供了一个可复用的多视角对齐范式，也提示现有 VLM 评测存在字面语义偏置。
LensWalk：通过规划视频观看方式实现智能体式视频理解
LensWalk: Agentic Video Understanding by Planning How You See in Videos
把「看哪里、看多密」变成智能体可调的工具参数，视觉研究者可借鉴这种按需采样+工具编排的推理范式，用于长视频问答与证据定位，无需微调即可插拔到现有 VLM 配方上。
基于可微光线追踪的镜片组件删除
Lens Component Deletion based on Differentiable Ray Tracing
把可微光线追踪与后处理网络端到端联合优化，并给出基于 Rayleigh-Sommerfeld 衍射模型的高效 PSF 估计，可直接用于计算摄影中镜头-算法协同设计、像差校正与轻量化成像系统的搭建。
基于单句自然语言描述的实例跟踪学习
Learning to Track Instance from Single Nature Language Description
提出动态词元聚合模块，通过锚框词元选择模板帧中的目标词元并与语言词元融合，为视觉语言跟踪提供了一种无需边界框标注的自监督训练范式，可复用于其他多模态时序任务。
在神经形状表示上学习求解偏微分方程
Learning to Solve PDEs on Neural Shape Representations
提出一种无需网格、直接在神经形状表示上求解表面偏微分方程的可微局部更新算子，可替代传统网格提取+残差训练流程，为几何处理、物理仿真与神经渲染提供端到端可微工具。
从经验中学习选择视觉工具
Learning to Select Visual Tools from Experience
VisTA 将工具选择建模为强化学习问题，利用可验证奖励（RLVR）端到端训练视觉智能体，使其能根据查询动态组合工具库中的工具。对视觉研究者而言，这提供了一种无需人工标注的、经验驱动的工具编排范式，可迁移到需要多工具协同的复杂视觉推理任务（如图表理解、几何推理）。
在多模态大语言模型中用事件流学习看穿极端光照
Learning to See through Illumination Extremes with Event Streaming in Multimodal Large Language Models
把事件流作为与 RGB 互补的模态接入 MLLM，并用 DINOv2 分支导出的可学习光照指示信号自适应调制融合权重，同时用潜空间对齐损失把退化特征拉回正常光照语义——这套「退化感知的模态门控 + 潜空间语义对齐」可直接迁移到低光、过曝、夜间等视觉任务的特征融合设计中。
学会看与做：面向机器人操作的任务感知虚拟视角探索
Learning to See and Act: Task-Aware Virtual View Exploration for Robotic Manipulation
把「选视角」本身建模为可学习策略，并在重建的场景表示上按所选虚拟相机重渲染观测，这为视觉研究者提供了一条绕开固定相机与遮挡的通用思路：用可微/可重渲染的场景表示做主动感知，而不是被动接受输入图像。
以婴儿之眼学习看世界：早期视觉食谱在人类与机器中催生鲁棒视觉智能
Learning to See Through a Baby's Eyes: Early Visual Diets Enable Robust Visual Intelligence in Humans and Machines
把婴儿视觉发育的「视觉食谱」（灰度到彩色、模糊到清晰、保持时序连续）当作自监督预训练的课程设计，可直接迁移到视频自监督预训练的数据调度与增强策略上，并提供了纹理-形状冲突、剪影识别、深度序分类、视觉悬崖等一整套评测协议来检验表征的鲁棒性。
学习拒答：面向视频时序定位中难负相关查询的拒答感知强化微调
Learning to Refuse: Refusal-Aware Reinforcement Fine-Tuning for Hard-Irrelevant Queries in Video Temporal Grounding
把 GRPO 强化微调引入 VTG，用格式、拒答-IoU、解释、查询纠正四类奖励让 LVLM 学会对语义相近但实际无关的难负查询输出拒答，可直接迁移到任何需要「无目标即拒答」的定位/检索式视觉任务。
在 4D 中学习推理：面向视觉语言模型的动态空间理解
Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models
把相机位姿、局部点云、物体掩码与 3D 轨迹等 4D 重建先验压缩成少量 geometry tokens 注入 VLM，为在视觉语言模型中引入几何先验提供了一条轻量、可复用的接口思路。
通过局部一致性扩散学习学习权重生成
Learning to Learn Weight Generation via Local Consistency Diffusion
把扩散模型用于直接生成网络权重，并用局部一致性约束把局部目标权重的监督信号纳入训练，为视觉模型在迁移、少样本、域泛化场景下的快速权重更新提供了一条可复用的元学习式生成思路。
从三维扫描中学习推断植物的参数化表示
Learning to Infer Parameterized Representations of Plants from 3D Scans
用程序化模型合成虚拟植物训练递归网络，从无序点云直接回归带参数的树状结构（枝干拓扑+各器官参数），为细长、自遮挡严重的结构化解剖重建提供了「合成数据预训练+参数化输出」的可复用范式。
学习识别分布外目标以用于3D激光雷达异常分割
Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation
在激光雷达特征空间中直接建模内点类分布以约束异常样本，可替代从2D视觉迁移的后处理式异常打分；同时提供的混合真实-合成激光雷达异常分割数据集可用于评测3D开放世界感知的OOD检测能力。
通过理解来生成：面向统一多模态模型的理解驱动内在奖励
Learning to Generate via Understanding: Understanding-Driven Intrinsic Rewarding for Unified Multimodal Models
把统一多模态模型的理解分支当作奖励模型，用 token 级文本-图像对齐内在奖励做自监督强化学习来提升 T2I 生成，为视觉研究者提供了一种无需外部偏好数据即可微调生成质量的思路。
利用合成运动数据学习生成高动态视频
Learning to Generate Highly Dynamic Videos using Synthetic Motion Data
用渲染光流作为与外观解耦的运动监督信号，训练视频扩散模型学习真实数据中稀缺的剧烈运动与精确相机运动控制，可直接迁移到任何需要细粒度运动条件的视频生成管线。
学会聚焦与精确裁剪：面向多模态大语言模型的信息差与视觉定位损失强化学习框架
Learning to Focus and Precise Cropping:A Reinforcement Learning Framework with Information Gaps and Grounding Loss for MLLMs
针对多模态大模型在裁剪区域上「看了却没用」的问题，用信息差机制（降低全局图粒度以制造信息增益）配合少量边界框的 grounding loss 做两阶段强化学习，可复用于任何需要模型真正依赖局部细节的高分辨率 VQA / 细粒度感知流程。
学习驾驶是免费的礼物：从无位姿野外视频进行大规模无标签自动驾驶预训练
Learning to Drive is a Free Gift: Large-Scale Label-Free Autonomy Pretraining from Unposed In-The-Wild Videos
利用无位姿视频和教师模型生成的伪监督信号，联合预测点图、相机位姿、语义布局和运动掩码，学习统一的伪4D表征，可迁移到自动驾驶规划任务。
学习多样化与聚焦：面向开放词表人-物交互检测的强化学习框架
Learning to Diversify and Focus: A Reinforcement Framework for Open-Vocabulary HOI Detection
用强化学习驱动的语义扰动与 actor-critic 注意力精炼，缓解 CLIP 一阶段范式对已见交互的过拟合，可直接迁移到其他开放词表检测/grounding 任务中提升对未见类别的泛化与细粒度定位。
通过生成并模仿 2D 运动学习控制物理仿真的 3D 角色
Learning to Control Physically-simulated 3D Characters via Generating and Mimicking 2D Motions
把视频中提取的 2D 运动当作物理仿真角色控制策略的监督信号，绕开 3D 运动重建的物理不合理性；其「多视角 2D 跟踪隐式学出 3D 结构」的思路，对做单目视频驱动角色动画、以及用 2D 标注替代 3D 标注的视觉研究者是可复用的技术路线。
学习辅助：基于多智能体强化学习的物理接地人-人控制
Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning
把「双人近距离施力交互」的运动模仿建模为多智能体 RL，并用单人运动跟踪控制器初始化伙伴策略、动态重定向参考动作——这套「先单人预训练再双人协同」的流程可直接迁移到视觉驱动的虚拟人/数字人交互合成与具身人形控制任务。
学会适应：通过认知感知探索实现自我改进的网页智能体
Learning to Adapt: Self-Improving Web Agent via Cognitive-Aware Exploration
对视觉研究者而言，可复用之处在于把 Selector/Predictor/Judger 三角色对抗式自探索与 SCALE-Hop 图探索结合，用于在无专家轨迹条件下自动挖掘 MLLM 智能体的能力边界；这套自改进回路可迁移到需要视觉观测的 GUI/具身导航智能体训练中。
学习以视角不变潜动作实现鲁棒行动
Learning to Act Robustly with View-Invariant Latent Actions
把跨轨迹的转移模式压缩成潜动作，并用真实动作序列做引导对齐，为视觉表征注入物理动力学约束；做具身策略或需要视角鲁棒表征时，可把这一潜动作对齐目标当作预训练任务复用。
基于来源信息的输入梯度引导从合成数据中学习
Learning from Synthetic Data via Provenance-Based Input Gradient Guidance
利用合成数据生成时记录的来源信息（provenance）作为辅助监督，对输入梯度进行分解与引导，抑制模型对非目标区域的依赖，从而学到更聚焦于目标的判别性表征；该思路可迁移到任何使用合成数据训练、且能获取像素级来源标注的视觉任务中。
从语义词典中学习：面向统一视觉表征与生成的判别式码本对比学习
Learning from Semantic Dictionaries: Discriminative Codebook Contrastive Learning for Unified Visual Representation and Generation
把生成式掩码词元重建与码本对比损失结合在同一个离散词元空间里训练，为视觉研究者提供了一条无需数据增强、教师模型和在线分词器即可同时获得强表征与高质量生成的统一预训练路径，可直接复用于统一理解-生成模型的骨干预训练。
从遗忘中学习：通过遗忘回溯预测知识溢出权重
Learning from Oblivion: Predicting Knowledge-Overflowed Weights via Retrodiction of Forgetting
提出一种通过元学习建模权重演化、逆转结构化遗忘过程来合成知识溢出权重的通用框架，可复用于视觉模型预训练权重的增强与下游任务微调初始化。
从噪声监督中学习：面向弱监督视频异常检测的去噪-纠偏框架
Learning from Noisy Supervision: A Denoising-Debiasing Framework for Weakly Supervised Video Anomaly Detection
把「高训练损失的样本即噪声」这一观察做成动态丢弃率，再用视觉语言模型对被丢弃片段做二次判别，可作为一种即插即用的去噪-纠偏模块迁移到任何基于 MIL 的视频时序定位任务（如弱监督动作定位、视频级标签的时序 grounding）。
自我学习：从视觉语言模型内部挖掘知识用于持续学习
Learning from Itself: Mining Internal Knowledge from Vision Language Models for Continual Learning
把 CLIP 的文本编码器当作可挖掘的内部监督源：通过优化可学习 token 生成伪描述来弥合预训练-下游分布差距，并用按瞬时性能加权的双向蒸馏在视觉分类器与文本编码器之间迁移知识，推理时零额外开销——这套「模型自教」流程可直接迁移到任何需要持续适配的视觉-语言下游任务。
从条目化文本监督中学习完整且可解释的视觉表征
Learning complete and explainable visual representations from itemized text supervision
针对单图多条目文本（如医学影像的多处独立发现）的监督，用交叉注意力生成条目条件化的视觉嵌入，并设计条目独立性与覆盖完整性目标，可复用于非物体中心领域的视觉-语言预训练与细粒度定位式解释。
类比学习：面向组合泛化的因果框架
Learning by Analogy: A Causal Framework for Compositional Generalization
该论文提出的层级因果数据生成过程与可识别性理论，为视觉生成模型（如扩散模型）实现组合泛化提供了可证明的潜变量结构设计原则，可指导构建能重组已知概念生成新场景的生成器。
学习并对齐点击感知形状先验用于交互式非模态实例分割
Learning and Aligning Click-Aware Shape Prior for Interactive Amodal Instance Segmentation
将用户点击作为交互信号，通过三元组损失学习点击感知的形状先验，并用可变形注意力对齐先验与目标实例，为遮挡下的非模态实例分割提供可复用的先验检索与对齐框架。
从视频中学习统一潜动作空间：以动作为中心的循环一致性
Learning a Unified Latent Action Space from Videos with Action-centric Cycle Consistency
提出以动作为中心的循环一致性训练潜动作分词器，使从视频中学到的潜动作具有语义一致性并可跨本体对齐，为利用无动作标签视频数据训练机器人策略提供了可复用的表征学习手段。
学习看哪里与如何判断：基于质量感知显著性的分辨率无关图像质量评价
Learning Where to Look and How to Judge: Resolution-agnostic Image Quality Assessment with Quality-aware Saliency
用 CLIP 多尺度定长 patch 采样保留原分辨率质量线索，并用轻量显著性估计器挑选少量信息 patch 再聚合打分，这套「先学看哪里、再判断质量」的预算自适应流程可直接迁移到超分/去噪等复原任务的质量评估与训练奖励。
学习信任什么：面向视觉生成的贝叶斯先验引导优化
Learning What to Trust: Bayesian Prior-Guided Optimization for Visual Generation
把奖励模型的不确定性显式建模为语义先验锚点，并在组间与组内两个层级调制优化信任度，可直接迁移到任何用 GRPO/RLHF 后训练的扩散或视频生成模型上，缓解文本-视觉多对多对应带来的奖励噪声过拟合。
学习重要内容：基于相对误差驱动样本选择的优先概念学习
Learning What Matters: Prioritized Concept Learning via Relative Error-driven Sample Selection
为视觉语言模型指令微调提供一种无需额外标注与辅助模型的数据选择机制：按技能维度追踪学习进度，优先采样「尚未掌握且难度适中」的样本，可直接用于构建更省数据、省算力的 VLM 微调流程。
学习什么有帮助：面向视觉任务的任务对齐上下文选择
Learning What Helps: Task-Aligned Context Selection for Vision Tasks
TACS 将检索选择器与任务模型联合训练，用任务奖励而非相似度来挑选上下文示例，为视觉任务中的检索增强提供了一种可复用的训练范式，尤其适用于数据有限或细粒度识别场景。
通过合成视频学习可迁移的时序基元用于视频推理
Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos
该工作表明，用程序化生成的合成视频（简单几何形状）训练 VLM 的时序基元（方向、速度、状态跟踪），能有效迁移到真实视频理解任务，为视频后训练提供了一条低成本、可扩展的数据构造路径。
学习具有 3D 空间先验的手术机器人操作
Learning Surgical Robotic Manipulation with 3D Spatial Priors
把立体内窥镜图像中隐含的 3D 几何线索通过微调的几何 Transformer 提取为 3D 潜变量表征，再用轻量连接器对齐到动作空间，为视觉研究者提供了一条「免显式重建、端到端注入 3D 先验」的范式，可直接迁移到其他需要空间感知的视觉运动策略。
学习直线流：面向高效生成的变分流匹配
Learning Straight Flows: Variational Flow Matching for Efficient Generation
把变分潜变量作为「生成全局概览」注入流匹配，显式约束轨迹笔直，为视觉生成模型提供可复用的一步采样训练范式，可直接替换扩散/流匹配的采样器设计。
学习时空一致性用于三维语义场景补全
Learning Spatial-Temporal Consistency for 3D Semantic Scene Completion
把历史帧提升到 3D 场景级占用框架、在时序缓冲中按 2D 可见性与相似性聚合特征，这一思路可直接迁移到任何需要跨帧补全遮挡区域的体素/占用预测任务（如 3D 检测、占据预测）。
通过位姿图优化从无位姿图像中学习场景坐标重建
Learning Scene Coordinate Reconstruction from Unposed Images via Pose Graph Optimization
把位姿图优化作为后处理模块接到无监督 SfM 网络（ACE-Zero）的输出上，并用对极几何与光流一致性估计每条相对位姿约束的置信度，做加权优化——这套「学习预测 + 全局几何优化」的混合范式可直接迁移到任何需要从无序图像恢复相机位姿的视觉流程中。
从成对用户偏好中学习个性化摄影风格
Learning Personalized Photographic Style from Pairwise User Preferences
提供了以成对比较标注刻画用户隐式审美偏好的数据与评测协议，可复用于个性化图像增强、风格迁移与生成模型的用户对齐；其比较式评估框架也适用于其他主观视觉任务（如审美评分、个性化生成）的评测设计。
学习互视图信息图用于自适应对抗协同感知
Learning Mutual View Information Graph for Adaptive Adversarial Collaborative Perception
把多车协同感知中的特征融合过程建模为互视图信息图，并用时序图学习生成伪造风险图来搜索攻击位置与时机，这一「图表示+熵感知搜索」的框架可直接迁移到对 BEV 融合、V2X 协同检测等视觉系统的红队测试与防御加固。
从跨视图关系学习多视图空间推理
Learning Multi-View Spatial Reasoning from Cross-View Relations
XVR 提供了跨视图对应、关系验证与目标定位三类 VQA 监督信号，可直接用于微调 VLM 以增强多视图空间表征；其数据构造方式（从 3D 场景与机器人轨迹自动生成问答）也可复用于构建其他具身空间推理训练集。
学习长时运动嵌入以实现高效运动学生成
Learning Long-term Motion Embeddings for Efficient Kinematics Generation
把长时运动轨迹压缩成 64x 时序压缩的隐空间，再用条件流匹配在该空间生成运动，为视觉研究者提供了一条绕开逐帧视频合成、直接生成场景动态的轻量路径，可迁移到轨迹预测与可控运动生成。
像人类一样学习：面向广义类别发现的类比概念学习
Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery
把无标注样本的发现过程转成视觉-文本推理：用已标注知识类比生成文本概念，再与视觉特征融合，可直接插到参数化或聚类式 GCD 流程中，为开放世界细粒度识别提供可复用的文本先验注入手段。
学习潜透射与眩光图用于镜头眩光去除
Learning Latent Transmission and Glare Maps for Lens Veiling Glare Removal
把 veiling glare 建模为空间变化、与深度无关的散射过程，用无监督方式从目标图像反推潜透射图与眩光图，再以可逆约束引导复原网络；这套「先估计物理潜图、再做逆散射复原」的范式可直接迁移到低光、雾霾、镜头污渍等复合退化复原任务，其合成配对数据流程也可用于缺乏真实配对数据的复原问题。
学习潜变量代理实现可控单图重光照
Learning Latent Proxies for Controllable Single-Image Relighting
用少量 PBR 监督训练一个少样本潜变量代理编码器，把稀疏材质-几何线索注入扩散去噪器，并用光照感知掩码只引导对光照敏感的像素；这套「稀疏物理先验 + 掩码引导」的思路可直接迁移到阴影编辑、材质编辑等需要物理可控性的图像生成任务。
学习潜在概念用于分布外目标检测
Learning Latent Concepts for Detecting Out-of-Distribution Objects
提出基于槽位表征的无监督概念发现与神经概念绑定器，将未知概念注入检测器，为开放世界目标检测中的OOD识别提供可复用的框架。
学习层级双曲混合模型用于部件感知三维生成
Learning Hierarchical Hyperbolic Mixture Model for Part-aware 3D Generation
把部件层级语义嵌入双曲流形并用测地线扩散生成，配合黎曼高阶求解器加速扩散 ODE，可为需要层级结构先验的 3D 生成/重建提供可复用的表征与采样方案。
从掩码引导自监督中学习可泛化的 3D 医学图像表征
Learning Generalizable 3D Medical Image Representations from Mask-Guided Self-Supervision
把自动生成的类无关掩码当作上下文分割的预训练 pretext task，为 3D 医学体数据提供一种无需标注、可迁移到少样本分割与冻结编码器分类的预训练范式；其「掩码提议即结构监督」的思路也可迁移到自然图像或视频的 3D/时序表征预训练。
无需伪造先验的伪造感知唇部表征学习
Learning Forgery-Aware Lip Representations Without Forgery Priors
提出仅用真实数据训练的伪造检测范式：用非对称对比目标把真实样本压紧、把潜在伪造推远，并用各向同性高斯正则约束真实表征空间，可直接迁移到其他「无伪造先验」的深度伪造检测与开放集异常识别任务。
为单目视频动态高斯泼溅学习显式连续运动表示
Learning Explicit Continuous Motion Representation for Dynamic Gaussian Splatting from Monocular Videos
用 SE(3) B 样条运动基显式参数化动态高斯的位置与朝向形变，并自适应调整基与控制点数量，可直接迁移到任何需要连续运动建模的动态辐射场/高斯泼溅管线；多视图扩散模型作为正则化先验缓解对训练视角过拟合的思路也可复用于少视角动态重建。
学习无结构数据流形的特征结构
Learning Eigenstructures of Unstructured Data Manifolds
对做点云/流形几何处理的人，它提供了一条绕开网格化与显式拉普拉斯算子构造、直接从无结构数据学谱基（近似特征函数）的路子，可复用于形状对应、谱聚类、图信号处理等下游环节。
无需文本学习有效手语特征的无注释手语翻译
Learning Effective Sign Features without Text for Gloss-free Sign Language Translation
SignDINO 将 DINO 的自蒸馏框架与局部掩码视图结合，仅用全局帧推理即可获得对细微运动敏感的表征，这一「全局-局部掩码对齐」策略可迁移到其他需要细粒度运动建模的视觉任务（如动作识别、微表情分析）的预训练中。
学习3D高斯泼溅中的可微层次结构
Learning Differentiable Hierarchies in 3D Gaussian Splatting
提出可微的层次化高斯表示与调制渲染，使3DGS支持任意数量的LoD渲染和模型剪枝，可直接用于需要动态精度调整的实时渲染与压缩场景。
基于半群正则化与时间嵌入架构学习微分同胚的医学图像配准
Learning Diffeomorphism for Medical Image Registration with Time-Embedded Architectures Using Semigroup Regularization
把配准形变场建模为 ODE 流，用时间嵌入骨干网络加单一半群正则化替代 scaling-and-squaring 积分与多重辅助约束，可直接迁移到需要可逆形变场的医学配准、可逆光流与图像编辑中的形变建模。
通过循环一致掩码预测学习跨视角物体对应
Learning Cross-View Object Correspondence via Cycle-Consistent Mask Prediction
提出基于条件二值分割的跨视角物体对应框架，利用循环一致性作为自监督信号，并支持测试时训练，可复用于视频中的物体跟踪与跨视角定位任务。
学习基于坐标的卷积核用于连续 SE(3) 等变且高效的点云分析
Learning Coordinate-based Convolutional Kernels for Continuous SE(3) Equivariant and Efficient Point Cloud Analysis
用坐标网络在双陪集空间上显式参数化卷积核，可在保持严格 SE(3) 等变的同时把显存开销压到可做大规模点云语义分割的程度，是替代组卷积做等变特征提取的可复用核架构。
通过特征场学习凸分解
Learning Convex Decomposition via Feature Fields
把凸分解从逐形状优化变成可前馈预测的特征场学习问题：学一个连续特征场，再用自监督几何目标聚类成凸体，可直接用于碰撞检测、物理仿真以及跨网格/CAD/高斯泼溅表示的泛化。
从前馈新视角合成中学习紧凑三维表示
Learning Compact 3D Representations from Feed-Forward Novel View Synthesis
用可学习 token 的自注意力模式同时决定高斯生成位置与特征提升，把「紧凑高斯」当作前馈重建与场景理解的共享表示，可直接借鉴到无位姿稀疏视图下的重建-理解一体化管线，降低显存并改善多视图特征聚合。
面向快速多视图聚类的双正交空间锚框学习
Learning Anchor in Dual Orthogonal Space for Fast Multi-view Clustering
把「锚框」从单一正交空间扩展到双正交空间（原始特征空间 + 以共识锚定簇中心为基的空间），并用锚框的聚类指示矩阵直接给出划分，这一思路可迁移到大规模视觉检索/聚类中的低秩锚点近似与子空间互补建模。
从真实世界失真中学习三维形状保真度指标
Learning 3D Shape Fidelity Metric from Real-world Distortions
提出基于局部连接注意力和LoRA式预训练的点云骨干网络，用于评估三维网格的感知保真度，可作为三维生成/重建任务的评价指标，替代Chamfer Distance等几何匹配指标。
从无位姿多视图图像中学习面向空间智能的三维表征
Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images
在无相机位姿的多视图输入下，用双掩码迫使编码器从残缺视觉线索推断结构，并用位姿条件重投影把预测的3D点图与语义图对齐到图像平面，可作为无位姿前馈3D表征预训练的可复用范式，直接服务场景理解与具身感知的下游任务。
在测试时利用先验学习三维重建
Learning 3D Reconstruction with Priors in Test Time
把相机位姿、内参、深度等先验转成推理时的惩罚项，配合多视图光度/几何一致性自监督目标，在冻结的 image-only 多视图 Transformer 上做测试时约束优化，可直接复用于点图估计、位姿估计等 3D 任务的后处理式性能提升。
基于稀疏注意力与自适应频率的学习图像压缩
Learned Image Compression via Sparse Attention and Adaptive Frequency
跨稀疏窗口注意力用少量窗口条件化的全局 token 建模长程依赖，在计算量低于标准窗口自注意力的同时提升效果，可直接迁移到其他需要高效全局建模的视觉骨干；内容自适应频率变换与仅训练期去噪正则化也为潜变量结构化和零推理开销的质量提升提供了可复用思路。
面向高效视频无监督域自适应的可学习运动聚焦 Token 化
Learnable Motion-Focused Tokenization for Effective and Efficient Video Unsupervised Domain Adaptation
把视频帧切成 patch token 后学习丢弃低运动、冗余的背景 token，只保留运动丰富的动作相关 token 再做域自适应——这个可学习 token 选择模块可以直接插到任何视频 Transformer 的域自适应或高效推理流程里，用来同时压掉背景域偏移和计算量。
可学习性引导的扩散用于数据集蒸馏
Learnability-Guided Diffusion for Dataset Distillation
提出可学习性引导的扩散生成框架，通过课程式增量合成数据减少冗余，可复用于任何需要高效训练数据合成的视觉任务，如图像分类、目标检测的数据压缩。
可学习性驱动的子模优化用于主动路侧3D检测
Learnability-Driven Submodular Optimization for Active Roadside 3D Detection
针对路侧单目3D检测提出可学习性驱动的主动学习框架，通过子模优化选择信息量大且可靠可标注的场景，避免固有歧义样本，为数据标注受限下的3D感知提供可复用策略。
LeapAlign：通过构建两步轨迹在任意生成步对流匹配模型进行后训练
LeapAlign: Post-training Flow Matching Models at Any Generation Step by Building Two-Step Trajectories
LeapAlign 通过将长 ODE 采样轨迹压缩为两步跳跃，使奖励梯度能直接回传到早期生成步，从而以低显存代价对齐流匹配模型；该技术可复用于任何需要端到端优化生成过程（如扩散/流模型）的视觉任务，例如文本到图像生成中的偏好微调。
LazyVAR：通过尺度级词元剪枝与并行分组解码加速视觉自回归模型
LazyVAR: Accelerating Visual Autoregressive Models via Scale-wise Token Pruning and Parallel Group Decoding
对做视觉自回归生成的研究者，这篇给出了一个免训练、即插即用的加速范式：用相邻尺度聚合潜变量特征的相似度作为尺度更新指数来指导剪枝，并在大尺度上并行解码跨尺度词元，可直接套用到 VAR/Infinity 类模型的推理管线中。
LayoutAD：面向场景布局异常检测的语义-几何错位推理探索
LayoutAD: Exploring Semantic-Geometric Misalignment Reasoning for Scene Layout Anomaly Detection
把「布局异常」形式化为对象级语义图与几何图的错位推理，可复用于检测文生图模型的幻觉与关系错误，也可作为视频异常检测与自校正生成的即插即用判别器。
分层 4D 旋转高斯泼溅：面向长动态场景的压缩表示
Layered 4D-Rotor Gaussian Splatting: A Compressed Representation for Long Dynamic Scenes
针对长动态场景的高斯泼溅重建，提出分层 4D 表示与量化压缩流程，使存储降低 22.3 倍并支持 500+ FPS 实时渲染，可直接用于需要长时序、低显存的三维动态重建任务。
面向文本到图像扩散 Transformer 中区域与遮挡控制的逐层实例绑定
Layer-wise Instance Binding for Regional and Occlusion Control in Text-to-Image Diffusion Transformers
利用多模态联合注意力中的上下文共享机制，在去噪早期为每个实例建立独立分支并按层序融合成统一潜变量，从而在免训练条件下实现区域布局与遮挡顺序控制；这一「早期潜变量结构重排」思路可直接迁移到 DiT 类生成器的空间可控生成与分层编辑。
层间一致性至关重要：用于可泛化合成图像检测的优雅潜变量转移差异
Layer Consistency Matters: Elegant Latent Transition Discrepancy for Generalizable Synthetic Image Detection
把预训练网络各层潜变量之间的特征转移一致性当作判别信号，可用于任何需要区分真实与生成数据的场景；这种跨层一致性度量也可迁移到深伪视频检测、图像取证与OOD检测中，替代依赖特定生成器伪影的低层统计线索。
隐式视觉推理
Latent Implicit Visual Reasoning
提出一种任务无关的隐式视觉推理 token 机制：让 LMM 在无显式中间监督下自行发现并重编码图像，可迁移到任何需要视觉中间步骤的多模态推理任务，替代依赖深度图、裁剪图等人工先验的做法。
潜扩散模型反演需理解潜空间
Latent Diffusion Inversion Requires Understanding the Latent Space
对视觉研究者而言，本文揭示了潜扩散模型中自编码器几何（解码器拉回度量）对记忆/过拟合的非均匀影响，并提供了一种按维度贡献排序的通用分析工具，可用于诊断生成模型的隐私泄露风险或指导潜空间正则化设计。
面向端到端自动驾驶的潜变量思维链世界建模
Latent Chain-of-Thought World Modeling for End-to-End Autonomous Driving
把思维链从自然语言搬到与动作同词表的潜空间，并用学习到的潜世界模型 token 表达未来结果，为视觉端到端驾驶提供了一种推理更快、可直接接闭环 RL 后训练的推理时推理范式；其『动作对齐潜空间 + 世界模型 token 交错』的结构可迁移到其他视觉-动作序列决策任务。
基于异常解耦的大规模鲁棒增强集成聚类
Large-scale Robust Enhanced Ensemble Clustering via Outlier Decoupling
论文提出的异常解耦机制（将锚相似矩阵分解为干净成分与残差异常成分，并施加全局互相关惩罚与行级 l2,1 范数）可迁移到视觉任务中，用于处理特征表示中的异常值污染，例如在图像聚类、检索或自监督预训练中提升锚图或相似度矩阵的鲁棒性。
大规模编解码化身：大规模化身预训练的惊人有效性
Large-scale Codec Avatars: The Unreasonable Effectiveness of Large-scale Avatar Pretraining
提出首个面向3D虚拟化身的大规模预训练/后训练范式，利用100万野外视频学习外观与几何先验，再以高质量数据微调，实现前馈式全身化身生成，对视觉研究者而言是可复用的『大规模预训练+高质量微调』策略在3D生成与重建中的范例，并展示了零样本鲁棒性与可重光照等涌现能力。
面向大型视觉语言模型的语言引导频率调制
Language-guided Frequency Modulation for Large Vision-Language Models
在视觉 token 送入 LLM 之前，用语言引导在频域上对视觉特征做高通/低通分解与选择性增强，为视觉侧提供了一种无需额外训练参数、可插拔的细粒度表征调控手段，可直接迁移到任意 LVLM 的视觉编码器-投影器链路上。
语言驱动的细粒度检索
Language-driven Fine-grained Retrieval
用 LLM 把类别名扩写成属性描述、再用冻结 VLM 对齐并聚类成数据集级属性词表，从而把 one-hot 标签换成语言原型监督——这套「语言原型监督」流程可直接迁移到细粒度分类、开放词表检索、组合零样本等需要跨类别细节可比性的视觉任务。
语言引导的单步扩散模型用于夜间眩光去除
Language-Guided One-Step Diffusion Model for Nighttime Flare Removal
把视觉语言模型提取的细粒度文本语义作为条件注入单步扩散，并用语义感知分布蒸馏稳定一步采样，可迁移到其他强退化复原任务（如夜间去雨、去雾、镜头污渍去除）中，用语义先验约束被遮挡区域的生成。
面向机器人操作的语言锚定解耦动作表征
Language-Grounded Decoupled Action Representation for Robotic Manipulation
把高层视觉-语言表征与低层动作控制解耦，用语言作为语义桥梁，并以翻译/旋转/夹爪三类动作基元作为细粒度中间层；对做 VLA 或视觉-语言条件策略的研究者，这套「语义引导软标签对比学习 + 课程式自适应权重」可直接迁移到自己的动作头对齐与跨任务泛化上。
从单个视觉示例出发的无语言生成式编辑
Language-Free Generative Editing from One Visual Example
提出从成对视觉示例中直接提取条件信号、无需文本与训练即可驱动扩散模型编辑的范式，其 condition-steering 机制与 inversion-correction 步骤可迁移到任何基于 DDIM 反演的编辑流程中，用于缓解反演重建误差并实现语言难以描述的变换（如雨、模糊）。
语言模型可通过引导解释视觉特征
Language Models Can Explain Visual Features via Steering
对做视觉可解释性的人，这篇给出了一个不依赖输入样本的因果式特征解释范式：在视觉编码器里直接引导单个 SAE 特征、再让语言模型描述其语义，可作为探测视觉表征概念的新工具；Steering-informed Top-k 混合策略还能零额外算力提升解释质量。
语言在跨域少样本视觉特征增强中至关重要
Language Does Matter for Cross-Domain Few-Shot Visual Feature Enhancement
该论文提出用图像描述模型和LLM分别提取图像级与域级语言属性，并通过轻量残差交叉注意力将语言描述嵌入视觉特征，以增强跨域少样本场景下的视觉特征泛化能力。这一思路可复用于任何需要提升预训练视觉特征跨域迁移性的视觉任务，如分类、分割和检测。
LangRef3DGS：基于 3D 高斯泼溅、由自然语言引导的部分观测三维指代分割
LangRef3DGS: Natural Language-Guided 3D Referential Segmentation from Partial Observations via 3D Gaussian Splatting
把 3DGS 当作可微的语义嵌入场来承载开放词表文本查询，并用梯度低秩机制压缩特征冗余以提升类别可分性——这套「嵌入场 + 低秩」组合可直接迁移到任何需要从稀疏 RGB-D 观测做语言查询 3D 分割或新类发现的场景。
LangField4D：为动态场景学习身份自适应且时空连续的 4D 语言场
LangField4D: Learning Identity-Adaptive and Spatio-Temporal Continuous 4D Language Fields for Dynamic Scenes
把 4D 高斯与连续三平面语义场结合，用可学习身份自适应特征解决运动场跨物体边界导致的语义振荡，可直接复用于动态场景的开放词表分割与跟踪。
面向几何视角扩散模型的景观感知
Landscape-Awareness for Geometric View Diffusion Model
把 Zero123 类新视角扩散模型反用于相机位姿估计时，可用基于 score 的景观重塑（landscape reshaping）替代朴素 multi-start 采样，缓解对称/自相似导致的局部极小，从而提升收敛速度与样本效率；这一优化思路可直接迁移到任何以扩散先验做位姿/参数反演的视觉任务。
LagerNVS：面向全神经实时新视角合成的潜空间几何
LagerNVS: Latent Geometry for Fully Neural Real-time Novel View Synthesis
用显式三维重建预训练的编码器为前馈式新视角合成注入三维归纳偏置，配合轻量解码器即可实时渲染并达到 31.4 PSNR；该思路可直接迁移到任何需要三维先验的潜变量生成或重建管线，并可替换为扩散解码器做生成式外推。
Lafite：面向三维原生纹理生成的生成式潜变量场
Lafite: A Generative Latent Field for 3D Native Texturing
把表面外观编码成稀疏结构化潜变量颜色场、与网格拓扑和 UV 参数化解耦，这一表示可直接复用于三维资产纹理生成、编辑与材质合成；其条件整流流采样范式也可迁移到其他三维场生成任务。
LacTokGen：用 256 个词元生成 1024 像素图像的潜一致性分词器
LacTokGen: Latent Consistency Tokenizer for 1024-pixel Image Generation by 256 Tokens
LacTok 将离散视觉词元与预训练潜扩散模型的紧凑潜空间桥接，用 256 个词元表示 1024×1024 图像，为高分辨率自回归图像生成提供了一种高效的分词方案；其潜一致性解码器将多步采样压缩至 1-2 步，可直接用于像素级监督，这一思路可迁移到其他需要高效解码的生成任务中。
无标签跨任务 LoRA 合并与零空间压缩
Label-Free Cross-Task LoRA Merging with Null-Space Compression
提出一种无需标签、基于适配器几何的 LoRA 合并方法，可直接用于视觉任务中多个微调模型的高效融合，避免联合训练开销。
标注关键样本：模态平衡与难度感知的多模态主动学习
Label What Matters: Modality-Balanced and Difficulty-Aware Multimodal Active Learning
将样本选择建模为马尔可夫决策过程，用强化学习策略动态调整模态权重与样本难度，可直接迁移到多模态视觉任务（如图像-文本、视频-音频）的主动学习标注流程中。
LaVR：基于大型4D重建模型场景潜变量条件的生成式视频轨迹重渲染
LaVR: Scene Latent Conditioned Generative Video Trajectory Re-Rendering using Large 4D Reconstruction Models
用大型4D重建模型的潜空间作为隐式几何条件来驱动视频扩散生成，绕开显式深度估计与重建，为需要几何一致性的视频生成/新视角合成提供了一条可复用的条件注入路径。
LaSM：用于防御 GUI 智能体弹窗攻击的逐层缩放机制
LaSM: Layer-wise Scaling Mechanism for Defending Pop-up Attack on GUI Agents
对做多模态大模型智能体或视觉语言模型安全的研究者，这篇论文给出一个免训练、推理时即可用的防御手段：通过逐层放大关键层的注意力与 MLP 模块，把模型显著性重新拉回任务相关区域；其「逐层注意力分歧」分析也可直接迁移到其他视觉注入攻击（如对抗 patch、干扰物注入）的脆弱性诊断上。
LaS-Comp：基于隐空间-空间一致性的零样本三维补全
LaS-Comp: Zero-shot 3D Completion with Latent-Spatial Consistency
把 3D 基础模型的生成先验当作免训练的补全器，用「显式替换 + 隐式精修」两阶段保证观测区域保真与边界无缝，可直接迁移到点云/隐式场补全、稀疏观测重建等任务。
LaRP：基于潜在重投影先验的高效多视角图像修复
LaRP: Efficient Multi-View Inpainting with Latent Reprojection Priors
利用3D基础模型提供的显式跨视角对应关系作为扩散修复模型的条件，实现高效且3D一致的多视角图像修复，可复用于需要多视角一致性的生成任务。
LaMoGen：通过 LLM 引导的符号推理实现语言到动作生成
LaMoGen: Language to Motion Generation Through LLM-Guided Symbolic Inference
把人体动作离散化为可解释的拉班符号序列，再用 LLM 做符号推理与重组生成动作，为视觉侧的人体动作生成/理解提供了一条可解释、可控制的中间表示思路，可迁移到动作编辑与细粒度时序对齐任务。
LaDy：基于拉格朗日动力学先验的网络，通过时空调制实现骨架动作分割
LaDy: Lagrangian-Dynamic Informed Network for Skeleton-based Action Segmentation via Spatial-Temporal Modulation
把拉格朗日动力学中的广义力作为显式物理先验注入骨架序列建模，并用能量一致性损失约束学习，这一思路可迁移到其他需要区分「运动学相似但动力学意图不同」的时序密集预测任务（如细粒度动作识别、步态相位分割）。
LVLM 辅助的任务特定视觉模型对齐
LVLM-Aided Alignment of Task-Specific Vision Models
用 LVLM 作为「模型行为→自然语言→图像级批评」的双向翻译器，把领域专家给出的类级规范转成对单张图的批评信号来微调小模型，为视觉模型对齐人类知识、去除虚假相关提供了一套无需细粒度标注的可复用流程。
LUMINA：带能量协调协议的多厂商乳腺X线摄影基准
LUMINA: A Multi-Vendor Mammography Benchmark with Energy Harmonization Protocol
针对多厂商、多能量采集造成的域偏移，提出仅在前景像素空间做对齐的"能量协调"方法，把图像映射到低能量参考域且保持病灶形态；这是一种模型无关的预处理/域对齐手段，可直接迁移到其他多中心医学影像基准的跨域评测与部署流程中。
LS-ViT：面向视觉 Transformer 低比特训练后量化的最小二乘 Hessian 块重建
LS-ViT: Least-Squares Hessian Based Block Reconstruction for Low-Bit Post-Training Quantization of Vision Transformers
对需要在边缘设备部署 ViT 的视觉研究者，这篇给出了一个即插即用的 4-bit 以下 PTQ 块重建方案：用最小二乘显式最小化跨样本的 Hessian 近似误差（补上被忽略的协方差项），可直接替换 APHQ-ViT/FIMA-Q 中的 Hessian 估计环节，且量化耗时更低。
LRHDR：学习表示增强的HDR视频重建
LRHDR: Learning Representation-enhanced HDR Video Reconstruction
提出无需显式对齐的跨曝光一致表示学习与像素级稀疏加权融合，可复用于多帧融合、曝光不一致下的视频增强等底层视觉任务。
LRDUN：面向高效光谱压缩成像的低秩深度展开网络
LRDUN: A Low-Rank Deep Unfolding Network for Efficient Spectral Compressive Imaging
把低秩分解显式嵌入感知模型，使展开网络的每一阶段只在低维光谱基/子空间图像上做近端梯度更新，从而缓解 2D 残差映射回 3D 高光谱的病态性并降低计算量；这套「低秩感知模型 + 展开优化」思路可直接迁移到其他高维逆问题（视频快照压缩成像、多光谱去马赛克）。
LOREAL：以属性驱动提示自蒸馏缓解视觉语言模型的低分辨率挑战
LOREAL: Mitigating Low-Resolution Challenges in Vision-Language Models with Attribute-driven Prompt Self-Distillation
针对边缘设备低分辨率输入（<224×224、token 数减少）下 CLIP 类 VLM 的性能退化，提出双学生提示自蒸馏框架，用 LLM 查询的分辨率不变属性语义与跨模态元网络在低层/高层做跨分辨率蒸馏，可直接迁移到任何需要分辨率鲁棒性的提示学习或参数高效微调流程中。
LNEM：月球神经高程模型
LNEM: Lunar Neural Elevation Model
把推扫式（pushbroom）成像过程显式嵌入体渲染，并联合学习阴影模型，为卫星/行星遥感影像提供几何一致的三维重建方案；做 NeRF 类重建时若输入是线阵推扫影像，可直接借鉴其相机建模与光照感知渲染思路。
LLaVAShield：为视觉语言模型中的多模态多轮对话提供安全保障
LLaVAShield: Safeguarding Multimodal Multi-Turn Dialogues in Vision-Language Models
为视觉语言模型提供多模态多轮对话的安全审核器与 MMDS 基准，可直接用于评测和加固 VLM 在交互式多轮场景下的输入与回复安全性，并提供 MMRT 自动化红队生成框架来构造对抗性多模态对话。
LLaMo：以连续自回归 token 扩展预训练语言模型实现统一的动作理解与生成
LLaMo: Scaling Pretrained Language Models for Unified Motion Understanding and Generation with Continuous Autoregressive Tokens
把人体动作编码进因果连续潜空间、用轻量 flow-matching 头在 decoder-only 骨干上保留下一 token 预测，从而绕开离散量化的抖动并实现 30FPS 流式生成——这套「连续 token + MoT 隔离模态」的做法可直接迁移到视频/动作序列的视觉-语言统一建模。
LLaDA-V：带视觉指令微调的大语言扩散模型
LLaDA-V: Large Language Diffusion Models with Visual Instruction Tuning
把自回归解码换成掩码扩散式解码，并利用双向注意力建模视觉特征的空间关系，为视觉-语言模型提供了一条非自回归的架构路线，可直接复用其视觉编码器+MLP连接器+扩散语言模型的组合范式。
LLaDA-MedV：探索用于生物医学图像理解的大语言扩散模型
LLaDA-MedV: Exploring Large Language Diffusion Models for Biomedical Image Understanding
将掩码扩散语言模型（LLaDA）通过视觉指令微调迁移到生物医学图像理解，为视觉-语言建模提供了一条非自回归的替代路径；其关于初始化权重选择、微调策略以及采样步数与响应重复之间权衡的分析，对任何尝试用扩散式语言模型做多模态生成的视觉研究者都有直接参考价值。
LLMind：受生物启发的免训练自适应视觉表征用于视觉语言模型
LLMind: Bio-inspired Training-free Adaptive Visual Representations for Vision-Language Models
在紧像素预算下，用莫比乌斯参数化的非均匀采样替代 VLM 的均匀视觉编码，并通过测试时自适应的闭环语义反馈把采样密度对齐到文本查询的显著区域；这套即插即用的前端可直接复用于任何冻结 VLM 的高分辨率或长视频输入压缩。
LLM 引导的概率融合用于标签高效的文档版面分析
LLM-Guided Probabilistic Fusion for Label-Efficient Document Layout Analysis
把 OCR-LLM 推断出的层级版面结构当作结构化先验，与教师检测器的视觉预测做逆方差概率融合来生成伪标签，并用实例自适应门控替代固定权重；做半监督检测或需要引入外部语言模型先验来提升伪标签质量时可直接复用这套融合与门控机制。
LIFT 与 PLACE：一个简单、稳定且有效的轻量扩散模型知识蒸馏框架
LIFT and PLACE: A Simple, Stable, and Effective Knowledge Distillation Framework for Lightweight Diffusion Models
把教师扩散模型复杂的去噪轨迹拆成「粗对齐 + 精修」两阶段，并用按误差分组的分段局部自适应系数做空间非均匀引导，可直接用于把大 U-Net/DiT 扩散模型蒸馏到极小参数量学生模型（1.3M 参数仍收敛到 FID 15.73），是少步/轻量扩散部署的可复用训练配方。
LIBERO-Plus：面向视觉-语言-动作模型的渐进式鲁棒性基准
LIBERO-Plus: A Progressive Robustness Benchmark for Visual-Language-Action Models
对做 VLA 或机器人操作策略的视觉研究者，这篇提供了七维度可控扰动的自动化评测协议，可直接用来暴露策略在视角、光照、纹理、传感器噪声变化下的脆弱性，并作为训练时数据增广与鲁棒性改进的对照基准。
LF-BVN：用于自监督光场去噪的盲视角网络
LF-BVN: Blind-View Network for Self-Supervised Light Field Denoising
将盲点去噪原理从单图扩展到光场多视图，利用视角间噪声不相干性构造自监督信号，并引入几何不变性掩码与潜变量体一致性约束，为无干净数据的光场去噪提供了可复用框架。
LESA：面向扩散模型加速的可学习阶段感知预测器
LESA: Learnable Stage-Aware Predictors for Diffusion Model Acceleration
把扩散采样中的特征缓存从「简单复用/免训练外推」升级为「按噪声阶段分专家、用 KAN 学习时序特征映射」的可训练预测器，可直接套用到 DiT 类图像/视频生成模型的推理加速上，在 FLUX、Qwen-Image、HunyuanVideo 上验证了 5–6 倍加速且质量几乎不掉。
LEMON：面向手术场景感知的大规模内窥镜单目数据集与基础模型
LEMON: A Large Endoscopic MONocular Dataset and Foundation Model for Perception in Surgical Settings
LEMON 提供了迄今最大规模的手术视频数据集（938 小时、8500 万帧），并配套一个通过自监督增强知识蒸馏预训练的基础模型 LemonFM；对视觉研究者而言，这是一个可直接用于手术场景下游任务（阶段识别、动作识别、器械检测、语义分割）的大规模预训练资源，其数据聚合流程与自监督蒸馏策略也可迁移到其他标注稀缺的领域。
LEADER：学习可靠局部到全局对应关系的激光雷达重定位
LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization
提出一种基于投影的几何编码器来提取多尺度几何特征，并设计截断相对可靠性损失来建模点级模糊性，可直接用于提升基于点云的回归式重定位在噪声和离群点下的鲁棒性。
LEAD：最小化端到端驾驶中的学习者-专家不对称性
LEAD: Minimizing Learner-Expert Asymmetry in End-to-End Driving
论文把「特权专家与传感器学生之间的不对称」拆成可见性、不确定性与导航意图三个可度量的维度，并给出可操作的干预手段；做端到端驾驶或特权信息蒸馏的研究者可以直接复用这套不对称分析与 TFv6 学生策略设计，也可借鉴其把感知监督接入 sim-to-real 共享管线的做法。
LDP-Slicing：通过随机位平面切片实现图像的局部差分隐私
LDP-Slicing: Local Differential Privacy for Images via Randomized Bit-Plane Slicing
把像素值拆成二值位平面后再施加 LDP 机制，为视觉任务提供了一种免训练、可直接插在数据采集端的隐私保护预处理；做隐私敏感场景（如人脸识别数据外包、联邦式图像采集）时，可复用该位级扰动+预算分配思路替代直接在像素上加噪。
LATTICE：让大规模高保真 3D 生成走向普及
LATTICE: Democratize High-Fidelity 3D Generation at Scale
VoxSet 把 3D 资产压缩成锚定在粗体素网格上的潜变量集合，使位置嵌入能直接引导生成并支持 token 级测试时扩展；这套半结构化表示可直接迁移到任何需要从稀疏结构生成细节几何的 3D 生成管线。
LATA：面向医学视觉语言模型保形不确定性的拉普拉斯辅助传导式自适应
LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs
把保形预测的预测集效率与类别条件覆盖率差距作为可靠性指标，用图像 kNN 图上的 CCCP 均值场传导式平滑在无标签、无训练条件下收紧零样本 VLM 的预测集，可直接迁移到任何需要带覆盖保证的不确定性输出的视觉识别流程。
LASER：面向免训练流式四维重建的逐层尺度对齐
LASER: Layer-wise Scale Alignment for Training-Free Streaming 4D Reconstruction
将离线前馈重建模型（如 VGGT、π³）转化为流式系统时，提出逐层尺度对齐替代全局 Sim(3) 对齐，解决单目尺度模糊导致的层间深度尺度不一致问题，可复用于任何需要跨时间窗口对齐深度预测的流式 3D 重建任务。
LASAR：面向时空推理的潜在认知地图
LASAR: Towards Spatio-temporal Reasoning with Latent Cognitive Map
ST-CRL 用仿真中带时空标注的查询构造对比样本对，把碎片化经验压成内部认知地图，这一自监督信号可直接迁移到任何需要长程空间记忆的视觉导航或具身问答模型训练中。
LAOF：基于光流约束的鲁棒潜动作学习
LAOF: Robust Latent Action Learning with Optical Flow Constraints
把光流当作无需人工标注的动作驱动伪监督信号，用来学习对背景干扰鲁棒的潜动作表征，可直接用于视觉-动作预训练与下游模仿学习/强化学习策略初始化。
LAMP：度量三维世界中的定位感知多相机人体跟踪
LAMP: Localization Aware Multi-camera People Tracking in Metric 3D World
「先提升后拟合」的思路值得借鉴：先用已知的 6-DoF 位姿与标定把各相机 2D 关键点提升到统一世界坐标系，形成时空射线云，再用端到端 Transformer 直接拟合 3D 人体运动；这样就把观察者自身运动与目标运动解耦，可复用于任何带位姿的多相机或动态相机人体捕捉场景。
LAMP：语言辅助的运动规划用于可控视频生成
LAMP: Language-Assisted Motion Planning for Controllable Video Generation
用 LLM 做程序合成，把自然语言解析成显式 3D 轨迹（物体运动 + 相机轨迹），再作为视频生成的运动条件；这种「语言→结构化运动程序→确定性轨迹」的中间表示，可复用于任何需要精确运动控制的可控视频生成或相机运镜合成。
LAM：语言驱动的铰接物体建模器
LAM: Language Articulated Object Modelers
把铰接物体的几何与关节结构统一表示为可编译、可自纠错的过程化代码，为视觉研究者提供了一条无需视觉先验或预置 3D 资产、由 LLM/VLM 协作直接产出带关节层级 3D 模型的路径，可作为 3D 生成与具身仿真中资产构建的新范式。
LA-Pose：潜变量动作预训练遇上姿态估计
LA-Pose: Latent Action Pretraining Meets Pose Estimation
将逆动力学自监督预训练得到的潜变量动作特征作为相机姿态估计器的输入，仅需少量高质量3D标注微调即可实现高精度、可泛化的前馈姿态预测，为视觉里程计和自动驾驶感知提供了一种可扩展的预训练范式。
L3DR：三维感知的激光雷达扩散与矫正
L3DR: 3D-aware LiDAR Diffusion and Rectification
针对基于距离视图的激光雷达扩散模型，提出在三维空间做点级残差回归来消除深度渗漏、波浪面等 RV 伪影，可作为即插即用后处理模块提升现有 LiDAR 生成模型的几何真实性，对自动驾驶仿真数据合成有直接价值。
Kontinuous Kontext：面向指令式图像编辑的连续强度控制
Kontinuous Kontext: Continuous Strength Control for Instruction-based Image Editing
把「编辑强度」做成一个连续标量条件，并通过轻量投影网络映射到扩散模型的调制空间（modulation space）系数，这为任何条件生成模型提供了一种可复用的连续控制接口；同时用现有生成模型合成 image-edit-instruction-strength 四元组再过滤，是可借鉴的弱监督数据构造流程。
KnowVal：知识增强与价值引导的自动驾驶系统
KnowVal: A Knowledge-Augmented and Value-Guided Autonomous Driving System
将开放世界感知与交通法规/防御性驾驶知识图谱通过 LLM 检索结合，并用人类偏好训练的价值模型对候选轨迹做可解释打分，可作为视觉端到端规划器中「规则约束+价值对齐」的即插即用评估模块。
保持 SymPL：面向视觉语言模型异中心空间推理的符号投影布局
Keep it SymPL: Symbolic Projective Layout for Allocentric Spatial Reasoning in Vision-Language Models
把异中心（物体中心）视角的空间问题转成符号化布局表示再交给 VLM，这个「投影+抽象+二分+定位」的重构思路可直接用于提升 VLM 在三维场景理解、多视图问答和视角变换类任务上的表现。
保持冻结：面向多域视觉 Transformer 的域路由条件残差调制
Keep It Frozen: Domain-Routed Conditional Residual Modulation for Multi-Domain Vision Transformers
提出一种冻结骨干网络、通过域路由和参数合成网络动态生成低秩残差调制块的方法，为视觉 Transformer 在多域（医学+自然）场景下提供参数高效的自适应方案，可复用于需要跨域泛化且计算开销敏感的任务。
万花筒式闪烁事件成像
Kaleidoscopic Scintillation Event Imaging
把万花筒式镜面反射当作编码孔径/光场复用手段，在极低光子数下用单光子相机做事件三维定位——这套「用已知镜面几何把稀疏光子复制到多个已知位置再反解位置」的思路，可迁移到低光单光子成像、非视域成像与稀疏光子三维重建。
KaLOS 寻找共识：一种评估复杂视觉任务中标注者间一致性的元算法
KaLOS finds Consensus: A Meta-Algorithm for Evaluating Inter-Annotator Agreement in Complex Vision Tasks
为视觉基准的标注质量提供可复用的评估流程：先做空间对应匹配再计算一致性，把框、体素分割、姿态等异构标注统一成名义可靠性矩阵，可直接用于清洗检测/分割数据集并诊断标注者与协作结构。
KVSmooth：通过键值平滑缓解多模态大语言模型中的幻觉
KVSmooth: Mitigating Hallucination in Multi-modal Large Language Models through Key-Value Smoothing
提出一种免训练、即插即用的推理时方法，通过对 KV-Cache 中的键和值施加指数移动平均（EMA）平滑，并利用注意力熵动态调节平滑强度，来缓解多模态大语言模型在解码过程中的语义漂移和幻觉。该方法可直接集成到现有 MLLM 的推理流程中，无需重新训练或修改模型结构，为视觉-语言生成任务提供了一种高效的后处理手段。
KV-Tracker：基于 Transformer 的实时位姿跟踪
KV-Tracker: Real-Time Pose Tracking with Transformers
把多视图几何网络（π³）全局自注意力层的 KV 对缓存下来当作唯一的场景表示，从而免去逐帧重跑网络，实现实时 6-DoF 跟踪与在线重建；这种模型无关的 KV 缓存思路可直接迁移到其他多视图/前馈重建网络做在线化加速。
KLIP：逆问题中基于 KL 散度与扩散先验的局部分布偏移检测
KLIP: Localized Distribution Shift Detection via KL-Divergence with Diffusion Priors in Inverse Problems
把扩散模型当作数据先验，用先验与后验之间的 KL 散度作为无需校准数据的 OOD 指标，并可在图像块级别定位分布偏移；对做逆问题求解（如 CT 重建）的视觉研究者，这提供了一种在只有间接测量时判断输入是否可信、并定位异常区域的通用手段。
KASALv2：全自动 3D 旋转对称分类与轴定位
KASALv2: Fully Automatic 3D Rotational Symmetry Classification and Axis Localization
提出全自动、无参考的 3D 旋转对称类型分类与轴定位框架，可直接作为 6D 位姿估计的对称性先验，替代人工标注，提升 FoundationPose 在 BOP 数据集上的精度。
KAMP：面向医学图像表征的知识锚定多模态预训练框架
KAMP: Knowledge-Anchored Multimodal Pretraining Framework for Medical Image Representation
用大语言模型从临床文本与影像元数据生成个性化诊断知识，作为语义锚点注入图像表征，并用跨模态对齐器作奖励模型做 GRPO 优化——这套「文本先验锚定 + 对齐器即奖励」的流程可迁移到任何配对数据稀缺的视觉-语言预训练场景。
恰逢其时：面向扩散 Transformer 的免训练空间加速
Just-in-Time: Training-Free Spatial Acceleration for Diffusion Transformers
JiT 把扩散 Transformer 的采样加速从时间维度转到空间维度：只对动态选出的稀疏锚 token 计算 ODE，再用确定性 micro-flow 把新增 token 平滑接入潜变量，可直接套用到 FLUX、DiT 类骨干上做免训练推理加速。
联合对齐潜动作：面向野外可扩展视觉-语言-动作预训练
Joint-Aligned Latent Action: Towards Scalable VLA Pretraining in the Wild
JALA 提出一种与逆动力学和真实动作联合对齐的预测性动作嵌入，绕开完整视觉动态重建，为从无标注人类视频中学习可迁移的潜动作表征提供了可复用方案，可直接用于 VLA 预训练的数据扩展。
协同展开的联合光谱图像重建与语义分割
Joint Spectral Image Reconstruction and Semantic Segmentation with Cooperative Unfolding
将重建与分割两个任务耦合进同一个深度展开框架，并用跨聚合超令牌注意力在两者之间传递表征，为「复原任务与高层任务联合优化」提供了可复用的展开式设计思路。
面向弱监督视频异常检测的混合记忆专家联合学习通用与多样模式
Joint Learning of General and Diverse Patterns with Mixture of Memory Experts for Weakly-Supervised Video Anomaly Detection
提出混合记忆专家框架，每个专家有内部记忆做细粒度特化、共享外部记忆聚合通用知识，并用大语言模型构建异常原型引导专家路由，为视频异常检测中同时建模泛化性与多样性提供了可复用的路由与记忆机制。
JoPPO：基于对比联合条件概率强化学习的分层摄影评估
JoPPO: Hierarchical Photography Assessment via Contrastive Joint Conditional Probabilistic Reinforcement Learning
把 VLM 当作评分器时，用基于批内细粒度属性分数条件分布的期望胜率作为奖励，替代 GRPO 的标量奖励，可直接迁移到任何需要多属性组合排序的视觉评测任务（美学、生成质量、偏好对齐）。
JarvisEvo：面向协同编辑器-评估器优化的自进化照片编辑智能体
JarvisEvo: Towards a Self-Evolving Photo Editing Agent with Synergistic Editor-Evaluator Optimization
把交错多模态思维链（iMCoT）与编辑器-评估器协同策略优化（SEPO）引入图像编辑智能体，为视觉研究者提供一种无需外部奖励模型即可自我改进、并缓解奖励黑客的可复用训练范式；同时其保真型/生成型编辑双工具集成与 ArtEdit-Bench 评测协议可直接用于评估编辑中的像素级保真度。
通过分歧引导的后缀优化与图像短语注入越狱视觉语言模型
Jailbreaking Vision-Language Models via Dissonance-Guided Suffix Optimization and Image-Phrase Injection
对做 VLM 安全与多模态对齐的研究者，这篇给出了一个可复用的攻击信号：用目标模型与未对齐模型之间的预测分歧（predictive dissonance）来定位被安全对齐压制的词元，替代离散词元空间上的梯度近似；同时把短语的内容与呈现方式一起嵌入图像做联合优化，利用跨模态敏感性提升迁移性，可作为红队评测 VLM 防护的基线。
JUMP-Hand：学习逐关节不确定性以门控多视角专家混合模型进行多视角3D手部重建
JUMP-Hand: Learning Joint-wise Uncertainty to Gate Mixture of View Experts for Multi-View 3D Hand Reconstruction
将逐关节不确定性作为显式门控信号，用于多视角特征融合与三角化初始化，可迁移到其他多视角三维重建任务（如人体姿态、物体位姿）中处理遮挡与噪声。
JRM：无需对齐的多物体联合重建模型
JRM: Joint Reconstruction Model for Multiple Objects without Alignment
把多视角/多次扫描中同一物体的重复观测当作个性化生成问题，用 3D 流匹配在潜变量空间隐式聚合未对齐观测，可替代显式配准与刚性对齐流程，对处理关节运动等非刚性变化的多观测重建有直接参考价值。
JANUS：通过分布优化越狱文本到图像模型的轻量级框架
JANUS: A Lightweight Framework for Jailbreaking Text-to-Image Models via Distribution Optimization
把越狱攻击建模为在 T2I 系统端到端黑盒奖励下优化结构化提示词分布，用低维混合策略替代高容量 RL 生成器，为红队测试扩散模型安全过滤器提供了一个轻量、可复用的攻击基线，也提示防御方需针对分布级攻击设计分布感知的防护。
迭代闭环运动合成：扩展人形控制能力
Iterative Closed-Loop Motion Synthesis for Scaling the Capabilities of Humanoid Control
提出闭环自动运动数据生成与迭代框架，通过物理指标和客观评估实现策略与数据的难度迭代，可复用于视觉驱动的运动合成与具身控制任务，突破固定数据分布的性能上限。
为时未晚：面向已训练扩散模型坍塌恢复的噪声优化
It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models
对已训练好的扩散模型，只需在采样阶段优化初始噪声（并考虑噪声的频率特性）就能缓解模式坍塌、提升生成多样性，无需重训或额外引导网络；做文生图多样性、少样本采样策略的人可以直接复用这一噪声优化目标。
双管齐下：周期性与方向性的二重奏用于连拍闪烁去除
It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal
针对短曝光连拍中的结构化闪烁伪影，提出基于Transformer的复原框架，利用相位相关融合帧间特征、自相关捕捉帧内结构规律、小波域方向注意力定位伪影，为特定退化模式的定制化复原提供了可复用的设计思路。
IsoCLIP：分解 CLIP 投影器以实现高效的模态内对齐
IsoCLIP: Decomposing CLIP Projectors for Efficient Intra-modal Alignment
对做视觉检索或复用 CLIP 图像编码器的人，这篇给出了一个免训练的后处理：从 projector 权重里用谱分析取出跨模态对齐的各向同性子空间，丢掉模态特有的各向异性方向，就能直接提升 image-to-image 检索并降低延迟，可作为一个即插即用的特征变换。
你的 VLM 准备好飞向天空了吗？面向无人机导航的综合空间智能基准
Is your VLM Sky-Ready? A Comprehensive Spatial Intelligence Benchmark for UAV Navigation
为视觉研究者提供了一个面向无人机视角的空间智能评测基准（13 个子类，覆盖包围框、距离、高度、降落安全等），并给出可复用的 SpatialSky-Dataset 与 Sky-VLM 训练范式，可用于诊断和提升 VLM 的细粒度空间推理能力。
模态鸿沟是缺陷还是特性？一个鲁棒性视角
Is the Modality Gap a Bug or a Feature? A Robustness Perspective
对做视觉-语言对齐（CLIP 类）的研究者，这篇给出了一个可直接复用的后处理手段：把图像嵌入整体平移到文本嵌入均值方向，即可在不损失干净精度的前提下提升对语义无关扰动的稳定性；同时提供了「对比损失最优解必然产生正交全局鸿沟向量」的理论视角，可用于分析嵌入空间几何与鲁棒性的关系。
参数隔离对基于提示词的持续学习更有效吗？
Is Parameter Isolation Better for Prompt-Based Continual Learning?
把「每任务一组提示词」的静态隔离换成全局提示词池 + 任务感知门控稀疏路由，可直接迁移到视觉持续学习（如类增量图像分类、VLM 持续适配）中，用激活统计做正则来抑制常用提示词被过度更新。
分箱生成不可或缺吗？一种基于语义视角的免分箱数据集量化方法
Is Bin Generation Indispensable? A Bin-Generation-Free Dataset Quantization via Semantic Perspective
做大规模视觉数据集训练时，可用这套免分箱的 KNN 近邻识别加自适应图像块丢弃流程替代 bin generation 来压缩核心集，在 CIFAR-100 上最多提升 5% 验证精度，并能扩展到 10^5 同类样本规模。
IrisFP：兼具更强唯一性与鲁棒性的基于对抗样本的模型指纹方法
IrisFP: Adversarial-Example-based Model Fingerprinting with Enhanced Uniqueness and Robustness
对做视觉模型部署与版权保护的人，这篇提供了利用多决策边界交点构造对抗样本指纹的思路：把指纹放在多个决策边界的交汇处而非单一边界深处，可在不深入目标类内部的前提下扩大预测间隔，从而同时提升鲁棒性与唯一性；其基于统计可分性度量的指纹筛选与阈值分配也可直接迁移到视觉模型的归属验证流程。
Iris：将语言融入基于扩散的单目深度估计
Iris: Integrating Language into Diffusion-based Monocular Depth Estimation
把文本描述作为额外条件注入扩散式单目深度估计器（Marigold、Lotus、E2E-FT），可缩小深度解空间、提升小区域精度，并支持通过追加场景描述迭代细化深度；同时文本条件能加速训练收敛与推理扩散轨迹，是一种可直接复用的条件化与加速手段。
Iris：将真实世界先验引入扩散模型用于单目深度估计
Iris: Bringing Real-World Priors into Diffusion Model for Monocular Depth Estimation
把扩散模型的生成先验按频段拆开使用：低频用真实数据蒸馏、高频用合成真值约束，并通过高到低的时间步调度共享权重，这套「先验-几何」两阶段确定性采样思路可直接迁移到其他以扩散先验做稠密回归的视觉任务（如表面法向、光流）。
探究自监督表征在音视频深度伪造检测中的作用
Investigating Self-Supervised Representations for Audio-Visual Deepfake Detection
系统评测了音频、视频、多模态三类自监督特征在音视频深度伪造检测中的表现，并给出「音频引导表征泛化最好」的结论，可直接作为视觉研究者挑选伪造检测骨干特征、以及设计跨模态互补融合时的选型依据。
InverFill：面向高质量少步扩散图像修复的一步反演方法
InverFill: One-Step Inversion for Enhanced Few-Step Diffusion Inpainting
把输入掩码图像的语义通过一步反演注入初始噪声，替代随机高斯噪声，可直接套用到任何少步 T2I 模型的 blended sampling 流程中，在低 NFE 下改善修复区域与背景的协调性，且无需重训练。
InvCoSS：医学多模态图像预训练中反演驱动的持续自监督学习
InvCoSS: Inversion-driven Continual Self-supervised Learning in Medical Multi-modal Image Pre-training
用模型反演生成近似旧任务分布的合成图像替代真实数据回放，为视觉预训练中的持续学习提供了一条不依赖跨站点数据共享、且显著降低存储的可行路径；InvUNet 的多尺度高低频融合与无类别引导的排斥式表征学习可直接迁移到其他需要合成回放的增量预训练场景。
InvAD：基于反演的无重建扩散模型异常检测
InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models
把扩散模型的 DDIM 反演当作无需重建的异常打分器：只需少量反演步把测试图加噪到潜变量，再用已知先验分布度量偏离度，可直接替换重建式 AD 中昂贵的多步去噪流程，兼顾精度与约两倍推理加速。
IntroSVG：通过内省式生成器-评论器框架从渲染反馈中学习文本到SVG生成
IntroSVG: Learning from Rendering Feedback for Text-to-SVG Generation via an Introspective Generator-Critic Framework
将渲染后的视觉反馈引入自回归生成循环，通过生成器-评论器双角色VLM和DPO对齐，为文本到矢量图形生成提供了可复用的闭环优化范式。
IntrinsicWeather：本征空间中的可控天气编辑
IntrinsicWeather: Controllable Weather Editing in Intrinsic Space
把天气编辑从像素空间搬到本征空间（材质/几何/光照图），用本征图作为中间表示提升可控性；其本征图感知注意力与 CLIP 空间天气提示词插值可直接迁移到其他条件图像编辑与逆渲染任务。
面向多视图三维材质重建的本征图像融合
Intrinsic Image Fusion for Multi-View 3D Material Reconstruction
将扩散模型产生的多视图材质预测通过低维参数化函数和鲁棒优化融合为一致的材质空间，为逆渲染中欠约束问题提供了可复用的先验融合框架。
面向稀疏视角高斯泼溅的内在几何-外观一致性优化
Intrinsic Geometry-Appearance Consistency Optimization for Sparse-View Gaussian Splatting
针对稀疏视角下 3DGS 的外观过拟合与几何欠约束问题，给出可复用的组合手段：像素级 top-k 多视图光度约束抑制遮挡干扰、边缘感知平滑保结构，以及用循环一致性深度过滤筛出可靠区域合成虚拟视角，把几何正确性注入外观优化。做稀疏视角新视角合成或 3DGS 正则化时可直接借鉴这套几何-外观耦合流程。
基于组合可解释性的内在概念提取
Intrinsic Concept Extraction Based on Compositional Interpretability
把双曲空间的层次建模引入单图概念学习，为个性化/概念定制生成提供可组合、可解耦的概念嵌入，可直接用于少样本概念注入与属性编辑。
面向跨模态检索的类内分布引导生成哈希与邻居精炼
Intra-class Distribution-guided Generative Hashing with Neighbor Refinement for Cross-modal Retrieval
用类内分布估计加邻居引导修正来生成语义多样的合成样本，可作为一种即插即用的数据增广/难样本构造手段，用于跨模态检索中的哈希码判别性学习。
干预感知的多尺度表征学习：从成像表型组学到扰动转录组学
Intervention-Aware Multiscale Representation Learning from Imaging Phenomics and Perturbation Transcriptomics
提出一种干预感知的蒸馏框架，利用转录组学教师模型指导仅图像的student模型，在测试时无需转录组数据即可预测干预语义；其基于化学感知码本和剂量解耦的设计，可迁移到其他需要从图像预测干预效果或处理弱配对多模态数据的视觉任务中。
可解释且可引导的概念瓶颈稀疏自编码器
Interpretable and Steerable Concept Bottleneck Sparse Autoencoders
为视觉语言模型与图像生成模型提供了一种事后可插拔的稀疏自编码器改造方案：先剪除低效用神经元，再用对齐用户概念集的轻量概念瓶颈扩充潜空间，从而让潜变量既可解释又可被定向操控，可直接用于扩散模型的概念级编辑与生成控制。
可解释提示词变得易于编辑：面向编辑友好硬提示词反演的 dLLM 词元间相似度抑制
Interpretable Prompts made Edit-Friendly: Token-to-Token Similarity Reduction in dLLMs for Edit-Friendly Hard Prompt Inversion
把扩散语言模型解码器中的词元相似度控制与扩散时间采样结合，得到对词元替换/追加鲁棒的硬提示词，可直接用于 T2I 模型的可编辑提示词反演与下游提示词编辑流程，且无需微调 T2I 或语言模型。
面向社会公平的可解释视觉语言模型去偏
Interpretable Debiasing of Vision-Language Models for Social Fairness
用稀疏自编码器在多模态编码器上定位可解释的「社会属性神经元」，再通过选择性关闭这些神经元实现去偏，为视觉研究者提供了一种无需重训练、可审计的模型内部干预手段，可直接迁移到人脸属性识别、跨群体公平性分析等场景。
可解释的跨域少样本学习与校正目标域局部对齐
Interpretable Cross-Domain Few-Shot Learning with Rectified Target-Domain Local Alignment
针对CLIP在跨域少样本场景下局部视觉-文本对齐失效的问题，提出基于循环一致性的自监督对齐方法，并引入语义锚框机制过滤噪声，可提升医学等细粒度领域的可解释识别性能。
InternVideo-Next：迈向世界理解的视频模型
InternVideo-Next: Towards World-Understanding Video Models
提出 Encoder-Predictor-Decoder 框架，用条件扩散解码器注入图像语义先验，解决像素级 MVM 收敛难与语义冲突问题，为视频自监督预训练提供可复用的潜空间世界模型构建方案。
InternData-A1：面向通用策略预训练的高保真合成数据
InternData-A1: Pioneering High-Fidelity Synthetic Data for Pre-training Generalist Policy
提供了一套全解耦、可组合的仿真数据生成流水线，可批量产出多本体、多技能、长程操作轨迹；对做视觉-语言-动作模型的人而言，这是验证「纯合成数据预训练能否替代真机数据」的可复用数据与评测设定。
交互式跟踪：一种具有记忆增强适应的人机回环范式
Interactive Tracking: A Human-in-the-Loop Paradigm with Memory-Augmented Adaptation
提出交互式跟踪新范式，允许用户通过自然语言指令实时引导跟踪器，并引入动态记忆机制从反馈中学习；为视觉跟踪研究提供了新基准和基线，推动人机协同的跟踪系统发展。
带用户反馈的交互式情景记忆
Interactive Episodic Memory with User Feedback
把用户反馈作为条件注入到长视频时序定位中，并用轻量对齐模块（FALM）免去昂贵的序列优化，可直接迁移到视频检索、时刻定位等需要多轮交互修正的任务。
Interact2Ar：基于自回归扩散模型的全身体人-人交互生成
Interact2Ar: Full-Body Human-Human Interaction Generation via Autoregressive Diffusion Models
面向人体交互运动生成，提出并行分支建模手部运动学与带记忆机制的自回归扩散框架，可直接复用于手部精细动作生成、长时序运动合成与实时扰动自适应等视觉-运动生成任务。
InterRVOS：交互感知的指代视频目标分割
InterRVOS: Interaction-Aware Referring Video Object Segmentation
将交互关系显式建模引入指代视频目标分割，要求分别分割动作执行者与目标对象，并设计了交互感知特殊 token 与注意力掩码损失；对做视频理解、指代分割和多模态推理的研究者，提供了可复用的角色区分分割范式与配套数据集。
InterPrior：面向基于物理的人-物体交互的可扩展生成式控制
InterPrior: Scaling Generative Control for Physics-Based Human-Object Interactions
提出一种从大规模模仿预训练到强化学习微调的可扩展生成式控制框架，利用多模态观测和高级意图重建全身运动，并通过物理扰动数据增强提升泛化能力，可为人形机器人的视觉-运动控制提供可复用的训练范式。
InterPhys：动态场景中的物理感知人体运动合成
InterPhys: Physics-aware Human Motion Synthesis in a Dynamic Scene
提出基于连续距离的力模型，把接触建模从手部扩展到任意表面（含动态物体），并用软物理约束维持力/力矩平衡；做人体-场景交互生成或物理可信动画的研究者可直接复用该力模型与约束形式。
InterAgent：基于交互图扩散的物理多智能体指令执行
InterAgent: Physics-based Multi-agent Command Execution via Diffusion on Interaction Graphs
提出交互图外感知表示与稀疏边注意力机制，可迁移到多智能体视觉感知与交互建模任务中，用于显式编码关节间空间依赖并动态剪枝冗余连接。
光子间隔极限下的视频成像
Inter-Photon-Limited Videography
提出神经通量场（Neural Flux Fields），将光子到达的统计建模与神经网络先验结合，用于在光子间隔极限下重建动态场景视频，为极低光照或高速视频采集提供可复用方法。
Inter-Edit：首个面向交互式指令图像编辑的基准
Inter-Edit: First Benchmark for Interactive Instruction-Based Image Editing
提出以「简洁文本指令 + 不精确空间掩码」作为编辑条件的设定，并给出百万级模拟真实用户掩码的数据生成流水线，可直接用于训练和评测指令式编辑模型在弱定位输入下的鲁棒性。
面向胸部X光的指令引导病灶分割及自动构建的大规模数据集
Instruction-Guided Lesion Segmentation for Chest X-rays with Automatically Generated Large-Scale Dataset
把指代图像分割（RIS）迁移到胸片病灶分割，用自动化多模态流水线从图像-报告对生成 110 万条指令-答案对，并微调 LISA 类多模态大模型实现指令驱动的像素级病灶定位与文本解释，为视觉研究者提供了「用报告自动造分割监督」的可复用范式。
InstructMix2Mix：通过多视图模型个性化实现一致的稀疏视图编辑
InstructMix2Mix: Consistent Sparse-View Editing Through Multi-View Model Personalization
将多视图扩散模型作为SDS中的学生模型，替代神经场整合器，并引入增量更新、教师噪声调度和注意力修改，为稀疏视图编辑提供可复用的跨视图一致性蒸馏框架。
InstantViR：基于蒸馏扩散先验的实时视频逆问题求解器
InstantViR: Real-Time Video Inverse Problem Solver with Distilled Diffusion Prior
把双向视频扩散教师蒸馏成因果自回归学生，单次前向即可完成视频修复，无需测试时迭代优化；这套「先验驱动蒸馏 + 轻量变分自编码器」的范式可直接迁移到其他需要实时推理的扩散先验逆问题求解器。
InstantRetouch：基于双边空间的高效高保真指令引导图像修饰
InstantRetouch: Efficient and High-Fidelity Instruction-Guided Image Retouching with Bilateral Space
用低分辨率双边网格预测仿射变换替代像素/潜变量编辑，把多步扩散模型通过变分分数蒸馏蒸馏进该框架，为视觉研究者提供了一条兼顾保真度与延迟的指令引导编辑路径，可直接迁移到其他需要内容解耦的局部调整任务。
实例级视觉主动跟踪与遮挡感知规划
Instance-level Visual Active Tracking with Occlusion-Aware Planning
提出实例级原型初始化与在线增强机制，结合置信度感知卡尔曼滤波提升相似干扰物下的判别力；并利用条件扩散生成避障轨迹实现遮挡恢复，为视觉跟踪中的主动规划提供可复用范式。
InstAP：面向时空理解的实例感知视觉-语言预训练
InstAP: Instance-Aware Vision-Language Pre-Train for Spatial-Temporal Understanding
提出实例级对比对齐目标，将文本提及定位到时空区域，可复用于需要细粒度视觉-语言对齐的任务（如指代分割、视频实例检索），并证明实例级预训练能提升全局零样本视频理解。
由内而外：通过内部工作机制度量视觉 Transformer 的泛化
Inside-Out: Measuring Generalization in Vision Transformers Through Inner Workings
提出用模型内部电路（因果交互）作为无标签泛化代理指标，视觉研究者可在部署前模型选择与部署后分布偏移监控中复用该思路，替代不可靠的置信度指标。
InsCal：面向目标检测的校准式多源全测试时提示词调优
InsCal: Calibrated Multi-Source Fully Test-Time Prompt Tuning for Object Detection
把测试时提示词调优从分类扩展到文本驱动的开放词表检测器，并用实例级校准修正熵最小化带来的误校准，可直接用于跨域检测的免训练适配。
InnoAds-Composer：面向电商海报生成的高效条件组合
InnoAds-Composer: Efficient Condition Composition for E-Commerce Poster Generation
把主体、字形、风格三类条件以词元形式注入单阶段扩散模型，并按层与时间步的重要性只路由到最敏感位置，这一「条件词元稀疏路由」思路可直接迁移到任何多条件可控生成任务（如多参考图定制化、布局+文本+风格联合控制），避免条件拼接带来的二次开销。
面向多模态交互学习的信息论分解
Information-Theoretic Decomposition for Multimodal Interaction Learning
为视觉-语言等多模态模型提供逐样本自适应的交互分解思路：用变分分解把冗余、独特、协同信息显式拆开，再在微调阶段分别利用，可直接迁移到 VLM 的多模态融合模块或跨模态对齐训练中。
InfinityHuman：迈向长期音频驱动的人体动画
InfinityHuman: Towards Long-Term Audio-Driven Human Animation
提出粗到细框架，利用解耦的姿态序列作为稳定视觉锚点来抑制长视频生成中的误差累积，并引入手部特定奖励机制提升手势真实感，可复用于其他长时序人体动画任务。
Infinity-RoPE：动作可控的无限视频生成源自自回归自展开
Infinity-RoPE: Action-Controllable Infinite Video Generation Emerges From Autoregressive Self-Rollout
把 3D-RoPE 改造成「移动局部参考系」的相对论式编码，配合只保留 sink 与末帧两个锚框 token 的 KV Flush，可在不重训练的情况下把自回归视频扩散的生成时长推到无限，并支持提示词即时响应与多段转场；做长视频生成或 KV 缓存压缩的工作可直接复用这三件套。
InfiniDepth：基于神经隐式场的任意分辨率与细粒度深度估计
InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields
把深度表示为神经隐式场、用局部隐式解码器在连续 2D 坐标上查询，可让任意分辨率的深度输出与细节恢复摆脱离散网格限制；这一表示可直接用于大视角变化下的新视角合成，减少空洞与伪影。
InfiniBench：面向视觉空间推理的可定制场景复杂度无限基准生成
InfiniBench: Infinite Benchmarking for Visual Spatial Reasoning with Customizable Scene Complexity
InfiniBench 提供了一种可参数化控制场景复杂度的自动化基准生成方法，视觉研究者可用它系统性地评测 VLM 在测量、视角转换和时空追踪等空间推理任务上的失效模式，并借助其基于聚类的布局优化与任务感知相机轨迹优化生成高复杂度视频输入。
无需见过组合式 4D 场景即可推断
Inferring Compositional 4D Scenes without Ever Seeing One
提出时空注意力解耦训练与注意力混合推理机制，使模型无需 4D 组合训练数据即可从单目视频重建多物体交互的 4D 场景，为动态场景重建提供可复用的训练策略。
视频生成模型的推理时物理对齐：基于潜变量世界模型
Inference-time Physics Alignment of Video Generative Models with Latent World Models
把潜变量世界模型（VJEPA-2）当作奖励，在推理阶段搜索并引导多条去噪轨迹，为视频生成提供了一种无需重训练、可扩展测试时计算的物理合理性对齐手段，可直接迁移到其他生成模型的后处理与采样策略中。
基于未来感知解耦跨头蒸馏的增量目标检测
Incremental Object Detection via Future-Aware Decoupled Cross-Head Distillation
把检测头与骨干网络的训练解耦，并用两个冻结的互补教师对学生的 ROI 特征做跨头蒸馏，可直接迁移到任何需要缓解灾难性遗忘的增量检测/分割框架中。
IncreFA：打破生成模型归属的静态壁垒
IncreFA: Breaking the Static Wall of Generative Model Attribution
把生成图像归属（判别图像来自哪个生成模型）建模为结构化增量学习问题，用架构层级正交先验加潜变量记忆回放来对抗表征漂移；做深伪检测、生成内容溯源或开放集识别的视觉研究者可直接复用其层级约束与伪未见样本混合策略。
面向深度伪造定位的不一致性感知多模态薛定谔桥
Inconsistency-aware Multimodal Schrodinger Bridge for Deepfake Localization
把薛定谔桥当作无需显式加噪去噪的一致性度量与跨模态信息选择器，用一致性统计非对称分配桥步数，可迁移到任何需要抑制单侧噪声的多模态时序定位任务。
通过数据高效强化学习激发多模态大模型的多功能视频推理能力
Incentivizing Versatile Video Reasoning in MLLMs via Data-Efficient Reinforcement Learning
对做视频多模态大模型的人，这篇给出了用多任务冷启动加多任务强化学习、再配合推理阶段多模态推理与动态采样的低成本训练配方，仅用 3k 冷启动数据与 5k RL 数据即可显著提升视频推理表现，可作为替代高成本长链语言 RL 的可复用方案。
借助视觉线索的结果奖励强化学习激励生成式零样本学习
Incentivizing Generative Zero-Shot Learning via Outcome-Reward Reinforcement Learning with Visual Cues
把结果奖励强化学习用于生成式零样本学习的特征合成器，用类级视觉原型作为奖励信号与稳定项，可迁移到任何需要让生成器产出任务相关特征（而非仅语义一致）的条件生成场景。
InTrain：面向零成本神经架构搜索的内在可训练性
InTrain: Intrinsic Trainability for Zero-Cost Neural Architecture Search
对做视觉骨干网络选型的人，InTrain 提供了一个无需训练即可给候选架构打分的统一代理：用激活协方差特征谱的参与率衡量表征有效维度、用逐层梯度健康度衡量深层反传稳定性，可直接嵌入 NAS 搜索循环替代昂贵的训练式评估。
追寻面向视觉预训练的像素监督
In Pursuit of Pixel Supervision for Visual Pre-training
把数据策展（self-curation）当作与 MAE 预训练目标同等重要的一环：在 2B 网络图像上筛选空间结构信号更强的样本，可显著提升单目深度估计、前馈 3D 重建、分割等密集预测任务的表征质量，为视觉基础模型的预训练数据配方提供可复用思路。
以感知为中心的过程奖励模型改进视觉语言模型
Improving Vision-language Models with Perception-centric Process Reward Models
提供了一种可复用的过程奖励模型思路：把 VLM 回答拆成与图像相关的断言，逐条与视觉证据比对以定位感知幻觉片段，并将该信号转为 token 级优势用于 RL 训练或推理时的截断重生成，可直接用于缓解视觉幻觉与提升多模态推理。
用内在自置信度奖励改进文本到图像生成
Improving Text-to-Image Generation with Intrinsic Self-Confidence Rewards
用模型自身对加噪潜变量的重建误差构造内在奖励，替代外部奖励模型做强化学习后训练，可直接迁移到扩散/流匹配模型的偏好对齐与组合生成能力提升，并可与外部奖励组合以缓解奖励黑客。
用动态注意力改进稀疏自编码器
Improving Sparse Autoencoder with Dynamic Attention
对做视觉表征分析与模型可解释性的研究者，这篇提供了用 sparsemax 交叉注意力替代 ReLU/TopK 的 SAE 激活方案，可自适应决定每个神经元激活的概念数，从而在重建质量与特征解耦可解释性之间取得更好平衡，并可作为现有 SAE 的稀疏度调参指导。
通过自适应低通引导改善图像到视频模型中的运动
Improving Motion in Image-to-Video Models via Adaptive Low-Pass Guidance
对做图像到视频生成的人，这是一个无需训练、只改采样过程的插件：在去噪早期对条件图像施加自适应低通滤波，抑制高频细节导致的静态捷径，可直接套用到任意 I2V 模型的采样循环中以提升运动幅度。
以弱到强分段引导提升扩散模型泛化能力
Improving Diffusion Generalization with Weak-to-Strong Segmented Guidance
把 CFG 与 AutoGuidance 统一到弱到强原则下，给出何时该用哪种引导的判据，并提出 SEG 混合引导；做扩散采样或引导调参时可直接替换 CFG，也可把该原则写进训练目标以提升无引导模型的泛化。
改进可控生成：通过 x0 监督实现更快训练与更优性能
Improving Controllable Generation: Faster Training and Better Performance via x0-Supervision
把可控扩散/流模型的训练目标从噪声预测损失换成对干净目标图的 x0 监督（或等价的损失重加权），可直接套用到 ControlNet 类布局控制、inpainting、参考图条件生成等训练流程中，在不改网络结构的前提下加速收敛并提升条件精度。
通过无数据平坦性感知提示词预训练改进视觉语言模型测试时提示词调优中的校准
Improving Calibration in Test-Time Prompt Tuning for Vision-Language Models via Data-Free Flatness-Aware Prompt Pretraining
提出一种无数据预训练方法，在测试时提示词调优前将提示词初始化到损失景观的平坦区域，从而同时提升视觉语言模型的校准性和性能，且不增加测试时计算开销。
利用局部扰动增强提升对抗迁移性
Improving Adversarial Transferability with Local Perturbation Augmentation
对做对抗鲁棒性评测的人，LPAA 提供了一种在每次迭代中构造多个局部增强子空间来更新扰动、并用专门初始化避免初始扰动敏感性的黑盒迁移攻击流程，可直接替换现有迭代攻击中的邻域采样步骤，用于在 CNN 与 ViT 上更严格地检验模型鲁棒性。
改进的 MeanFlow：论快进生成模型的挑战
Improved Mean Flows: On the Challenges of Fastforward Generative Models
把 MeanFlow 的训练目标改写为对瞬时速度 v 的回归（网络仍预测平均速度 u），并把引导尺度作为显式条件变量做 in-context 条件化，使一步生成模型在测试时可自由调节引导强度；做少步/一步扩散或流匹配采样的人可直接复用这一目标重参数化与条件化引导设计。
通过收缩优化动力学使模型免疫于有害长时程微调
Immunizing Models Against Harmful Long-Horizon Fine-Tuning via Contractive Optimization Dynamics
为视觉基础模型（分类、生成、自回归）提供一种在发布前注入的免疫机制：通过让有害微调的优化动力学局部收缩，使攻击者即使跑数千步更新也无法有效适配有害任务，可直接用于开源视觉大模型的安全发布流程。
ImmerIris：面向沉浸式应用中离轴与无约束虹膜识别的大规模数据集与基准
ImmerIris: A Large-Scale Dataset and Benchmark for Off-Axis and Unconstrained Iris Recognition in Immersive Applications
该数据集与基准把「离轴、无约束」的头戴式显示设备眼部成像作为新设定，并给出免归一化、直接从微调眼部图像学习的识别范式，可启发视觉研究者重新审视依赖预处理对齐的pipeline在非受控成像下的脆弱性。
面向深度不完整多视图聚类的失衡视图贡献评估与精炼
Imbalanced View Contribution Evaluation and Refinement for Deep Incomplete Multi-View Clustering
用 Shapley 值量化各视图的边际贡献、并用非平衡最优传输刻画视图间分布偏移，这套「贡献评估+协作增强」的思路可迁移到多模态/多视图特征融合与缺失模态鲁棒表征学习中，帮助识别并抑制主导模态对融合的压制。
先想象后聚焦：扩散引导的寄存器增强部分相关视频检索
Imagine Before Concentration: Diffusion-Guided Registers Enhance Partially Relevant Video Retrieval
用文本监督的截断扩散模型从视频分布中生成全局语义寄存器，再经寄存器增强的高斯注意力与视频 token 融合，可作为跨模态检索中缓解局部噪声与查询歧义的通用特征增强模块。
ImageRAGTurbo：面向一步文本到图像生成的检索增强扩散模型
ImageRAGTurbo: Towards One-step Text-to-Image Generation with Retrieval-Augmented Diffusion Models
提出在UNet去噪器的潜空间（H-space）中通过交叉注意力融合检索到的文本-图像对，以极低微调成本提升少步/单步扩散模型的提示词保真度，为快速文本到图像生成提供可复用的检索增强适配器方案。
面向3D语义分割多模态训练的图文到点云特征反投影
Image-to-Point Cloud Feature Back-Projection for Multimodal Training of 3D Semantic Segmentation
把图像特征中心按估计深度反投影到点云特征空间，使图像信息在训练期注入点云分支、推理期可关闭，为纯激光雷达部署提供了一种可插拔的多模态训练增强手段。
基于训练数据的图像离群点合成
Image-based Outlier Synthesis With Training Data
提出一种无需外部数据的虚拟离群点合成方法：通过向ID输入添加梯度归因值来破坏不变特征并放大真实类logit，生成近流形离群点，可用于提升细粒度分类和虚假相关场景下的OOD检测鲁棒性。
三维网格的图像引导几何风格化
Image-Guided Geometric Stylization of 3D Meshes
把预训练扩散模型当作图像风格的抽象先验，配合近似 VAE 编码器从网格渲染中回传稳定梯度，再用粗到细的变形流程驱动网格顶点位移——这套「渲染-编码-引导」的可微管线可直接迁移到任何需要图像监督的三维几何优化任务（如单图建模、形状编辑）。
以图导图：基于整流上下文示例引导的一致视频非模态补全
Image Guides Images: Consistent Video Amodal Completion with Rectified In-Context Exemplar Guidance
把预训练图像修复模型直接用于视频非模态补全，通过调制 DiT 全局注意力中示例与目标帧的相对权重来提升跨帧一致性，并用双帧校准的示例修正解决冷启动；这套免训练、示例引导的注意力整流思路可迁移到其他需要跨帧一致性的视频生成/编辑任务。
从上下文矛盾的提示词生成图像
Image Generation from Contextually-Contradictory Prompts
把提示词按去噪阶段拆成一系列代理提示词，用 LLM 解析概念冲突并改写，为文本到图像扩散模型提供细粒度的语义控制；这一思路可直接迁移到组合式生成、属性绑定和提示词工程等场景。
基于一致性求解器的图像扩散预览
Image Diffusion Preview with Consistency Solver
把扩散采样器本身当作可训练的高阶线性多步求解器，用强化学习直接优化少步预览质量与预览-终稿一致性，可作为即插即用的采样器替换 DPM-Solver 类求解器，用于交互式生成与预览-精修流程。
插画师深度：用于图像分解的单目图层索引预测
Illustrator's Depth: Monocular Layer Index Prediction for Image Decomposition
提出一种新的深度定义——插画师深度，为每个像素预测图层索引，实现可编辑的图像分解；该表示可直接用于图像矢量化、文本到矢量图形生成、2D 到 3D 浮雕生成以及深度感知编辑，为视觉研究提供了可复用的分层表示思路。
从单目视频进行光照一致的人体-场景重建
Illumination-Consistent Human-Scene Reconstruction from Monocular Video
用可学习光照体（light volume）为人体高斯提供局部光照线索，并用隐式阴影模块分离投射阴影，可直接迁移到单目视频中人体与场景联合重建、重光照与合成任务。
照亮通用多模态嵌入中的视觉身份
Illuminating Visual Identity in Universal Multimodal Embeddings
提出身份感知采样机制，在通用多模态嵌入中联合优化视觉身份表示，可直接用于实例检索、重识别和生成内容身份保持等视觉任务。
基于奖励引导优化的身份保持图像到视频生成
Identity-Preserving Image-to-Video Generation via Reward-Guided Optimization
提出基于强化学习的奖励引导优化框架，通过人脸身份评分器反向传播奖励信号至采样链最后几步，并利用真实视频人脸特征池增强泛化性，为扩散模型的身份保持提供可复用技术。
IVAAN：面向细胞核分析的属性引导文本提示生成实例级视觉语言对齐
IVAAN: Instance-level Vision-Language Alignment via Attribute-Guided Text Prompts Generation for Nuclei Analysis
用真值掩码自动生成属性引导的文本描述，再以对比学习把实例级视觉表征与语义锚点对齐，并学习类内多个原型 token 建模子模态——这套「无人工文本标注的实例级视觉语言对齐 + 原型语义反馈」可直接迁移到其他缺乏实例级文本标注的密集预测任务（如细胞/病灶/遥感目标分割）。
IR-HGP：借助生成先验的高光照场景物理感知高斯逆渲染
IR-HGP: Physically-Aware Gaussian Inverse Rendering for High-Illumination Scenes via Generative Priors
将生成式光照场先验与物理可见性分解引入 3DGS 逆渲染，为高光/强反射场景下的材质-光照解耦与可重光照资产重建提供了可复用方案，可直接用于重光照与新视角合成管线。
IPR-1：交互式物理推理器
IPR-1: Interactive Physical Reasoner
用世界模型 rollout 作为奖励信号来强化 VLM 策略，并用物理中心动作码（PhysCode）对齐语义意图与动力学，为视觉研究者提供了一种在交互环境中把预测模型与推理模型耦合的可复用范式。
IP-Adapter 就够了：面向免微调扩散式说话人脸生成
IP-Adapter Is All You Need: Towards Fine-Tuning-Free Diffusion-Based Talking Face Generation
把 IP-Adapter 的视觉嵌入能力当作免微调的条件注入接口，配合无需训练参数的结构解耦与噪声先验抑制模块，为资源受限场景下的条件扩散生成提供了可复用的「冻结骨干+零参数控制」范式。
INSIGHT基准：面向机器人操作的场景内引导视觉定位
INSIGHT Bench: Towards Grounded IN-SItu Guidance for Robotic ManipulaTion
论文提出的“in-situ guide grounding”任务要求视觉语言动作模型（VLA）理解物体上的文字和符号（如“PULL”），这为视觉定位研究提供了新的场景和评测基准；其可扩展的仿真框架和程序化生成方法可用于训练和评估模型对物体中心信息的理解能力。
INSID3：基于 DINOv3 的免训练上下文分割
INSID3: Training-Free In-Context Segmentation with DINOv3
利用冻结的 DINOv3 密集自监督特征直接进行语义匹配和分割，无需微调或辅助模型，为少样本分割提供了极简且强泛化的新范式。
IMU-HOI：通过接触感知惯性融合实现连贯人-物交互与运动捕捉的共生框架
IMU-HOI: A Symbiotic Framework for Coherent Human-Object Interaction and Motion Capture via Contact-Conscious Inertial Fusion
把稀疏 IMU 信号与手-物接触概率作为高层路由信号，融合运动学与惯性积分，可在遮挡严重、相机视野受限的场景下替代纯视觉动捕；其接触感知的三阶段融合管线与可插拔设计，可直接接入现有稀疏 IMU 动捕骨干，扩展到人-物联合运动估计。
IMS3：打破基于扩散的数据集蒸馏中的分布聚合
IMS3: Breaking Distributional Aggregation in Diffusion-Based Dataset Distillation
该论文提出反演引导的微调与选择性采样，可提升扩散模型生成样本的判别性与多样性，对需要合成训练数据的视觉任务（如分类、检测）有直接参考价值。
IMAIA：面向旅行规划与地理空间智能的交互式地图 AI 助手
IMAIA: Interactive Maps AI Assistant for Travel Planning and Geo-Spatial Intelligence
把相机图像与位置、朝向等地理信号融合做第一人称场景理解与地点属性关联，为视觉语言模型在户外实景定位与导航问答中提供了一个可替换后端的模块化接口设计思路。
IGen：从开放世界图像可扩展地生成机器人学习数据
IGen: Scalable Data Generation for Robot Learning from Open-World Images
把开放世界单张图像转成可用于操作策略训练的视频-动作对：先用 3D 场景表示重建，再由 VLM 规划并输出 SE(3) 末端位姿，最后渲染时序一致的观测。做视觉-动作数据合成、VLA 预训练或 sim-to-real 的工作可以直接复用这条「图像→3D→位姿→视频」的流水线来扩充训练集。
IFCSR：面向单步扩散真实世界图像超分辨率的免推理保真度-真实感控制
IFCSR: Inference-Free Fidelity-Realism Control for One-Step Diffusion-based Real-World Image Super-Resolution
把保真度-真实感的可调控制从潜空间搬到图像空间，使一次推理后即可无额外推理地连续调节权衡，可直接复用于其他单步扩散复原任务（去噪、去模糊）的可控性设计。
IF-Prune：信息流引导的词元剪枝用于高效视觉语言模型
IF-Prune: Information-Flow Guided Token Pruning for Efficient Vision-Language Models
提出基于变分信息瓶颈的视觉词元剪枝方法，利用小型VLM估计词元熵作为剪枝指导，可复用于动态分辨率视觉编码器的高效推理。
IF-Bench：面向红外图像的多模态大模型基准评测与生成式视觉提示增强
IF-Bench: Benchmarking and Enhancing MLLMs for Infrared Images with Generative Visual Prompting
提出免训练的生成式视觉提示方法，利用图像编辑模型将红外图像转换为语义和空间对齐的RGB图像，以缓解域分布偏移，可复用于其他跨域视觉-语言任务。
IEBGL：一种可解释性增强的脑图学习框架，结合大语言模型指导的拓扑与文献增强的语义
IEBGL:An Interpretability-Enhanced Brain Graph Learning Framework with LLM-Instructed Topology and Literature-Augmented Semantics
对做医学影像图学习的人，这篇给出了用 LLM 推理重建脑连接拓扑、并用生物医学文献语义增强节点表示的范式，可作为把外部知识注入图结构、提升可解释性的可复用思路。
IDperturb：通过角度扰动增强合成人脸生成的多样性
IDperturb: Enhancing Variation in Synthetic Face Generation via Angular Perturbations
对做人脸识别训练数据的人：把身份嵌入限制在单位超球面的小角度锥内做扰动采样，无需重训扩散模型即可提升合成人脸的类内多样性，可直接作为身份条件扩散生成器的即插即用采样策略。
IDESplat：面向可泛化三维高斯泼溅的迭代深度概率估计
IDESplat: Iterative Depth Probability Estimation for Generalizable 3D Gaussian Splatting
提出迭代深度概率提升单元（DPBU），通过级联 warp 的极线注意力乘法融合来精化深度候选，可直接用于提升前馈式高斯泼溅的深度估计精度与泛化性。
ID-Sim：一种以身份为中心的相似度指标
ID-Sim: An Identity-Focused Similarity Metric
ID-Sim 提供了一个前馈式身份相似度指标，可直接用于个性化图像生成、身份检索与识别的一致性评估，替代 CLIP/ArcFace 等与人类判断偏差较大的代理指标；其用生成式合成数据构造受控身份/上下文变化来训练度量模型的做法，也可迁移到其他需要细粒度感知对齐的评测任务。
ID-Crafter：面向组合式多主体视频生成的视觉语言模型接地在线强化学习
ID-Crafter: VLM-Grounded Online RL for Compositional Multi-Subject Video Generation
分层身份保持注意力（intra-subject/inter-subject/cross-modal 三级聚合）与 VLM 语义引导、在线 RL 微调的组合，可直接迁移到个性化视频生成与多主体可控生成中，解决多主体身份混淆与语义冲突问题。
ICTPolarReal：真实世界物体的偏振反射与材质数据集
ICTPolarReal: A Polarized Reflection and Material Dataset of Real World Objects
该数据集提供带交叉/平行偏振的 8 相机 346 光源 Light Stage 采集，并解析导出漫反射反照率、镜面反照率与法线，可直接用于训练和评测本征分解、重光照与稀疏视角重建模型，是检验逆渲染方法能否从合成域泛化到真实物体的现成基准。
IBISAgent：强化多模态大模型中的像素级视觉推理，实现通用生物医学目标指代与分割
IBISAgent: Reinforcing Pixel-Level Visual Reasoning in MLLMs for Universal Biomedical Object Referring and Segmentation
把分割重构为多轮「文本点击动作 + 调用分割工具」的智能体决策过程，无需改动 MLLM 架构、也无需联合微调解码器，这种「MLLM 输出点击坐标驱动外部分割器」的范式可直接迁移到通用指代分割与交互式分割，并天然支持掩码迭代精修。
IAG：面向基于 VLM 的视觉定位的输入感知后门攻击
IAG: Input-aware Backdoor Attack on VLM-based Visual Grounding
对做视觉定位或多模态大模型落地的人，这篇给出了一个可复用的攻击面：用文本条件 UNet 把目标语义隐写进图像，使任意指定目标都能被诱导定位，可作为评估 grounding 系统可信度的红队基线。
IAFMNet：面向高效超分辨率的信息感知特征调制
IAFMNet: Information-Aware Feature Modulation for Efficient Super-Resolution
用无监督估计的信息密度图引导稀疏卷积与仿射调制，把计算动态集中到纹理/边缘区域，为高效超分及其他密集预测任务提供可复用的「按信息量分配算力」范式。
I2I-Bench：面向图像到图像编辑模型的综合基准套件
I2I-Bench: A Comprehensive Benchmark Suite for Image-to-Image Editing Models
做图像编辑模型时可直接用这套含 10 类任务、30 个解耦维度的自动化评测协议（专用工具 + LMM 混合打分）替代人工评测，并用其对齐验证方法检验自建指标是否与人类偏好一致。
I-Scene：三维实例模型是隐式可泛化的空间学习者
I-Scene: 3D Instance Models are Implicit Generalizable Spatial Learners
将预训练 3D 实例生成器重编程为场景级空间学习者，用模型中心的空间监督替代数据集监督，并以视角为中心的表示实现前馈式可泛化 3D 场景生成，为交互式 3D 场景理解与生成提供新范式。
我是一张地图！可解释的运动注意力图：在视频扩散 Transformer 中时空定位概念
I'm a Map! Interpretable Motion-Attentive Maps: Spatio-Temporally Localizing Concepts in Video Diffusion Transformers
提出无需梯度计算或参数更新的 GramCol 方法，为视频扩散 Transformer 生成逐帧概念显著性图，可复用于模型内部表示分析与零样本视频语义分割。
面向多目标跟踪的超图-状态协同推理
Hypergraph-State Collaborative Reasoning for Multi-Object Tracking
将超图与状态空间模型结合，通过对象间协同推理增强运动估计，为遮挡和噪声下的多目标跟踪提供可复用的时空建模框架。
用于医学视觉语言模型交叉公平性的双曲关系提示词
Hyperbolic Relational Prompts for Intersectional Fairness in Medical VLMs
把提示词生成建模为在双曲空间中基于样本级关系图的推理过程，为视觉语言模型提供了一种可复用的条件化手段，可用于处理交叉属性组合（如种族×性别）下的细粒度偏差；做提示词微调或多属性可控生成时，可借鉴其双曲图层的层级建模思路。
面向持续测试时分割的双曲原型学习与不确定性感知一致性
Hyperbolic Prototype Learning with Uncertainty-Aware Consistency for Continual Test-Time Segmentation
把语义分割的特征空间从欧氏空间换到 Poincaré 球做原型学习，用双曲体积指数增长换取更大的类间间隔；配合按跨视角一致性把像素分成 core/boundary 两组、分别用测地距离最小化和双曲方向一致性损失约束，是可直接迁移到其他 CTTA/域偏移分割流程的即插即用模块。
用于多模态对齐的双曲 Gramian 体积
Hyperbolic Gramian Volumes for Multimodal Alignment
把多模态对齐中的 Gramian 体积从欧氏空间搬到洛伦兹双曲模型，并用可学习混合保留欧氏判别性，可直接替换视频-文本对比学习中的相似度/对齐损失，提升零样本跨类别判别与语义敏感度。
面向少样本缺陷分类的双曲缺陷特征合成
Hyperbolic Defect Feature Synthesis for Few-Shot Defect Classification
把缺陷特征合成从欧氏空间搬到双曲空间，用少量双曲缺陷原型建模潜在缺陷分布，并用层级缺陷对比损失优化合成特征；做少样本工业缺陷分类、或需要建模层次结构的数据增强时，可复用这套双曲原型+对比损失的合成管线。
双曲 Busemann 神经网络
Hyperbolic Busemann Neural Networks
把 MLR 和全连接层搬到双曲空间（BMLR/BFC），为需要建模层级/树状结构的视觉表征（如类别层级分类、细粒度识别、图结构视觉数据）提供可直接替换的层，且参数更紧凑、批量计算更高效。
HyperST：用于空间转录组学预测的层次化双曲学习
HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction
将双曲几何引入跨模态对齐，利用层次结构建模图像与基因表达的多层级关系，为视觉-组学跨模态预测提供可复用的表征学习框架。
HyperNAS：通过超网络增强 NAS 预测器的架构表征
HyperNAS: Enhancing Architecture Representation for NAS Predictor via Hypernetwork
对做视觉模型选型的人，HyperNAS 提供了一种用共享超网络作为辅助任务来增强架构编码、从而在极少代理样本下预测 ViT/CNN 精度的方法，可直接用于低预算的架构筛选与搜索。
HyperGaussians：用于高保真可动画人脸头像的高维高斯泼溅
HyperGaussians: High-Dimensional Gaussian Splatting for High-Fidelity Animatable Face Avatars
把 3D 高斯原语升级为高维多元高斯，并用「逆协方差技巧」重参数化协方差矩阵以避免高维求逆，这一表示层面的改造可直接替换现有 3DGS 管线中的原语，用于提升高频细节与非线性形变的表达能力。
HyperGait：利用超图释放解析在野外步态识别中的力量
HyperGait: Unleashing the Power of Parsing for Gait Recognition in the Wild via Hypergraph
将人体解析序列作为步态识别输入，并用超图卷积分别建模身体部位间的高阶空间关系与部位时序动态，为野外步态识别提供可复用的高阶相关性建模思路。
Hyper-PCN：基于超图的高阶相关性建模点云补全
Hyper-PCN: Hypergraph-Based Point Cloud Completion via High-Order Correlation Modeling
用超图显式建模点云中超越成对关系的高阶相关性，并通过锚点式两阶段采样构建协作超图，为点云补全及其他点云密集预测任务提供了一种可复用的高阶关系建模模块。
HypeVPR：探索双曲空间用于透视到等距柱状投影的视觉位置识别
HypeVPR: Exploring Hyperbolic Space for Perspective to Equirectangular Visual Place Recognition
把描述子嵌入到双曲空间以显式编码「全景包含多个透视视角」的层次结构，并用层次化聚合在推理时无需重训练即可调节精度-效率折中，这一思路可迁移到任何需要跨视角/跨尺度匹配的检索式定位任务。
HybridDriveVLA：面向自动驾驶的视觉思维链推理与思维树评估的视觉-语言-动作模型
HybridDriveVLA: Vision-Language-Action Model with Visual CoT reasoning and ToT Evaluation for Autonomous Driving
将视觉思维链（V-CoT）用于预测未来场景作为目标，并结合思维树（ToT）对候选轨迹从安全、进度、舒适度多维度评分，为自动驾驶中的轨迹规划提供可解释的推理框架。
面向视觉语言模型的混合词元压缩
Hybrid Token Compression for Vision-Language Models
提出双通道（连续 ViT 图像块 + 离散 MGVQ 语义锚点）视觉词元压缩方案，用解耦注意力掩码与 <voco> 瓶颈把 580 个视觉词元压成 1 个，可直接用于降低任意 VLM 的视觉上下文长度与显存开销。
恶劣天气条件下基于激光雷达-4D雷达融合的混合鲁棒协同感知
Hybrid Robust Collaborative Perception with LiDAR-4D Radar Fusion under Adverse Weather Conditions
在车路/车车协同感知场景下，用4D毫米波雷达补足退化激光雷达的稀疏点云，其双向跨模态门控（BCMG）做特征可靠性互校验、自适应特征增强（AFE）修复被抑制区域，可直接迁移到多智能体多模态融合的鲁棒检测框架中。
用于图像复原的混合智能体
Hybrid Agents for Image Restoration
将多模态大语言模型与轻量级LLM结合为快慢双智能体，通过指令微调与上下文学习实现图像复原任务的自动工具调用与混合退化去除，为构建可交互、自适应的复原系统提供了可复用的智能体框架。
HySeg：为结构感知遥感分割学习生成式先验
HySeg: Learning Generative Priors for Structure-Aware Remote Sensing Segmentation
把分割后验推理建立在生成式结构先验之上：用 MeanFlow 学习语义拓扑的连续随机场，再投影成类别条件亲和度去引导分割头，这个「先验→亲和度→后验」的插件式设计可以迁移到任何需要边界连贯性的密集预测任务。
HyCal：面向跨学科少样本类增量学习的免训练原型校准方法
HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning
在冻结的 CLIP 嵌入上，用余弦相似度与马氏距离互补地校准类原型，可作为一种免训练的原型修正手段，直接迁移到少样本/增量式的开放词表识别与跨域检索场景。
通过残差学习从查询样本中搜寻正常性以实现通用异常检测
Hunting Normality from Query Sample via Residual Learning for Generalist Anomaly Detection
将残差特征从「直接建模分布」改为「引导学习实例级正常性代理」，并用支持集特征动态聚合查询相关的正常性代理，这一思路可迁移到少样本缺陷检测、开放类别异常定位以及任何需要类不变表征的定位任务。
面向零样本运动跟踪的人形生成式预训练
Humanoid Generative Pre-Training for Zero-Shot Motion Tracking
用因果注意力 Transformer 在十亿级动作语料上做生成式预训练，替代浅层 MLP 跟踪器，为视觉驱动的全身运动跟踪与零样本泛化提供可扩展的骨干与数据规模化范式。
HumanVBench：以自动合成基准探测多模态大模型中以人为中心的视频理解能力
HumanVBench: Probing Human-Centric Video Understanding in MLLMs with Automatically Synthesized Benchmarks
提供了一套可复用的自动化基准构建流水线：用强模型生成高质量视频标注，并把模型自身的错误系统性地转化为干扰项，从而以极低人工成本构造细粒度多选题评测集；做视频 MLLM 评测或需要构造难负样本的视觉研究者可直接借鉴这一「错误即干扰项」的合成思路。
HumanNOVA：从单张图像生成照片级真实、通用且快速的3D人体化身模型
HumanNOVA: Photorealistic, Universal and Rapid 3D Human Avatar Modeling from a Single Image
提出一种前馈式、以词元为条件的单图人体化身建模框架，利用跨注意力将图像与SMPL词元融合为三平面表示，无需测试时优化即可在1秒内生成逼真3D人体，为快速3D重建与可控生成提供可复用范式。
HumanBA：通过全局人体-相机解耦的人体感知光束法平差
HumanBA: Human-Aware Bundle Adjustment via Global Human-Camera Decoupling
将动态人体作为可用的路标点，通过运动解耦从关节轨迹中分离出相机诱导的伪静态分量，使其能安全地融入光束法平差，为单目视频中人体主导场景的相机位姿估计与全局人体重建提供了新思路。
通过理解与求解推理循环实现类人抽象视觉推理
Human-like Abstract Visual Reasoning via Understanding and Solving Reasoning Loop
把「理解模块—求解模块」的循环交互与基于一致性的自适应停止机制引入视觉推理，可作为在少样本图形规则归纳任务上替代一次性前向推理的可复用架构思路。
以人为中心的多曝光融合：基准与双层认知蒸馏框架
Human-Centric Multi-Exposure Fusion: Benchmark and Bi-level Cognition Distillation Framework
把EEG认知信号作为教师端的先验来监督低层视觉特征学习，再蒸馏到只用图像输入的轻量学生网络，为「用生理信号定义感知质量、但推理时不需要生理信号」提供了一套可复用的双层优化范式，可直接迁移到去噪、增强等其它低层任务的主观质量对齐。
面向单张图像的人类交互感知三维重建
Human Interaction-Aware 3D Reconstruction from a Single Image
把多人场景先变换到正交规范空间、再用多视图扩散联合生成法线与图像以补全遮挡区域，并引入基于物理的交互先验约束人体间接触，这套「组-实例联合建模 + 多视图扩散补全」思路可直接迁移到多人/多物体场景的单图重建与遮挡补全任务。
面向三维动画生成的人体几何分布
Human Geometry Distribution for 3D Animation Generation
提出一种基于分布的紧凑潜表示，在 SMPL 与人体 avatar 几何之间建立更均匀的映射，可作为人体几何生成与动画的通用中间表示；两阶段框架（先学潜空间、再在潜空间内生成动画）也为动作驱动的 3D 人体动画提供了可复用的建模范式。
HulluEdit：单次前向的证据一致子空间编辑用于缓解大型视觉语言模型中的幻觉
HulluEdit: Single-Pass Evidence-Consistent Subspace Editing for Mitigating Hallucinations in Large Vision-Language Models
提出一种无需参考模型、单次前向的正交子空间编辑方法，将隐藏状态分解为视觉证据、冲突先验和残差不确定性三个正交子空间，仅对先验子空间进行编辑以抑制幻觉，同时数学上保证视觉成分不受影响。该技术可直接用于提升现有LVLM的可靠性，且推理高效。
拥抱视觉提示与分割令牌：多模态大语言模型中用于细粒度视觉理解的一致性学习
Hugging Visual Prompt and Segmentation Tokens: Consistency Learning for Fine-Grained Visual Understanding in MLLMs
该论文提出的一致性学习损失和两阶段训练框架，可复用于其他需要联合优化视觉提示与分割令牌的多模态任务，为细粒度视觉理解提供了一种通用的训练策略。
如何拍出令人难忘的照片？以可执行反馈赋能用户
How to Take a Memorable Picture? Empowering Users with Actionable Feedback
把 MLLM 的内部激活沿「由低到高记忆性」的教师轨迹做免训练引导，使其输出可执行的拍摄建议；这套 teacher-student steering 思路可直接迁移到其他需要让 VLM 给出可操作建议的视觉任务（如构图、光照、美学反馈）。
视频基础模型编码了多少 3D 信息？
How Much 3D Do Video Foundation Models Encode?
提出一种模型无关的探针框架，通过浅层读出从视频基础模型特征中估计多种 3D 属性，为评估视觉模型内在 3D 理解提供可复用工具，并揭示视频生成模型可超越专家 3D 模型。
合成数据用于音视频声源定位究竟能走多远？
How Far Can We Go With Synthetic Data for Audio-Visual Sound Source Localization?
对做音视频多模态定位的研究者，这篇给出了用 text-to-X 生成模型批量合成 VGGSound 克隆数据、并与真实数据混合训练的完整配方，可直接复用于缓解视觉-音频配对数据规模小、语义错位的问题。
HorizonForge：任意轨迹与任意车辆的驾驶场景编辑
HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles
把驾驶场景重建为可编辑的高斯泼溅与网格，再用噪声感知的视频扩散做前馈渲染，为需要精确轨迹/车辆控制的可控视频生成提供了「3D 表示 + 视频扩散先验」的可复用范式。
HoneyBee：面向视觉语言推理器的数据配方
HoneyBee: Data Recipes for Vision-Language Reasoners
论文系统研究了视觉语言推理数据集的构建策略，包括上下文来源、数据干预和维度扩展，并提出了测试时扩展方法，可直接用于构建高质量多模态推理训练数据。
用于检测临界两视图配置的单应参数化
Homaloidal parametrization for detecting critical two-view configurations
提出一种基于二次变换线性估计的退化配置检测方法，可替代传统依赖基础矩阵的检测方式，提升两视图几何估计的鲁棒性。
HoloCine：电影级多镜头长视频叙事的整体生成
HoloCine: Holistic Generation of Cinematic Multi-Shot Long Video Narratives
窗口交叉注意力把文本提示定位到具体镜头、镜头内稠密镜头间稀疏的自注意力模式，是让长视频生成在分钟级尺度上保持全局一致且算力可控的可复用设计，可直接迁移到任何需要跨片段一致性的长序列生成任务。
Hoi!：一个基于力与跨视角铰接操作的多模态数据集
Hoi! - A Multimodal Dataset for Force-Grounded, Cross-View Articulated Manipulation
该数据集提供人类手部与机器人夹爪两种视角下的铰接物体操作视频，并同步记录末端执行器力与触觉信号，可用于研究跨视角动作理解、力感知表征学习以及人-机器人策略迁移。
从历史到未来：以经验与思考演化智能体实现零样本视觉语言导航
History to Future: Evolving Agent with Experience and Thought for Zero-shot Vision-and-Language Navigation
把 LLM 的未来动作/地标预测（F-CoT）与历史轨迹经验总结（H-CoE）组合成可演化的零样本导航决策回路，可直接迁移到视觉导航、具身探索等需要在线纠错的序列决策任务中。
Hist2Style：直方图引导的双边网格风格化
Hist2Style: Histogram-Guided Stylization with Bilateral Grids
双边网格上的局部仿射变换可作为高分辨率实时图像编辑的通用算子，配合直方图嵌入实现可解释、可交互的颜色/色调控制，并可用大模型蒸馏出轻量网络，避免生成式幻觉。
Hint2Gen：通过代码结构化提示连接理解与生成
Hint2Gen: Bridging Understanding and Generation via Code-structured Hints
把 SVG/HTML 这类代码结构化提示作为图像平面上的显式条件输入，接到 FLUX.1 Kontext 这类扩散编辑模型上，为「推理密集型生成」提供了一条可复用的条件注入路径；Reason2Gen 基准也可直接用于评测生成模型的推理能力。
Hilbert-Geo：以神经符号推理求解立体几何问题
Hilbert-Geo: Solving Solid Geometric Problems by Neural-Symbolic Reasoning
把几何图形解析成形式化谓词（CDL）再交给定理库做可验证推理，这条「视觉解析→符号推理」的流水线可直接迁移到图表理解、几何题求解等需要严格可验证输出的多模态任务上。
基于希尔伯特曲线的注意力实现语义分割网络的拓扑保持图像张量表示
Hilbert Curve-Based Attention Enabling Topology-Preserving Image Tensor Representation for Semantic Segmentation Network
把 Hilbert 曲线空间填充顺序引入解码器的注意力计算，用一维连续索引保持二维张量的空间邻接关系，可作为通用手段替换分割/检测解码器中的展平或窗口划分方式，以改善边界与细结构的连续性。
基于事件的高质量高效湍流抑制
High-Quality and Efficient Turbulence Mitigation with Events
把事件相机的微秒级时序信息当作运动与结构先验，用极性加权梯度做场景细化、用事件管（event tube）约束把动态物体从湍流扰动中解耦，从而在极少帧下完成复原；这套「事件先验 + 少帧复原」思路可直接迁移到低光照、去模糊、视频稳定等时序退化复原任务。
基于深度完整性先验与细粒度图像块策略的高精度二值图像分割
High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy
把单目深度估计模型输出的伪深度当作「完整性先验」注入分割网络，用深度一致性损失约束分割结果，并用自适应图像块选择精修边界——这套思路可直接迁移到高分辨率抠图、显著目标检测等需要锐利边界的密集预测任务，且无需扩散模型即可逼近其精度。
基于扩散的循环一致性学习实现超越配对数据稀缺的高保真虚拟试衣
High-Fidelity Virtual Try-On beyond Paired Data Scarcity via Diffusion-based Cycle-Consistent Learning
提出基于扩散模型循环一致性学习的虚拟试衣框架，利用无配对数据训练统一生成模型，其多准则过滤和感知正则化策略可迁移到其他需要无配对数据的图像编辑任务。
基于剪枝局部 blendshape 的高保真移动端化身
High-Fidelity Mobile Avatars with Pruned Local Blendshapes
提出局部线性 blendshape 表示，用身体小区域的局部高斯相关性降低姿态相关外观的建模误差，并通过剪枝冗余 blendshape 实现极简表示，为移动端高保真人体化身重建提供了可复用的高效表示方案。
基于身份约束人脸条件的高保真扩散人脸交换
High-Fidelity Diffusion Face Swapping with ID-Constrained Facial Conditioning
把身份条件与属性条件解耦注入、先保身份再微调属性对齐的两阶段条件控制思路，可直接迁移到任何人脸编辑/换脸扩散模型中，用于缓解多条件冲突；后训练阶段加入身份损失与对抗损失做精修的做法也可复用到其他身份保持生成任务。
高分辨率神经视频编码：双向置信度引导的参考信息建模
High Resolution Neural Video Coding with Bi-directional Confidence-Guided Reference Information Modeling
针对高分辨率视频中光流不可靠和双向预测融合失真的问题，提出置信度引导的非均匀参考信息融合与多尺度运动表示，可复用于视频压缩、帧插值等需要双向时序建模的任务。
层次化鲁棒的零样本视觉语言模型
Hierarchically Robust Zero-shot Vision-language Models
把类别层级结构（父类-叶类）引入对抗微调，用层次化嵌入与多层级图文对齐同时提升自然性能与对抗鲁棒性；对做 VLM 鲁棒微调、开放词表分类的人，这是一个可直接复用的对齐框架，并给出嵌入深度与最大间隔尺寸的理论联系。
基于特征高斯泼溅最近视角合成的分层视觉重定位
Hierarchical Visual Relocalization with Nearest View Synthesis from Feature Gaussian Splatting
将 Feature Gaussian Splatting 作为场景表示用于分层重定位，并用自适应视角检索合成与查询视角更接近的虚拟候选图，缓解数据库图像稀疏问题；同时提出粗阶段用高斯渲染特征、精阶段用图像直接提取特征的混合匹配策略，可直接迁移到任何基于特征匹配的位姿估计流程。
分层过程奖励模型是符号视觉学习器
Hierarchical Process Reward Models are Symbolic Vision Learners
用符号自编码器把图表解析成点/线/形状等结构化基元，并以分层过程奖励约束几何一致性，可替代 MLLM 的视觉编码器或直接为 LLM 提供可解释的符号解析输入，为几何/图表类视觉推理提供了一条非像素化的表征路径。
用于3D形状异常检测的层次化点-面片融合与自适应面片码本
Hierarchical Point-Patch Fusion with Adaptive Patch Codebook for 3D Shape Anomaly Detection
提出层次化点-面片融合与自适应面片码本，可复用于点云异常检测与细粒度几何偏差建模；其自监督分解模块为无监督3D形状分析提供新思路。
基于音视频实体凝聚与智能体搜索的层次化长视频理解
Hierarchical Long Video Understanding with Audiovisual Entity Cohesion and Agentic Search
提出层次化视频索引（全局摘要-场景-片段-实体）与智能体检索机制，可复用于长视频问答中的动态信息检索与叙事重建；音视频实体级对齐为多模态视频理解提供语义一致性约束。
面向解耦文本驱动运动生成的语义先验分层增强
Hierarchical Enhancement of Semantic Priors for Disentangled Text-Driven Motion Generation
把潜空间结构化为多个语义一致子流形（AG-VAE）的思路，可直接迁移到视觉扩散模型的潜空间解耦与可控生成；分层跨模态注意力与动态记忆融合也可用于文本到图像/视频的条件注入设计。
层次概念嵌入与追踪用于可解释图像分类
Hierarchical Concept Embedding & Pursuit for Interpretable Image Classification
HCEP 利用视觉语言模型的潜空间，通过层次化稀疏编码恢复图像中的概念，为设计可解释分类模型提供了新思路；其几何构造和恢复条件可推广到其他需要结构化概念表示的任务。
面向视频到语音生成的层级编解码扩散模型
Hierarchical Codec Diffusion for Video-to-Speech Generation
把 RVQ 编解码器的层级结构直接映射为扩散 Transformer 的低层/高层 block，并用唇动、身份、表情分别条件化不同层级，这种「按 token 层级分配视觉条件」的做法可迁移到其他跨模态生成任务（如视频到动作、面部到语音）。
面向多模态多智能体推理的分层攻击
Hierarchical Attacks for Multi-Modal Multi-Agent Reasoning
对做多模态大模型/VLM 智能体的人，这篇给出了一个可复用的分层攻击面清单：视觉输入扰动、图文融合表示扰动、共享上下文与通信拓扑篡改、以及推理链偏置，可直接用来做红队测试或设计鲁棒性防御。
面向弱监督动作分割的层次化动作学习
Hierarchical Action Learning for Weakly-Supervised Action Segmentation
论文提出层次化因果生成过程与稀疏转移约束，利用高层动作潜变量变化慢的特性来抑制过分割，这种时序潜变量对齐思路可迁移到其他视频时序任务（如动作识别、时序动作定位）中。
HieraMamba：基于层次化锚框-Mamba池化的视频时序定位
HieraMamba: Video Temporal Grounding via Hierarchical Anchor-Mamba Pooling
用 Mamba 的选择性扫描在多个尺度上生成紧凑锚框 token，替代固定窗口或过度下采样，为长视频时序定位保留细粒度时序保真度；锚框条件与分段池化对比损失可作为通用的多尺度时序表征学习手段迁移到其他视频-语言任务。
HierUQ：面向退化图像分类的自适应粒度协调分层不确定性量化
HierUQ: Hierarchical Uncertainty Quantification with Adaptive Granularity Reconciliation for Degraded Image Classification
针对低质量/退化图像，用基于标签平滑与 proper scoring rule 的分层不确定性量化，配合置信度不足时回退到高层节点的路径调整机制，可作为视觉模型在分布偏移下做可靠预测与拒识的通用手段。
HierEdit：面向高效高分辨率编辑的区域感知分层扩散模型
HierEdit: Region-Aware Hierarchical Diffusion for Efficient High-Resolution Editing
把高分辨率编辑拆成「低分辨率代理定位 + 局部窗口 MMDiT 精修」两级流程，只对改动区域做全分辨率去噪、未改动区域作为条件复用，可直接迁移到 4K 修复/重绘等需要避免全图注意力开销的编辑任务。
HierAmp：面向生成式数据集蒸馏的由粗到细自回归语义放大
HierAmp: Coarse-to-Fine Autoregressive Amplification for Generative Dataset Distillation
把 VAR 的由粗到细多尺度生成当作层级语义的天然载体，在每个尺度注入类别词元并生成显著性图来引导合成，这个「尺度级条件注入 + 显著性引导」的机制可直接迁移到任何需要分层控制生成内容的视觉合成任务。
Hier-COS：通过正交子空间组合使深度特征具备层次感知能力
Hier-COS: Making Deep Features Hierarchy-aware via Composition of Orthogonal Subspaces
Hier-COS 提供了一种将预训练骨干网络（如 ViT）的冻结特征转换为层次感知表征的通用框架，其正交子空间组合机制可被视觉研究者复用于需要结构化语义先验的细粒度分类任务。
隐藏的单调性：通过 DC 分解解释深度神经网络
Hidden Monotonicity: Explaining Deep Neural Networks via their DC Decomposition
把训练好的 ReLU 网络拆成两个单调凸部分（DC 分解）并解决权重爆炸的数值问题，可直接替换现有 CAM/LRP 的传播规则，得到更忠实的显著性图；同时可用「两个单调网络之差」的架构训练天生自解释的视觉模型。
组合生成的隐藏危险：诊断文本到图像模型中的语义安全失效
Hidden Dangers of Compositional Generation: Diagnosing Semantic Safety Failures in Text-to-Image Models
提出一种纯文本空间的黑盒组合重写攻击 CoRA，可复用于评估 T2I 模型安全过滤器的语义组合漏洞，并启发设计更鲁棒的安全对齐与过滤机制。
HiconAgent：面向 GUI 智能体的历史上下文感知策略优化
HiconAgent: History Context-aware Policy Optimization for GUI Agents
把「历史观测该保留多少」变成策略优化里的显式变量：DCS 在采样阶段给智能体不同长度的历史，AHC 用双分支（压缩分支丢观测、保留动作作为信息流锚点）加对齐损失约束两分支一致，这套「变长历史采样 + 压缩分支对齐」可直接迁移到视频/多帧输入的视觉决策模型，用来在长时序视觉上下文下省算力。
HiSpatial：在视觉语言模型中驯服分层 3D 空间理解
HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models
把度量尺度点图作为辅助输入注入 VLM，并用四级递进的空间 VQA 数据（约 5M 图像、45M 物体）做监督微调，是提升视觉语言模型 3D 空间理解的一条可复用数据与输入表征路线。
HiLoRA：面向个性化联邦学习的分层低秩适配
HiLoRA: Hierarchical Low-Rank Adaptation for Personalized Federated Learning
把 LoRA 适配器按 root/cluster/leaf 三层级放置，并用子空间相似度做客户端聚类，这套「分层低秩适配 + 子空间正交」思路可直接迁移到视觉模型的多域/多客户端个性化微调与跨域适配场景。
HiFi-Inpaint：面向高保真参考引导图像修复以生成细节保持的人-产品图像
HiFi-Inpaint: Towards High-Fidelity Reference-Based Inpainting for Generating Detail-Preserving Human-Product Images
面向参考图引导的图像修复，提出共享增强注意力（SEA）与基于高频图的细节感知损失（DAL），可直接迁移到需要像素级细节保真的参考驱动编辑/合成任务中。
HiFi-BRep：面向鲁棒 B-Rep 生成的高保真潜变量表示
HiFi-BRep: High-Fidelity Latent Representation for Robust B-Rep Generation
把 B-Rep 生成重构为「高保真潜变量 + 单阶段并行几何/拓扑解码」的范式，其用可学习查询消除 padding 噪声、用拓扑引导注意力防止特征污染的做法，可迁移到点云/网格等结构化 3D 表示的生成式建模中。
HiFICL：面向多模态任务的高保真上下文学习
HiFICL: High-Fidelity In-Context Learning for Multimodal Tasks
把 ICL 中示例的影响精确分解为注意力输出与上下文值的动态混合，并用可学习的虚拟键值对加低秩分解来替代「shift vector」近似，这给视觉-语言模型提供了一种免示例、低开销的任务适配手段，可直接嵌入 LMM 的注意力层做端到端训练。
HiF-VLA：通过运动表征为视觉-语言-动作模型引入回溯、洞察与前瞻
HiF-VLA: Hindsight, Insight and Foresight through Motion Representation for Vision-Language-Action Models
把帧间运动（而非原始像素）作为紧凑的时序上下文表征，并以此构建以运动为中心的世界模型，为 VLA 提供回溯先验与前瞻推理；这一「运动即上下文」的思路可直接迁移到任何需要长程时序一致性的视觉-动作策略中，且额外推理延迟可忽略。
HiDRA：面向红外视觉增强的分层退化表征与生成先验自适应
HiDRA: Hierarchical Degradation Representation and Adaptation with Generative Priors for Enhancing Infrared Vision
把退化模式显式建模成可解耦的表征，再用它去条件化生成模型的参数微调，这个「退化表征→参数自适应」的范式可以直接迁移到低光照、去噪、去模糊等复合退化复原任务上，尤其是可见光预训练扩散先验跨域适配到非可见光成像的场景。
HiCoGen：基于强化学习的扩散模型分层组合式文本到图像生成
HiCoGen: Hierarchical Compositional Text-to-Image Generation in Diffusion Models via Reinforcement Learning
把复杂提示拆成最小语义单元、逐步合成并让每步图像作为下一步视觉上下文，再用分层奖励的强化学习优化采样；其中「将随机性集中在前段以最大化样本多样性」的衰减随机性调度可直接用于任何扩散采样的探索增强。
Hi-Lo Prune：在剪枝之前先看清将失去什么的分层词元选择方法
Hi-Lo Prune: Look at What You'll Lose before Pruning with Hierarchical Token Selection
对做多模态大模型视觉侧推理加速的人，这篇给出了一个可直接复用的三段式流程：先用由粗到细的分层选择挑出冗余词元与待剪候选，再在 LLM 前几层用注意力把候选词元的信息显式迁移到保留词元上，最后在指定层一次性移除，从而支持激进的高比例早期剪枝而无需微调。
Hg-I2P：基于异构图打通模态以实现可泛化的图像到点云配准
Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs
用异构图把分割后的 2D/3D 区域作为节点、跨模态关系作为边，统一完成特征交互与对应关系剪枝，可直接迁移到图像-点云配准、跨模态定位等需要鲁棒 2D-3D 对应的任务。
启发式推理先验助力数据高效的指代目标检测
Heuristic-inspired Reasoning Priors Facilitate Data-Efficient Referring Object Detection
把由指代短语推导出的空间/语义启发式先验注入 DETR 式 grounding 流程的 proposal ranking、prediction fusion 与 Hungarian matching 三个环节，是一种模型无关、可直接复用的低数据量增强手段。
面向恶劣条件下域自适应语义分割的启发式自步学习
Heuristic Self-Paced Learning for Domain Adaptive Semantic Segmentation under Adverse Conditions
把课程学习建模为序贯决策问题，用高维状态编码器+策略梯度自动调度类别学习顺序，可直接迁移到任何需要按难度/信息量安排训练样本的视觉任务（如域自适应检测、分割）。
异构去中心化扩散模型
Heterogeneous Decentralized Diffusion Models
把 DDPM 与流匹配两种目标在去中心化多专家训练中混用、推理时统一，并给出 ImageNet-DDPM 到流匹配的权重转换方案，为算力受限的视觉生成研究提供了可复用的低成本训练路径。
HeroGS：面向稀疏视角下鲁棒三维高斯泼溅的层次化引导
HeroGS: Hierarchical Guidance for Robust 3D Gaussian Splatting under Sparse Views
针对稀疏视角下 3DGS 高斯分布退化的问题，提出图像级伪稠密监督、特征级自适应稠密化与剪枝、参数级协同剪枝几何一致性三级引导，可直接迁移到任何稀疏输入的新视角合成或三维重建流程中作为正则化与致密化策略。
基于可微渲染的 Hermite 径向基函数表面重建
Hermite Radial Basis Function for Surface Reconstruction via Differentiable Rendering
用局部 RBF 及其导数构造全局 Hermite 隐式函数，并通过可微渲染端到端学习场景几何；对做隐式表面重建的人，这提供了一种兼顾精确几何表示与快速渲染（BVH 加速求交）的替代 3DGS/RayGauss 方案。
以鼓之形听其室：基于模态引导的多点表面振动声音恢复
Hearing the Room Through the Shape of the Drum: Modal-Guided Sound Recovery from Multi-Point Surface Vibrations
把「视觉麦克风」从薄膜/扬声器等良响应物体推广到响应差或强共振的固体：用散斑成像同时采集多点多轴表面振动，再借物体振动模态建立物理正演模型并反演共振传递函数，为基于视觉的非接触声学传感提供了一条可复用的多测点融合反演思路。
听见你在哪：用视觉与空间声音教大语言模型空间推理
Hear you are: Teaching LLMs Spatial Reasoning with Vision and Spatial Sound
把双耳空间音频作为额外输入通道接入大语言模型，为视觉问答提供声源方位线索；当语义对应缺失或存在多个语义匹配时，空间对齐可作为消歧依据，这一设定可直接迁移到机器人听觉定位、视频中的声源定位与多模态推理任务。
听见你所见：基于扩散 Transformer 与语义-时序对齐排序直接偏好优化的视频到音频生成
Hear What You See: Video-to-Audio Generation with Diffusion Transformer and Semantic-Temporal Alignment-Ranked Direct Preference Optimization
把视频帧与文本线索作为多模态条件注入 co-attention 扩散 Transformer，并用按语义-时序对齐排序构造偏好对的 DPO 微调扩散采样过程，这套「自动排序候选 + 偏好微调」的流程可直接迁移到其他以视觉为条件的生成任务（如视频生成、可控图像生成）中提升条件对齐度。
听见关键之声！文本条件的选择性视频到音频生成
Hear What Matters! Text-conditioned Selective Video-to-Audio Generation
把文本提示词当作显式选择器，通过补充 token 引导交叉注意力从视频编码器中分离出与提示词相关的声源视觉特征，这一「文本引导特征选择」思路可迁移到视觉中的条件生成与可控编辑任务。
面向细粒度图像生成的按检测头自适应旋转位置编码
Head-wise Adaptive Rotary Positional Encoding for Fine-Grained Image Generation
把标准多维 RoPE 换成按检测头自适应、经 SVD 参数化的可学习旋转映射，可直接作为现有 DiT/Flux 类图像生成主干的位置编码替换件，改善细粒度空间关系与计数能力，且不破坏相对位置性质。
HeSS：用于 VGGT 稀疏性重分配的检测头敏感度分数
HeSS: Head Sensitivity Score for Sparsity Redistribution in VGGT
对做 3D 重建/前馈几何模型的人，这篇给出了一个可直接套用的检测头级稀疏预算再分配方案：用小型校准集上的 Hessian 近似给每个注意力检测头打敏感度分，再按分数非均匀分配注意力预算，从而在 VGGT 这类全局注意力主干上以训练-free 方式换取高稀疏下的精度保持。
利用基础模型实现准确的材质分类
Harnessing the Power of Foundation Models for Accurate Material Classification
提出利用视觉语言基础模型进行自动标注和先验蒸馏的流程，可复用于其他数据稀缺的细粒度分类任务；其合成数据生成与自动标注管道为视觉研究提供了数据增广新思路。
利用多模态大语言模型中的思维链推理进行人脸活体检测
Harnessing Chain-of-Thought Reasoning in Multimodal Large Language Models for Face Anti-Spoofing
将思维链视觉问答引入人脸活体检测，用 MLLM 的视觉-语言联合推理替代单一视觉模态判别，并给出可复用的 CoT VQA 数据集构建与渐进式训练策略，可直接迁移到其他需要细粒度真伪判别的视觉任务。
Harmony：通过跨任务协同实现音视频生成和谐化
Harmony: Harmonizing Audio and Video Generation through Cross-Task Synergy
提出跨任务协同训练与SyncCFG，可迁移到视频生成中增强跨模态对齐；全局-局部解耦交互模块为时序细粒度对齐提供高效注意力设计思路。
协调特征条件与频率提示个性化用于多标注者医学分割
Harmonized Feature Conditioning and Frequency-Prompt Personalization for Multi-Rater Medical Segmentation
提出频域提示模块和特征协调网络，将标注者差异建模为风格提示，可推广到其他需要建模标注歧义的视觉任务（如多标注者分类、检测）。
面向安全对齐多模态大模型的持续视觉指令微调中的和谐参数适配
Harmonious Parameter Adaptation in Continual Visual Instruction Tuning for Safety-Aligned MLLMs
对做多模态大模型持续指令微调的人，这篇给出了一个后训练框架：按参数对安全/任务的关注度做分区，再从平衡视角选择要保留的参数子集，并对更新施加正交约束，可直接迁移到视觉指令微调的增量学习场景以同时抑制任务遗忘与安全退化。
和谐画布：面向视觉引导音乐风格迁移的无反转编辑
Harmonic Canvas: Inversion-Free Editing for Visually-Guided Music Style Transfer
把基于 flow 的无反转编辑框架从图像迁移到音频，用 CLIP+ViT 双编码器融合视觉嵌入作为生成条件，并用可微归一化色度约束在生成流上保持内容一致性——这套「视觉条件 + 无反转流编辑 + 内容保持约束」的组合可直接复用到图像/视频的风格化编辑与视觉引导生成。
触觉神经场：将触觉交互引入三维渲染场景
Haptic Neural Fields: Bringing Tactile Interactions to 3D Rendered Scenes
将神经场从纯视觉渲染扩展到触觉信号合成，为视觉研究者提供了一种以几何与交互动态为条件的隐式场建模思路，可用于多模态场景表示与交互式渲染。
HandX：扩展双手运动与交互生成
HandX: Scaling Bimanual Motion and Interaction Generation
对手部精细动作与双手交互生成感兴趣的视觉研究者，可直接复用其解耦标注范式（先抽取接触事件、手指弯曲等运动特征，再用 LLM 生成语义描述）以及手部专用评测指标，用于构建条件运动生成的数据与评测流程。
HandWorld：以手为中心的统一视频动作生成
HandWorld: Hand-Centric Unified Video Action Generation
用双分支条件网络把视频域与动作域对齐成共享条件，再由两个解耦的扩散 Transformer 分别生成，这种「共享条件 + 分域解耦生成」的范式可直接迁移到其他需要联合生成视觉与结构化信号的设定（如轨迹+视频、音频+视频）。MANO 渲染手部作为中间输入提升跨域一致性的做法，对手物交互视频生成与动作预测都有参考价值。
HandVQA：诊断并改进视觉语言模型中的手部细粒度空间推理
HandVQA: Diagnosing and Improving Fine-Grained Spatial Reasoning about Hands in Vision-Language Models
对手部细粒度空间推理感兴趣的视觉研究者，可以把 HandVQA 当作诊断工具：用 3D 手部数据集自动生成关节角度、距离、相对位置的多选题，检验 VLM 的几何理解；同时验证了 LoRA 微调后学到的 3D 空间知识能零样本迁移到手势识别与手物交互任务，为「用合成 VQA 注入几何先验」提供了可复用范式。
HandDreamer：使用矫正性手形引导的零样本文本到 3D 手模型生成
HandDreamer: Zero-Shot Text to 3D Hand Model Generation using Corrective Hand Shape Guidance
针对 SDS 在关节物体上因文本概率地形多峰导致的视图不一致问题，提出用 MANO 初始化加手部骨架引导扩散提供结构先验，并设计矫正性手形引导损失把各视图拉回一致模态——这套「参数化模板先验 + 视图一致性正则」的思路可直接迁移到人体、动物等铰接物体的文本到 3D 生成。
HanDyVQA：面向细粒度手物交互动态的视频问答基准
HanDyVQA: A Video QA Benchmark for Fine-Grained Hand-Object Interaction Dynamics
提供了一个细粒度手物交互视频问答基准，并配套物体/部件级分割掩码，可用于评测视频基础模型的时空与部件级几何推理能力；其发现「显式注入 HOI 线索到视觉特征可提升性能」为设计 HOI 感知的视频表征提供了可复用思路。
HamiPose：面向无监督域自适应姿态估计的哈密顿优化
HamiPose: Hamiltonian Optimization for Unsupervised Domain Adaptive Pose Estimation
把源域监督与目标域一致性之间的梯度冲突显式解耦：按关键点做几何分解、正交投影保留非冲突分量，再用通道门控按置信度校准平行分量，最后用辛普森积分器驱动的哈密顿优化器提供受控动量。做跨域关键点/姿态迁移时可直接复用这套梯度解耦+动量稳定更新的训练流程。
HalluGen：合成逼真可控的幻觉以评估图像复原
HalluGen: Synthesizing Realistic and Controllable Hallucinations for Evaluating Image Restoration
HalluGen 提供了一种可控合成幻觉的扩散框架，可用于生成带有类型、位置和严重程度标注的幻觉数据，进而训练无参考幻觉检测器或评估图像质量指标；其提出的 SHAFE 指标利用特征和软注意力池化提升幻觉敏感性，对图像复原任务的可信度评估有直接借鉴意义。
H^2A^2：面向统一室内 3D 目标检测的同质感知与异质感知特征提取
H^2A^2: Homogeneity-Aware and Heterogeneity-Aware Feature Perception for Unified Indoor 3D Object Detection
针对室内 3D 检测的跨场景训练，提出结构特征感知的核选择与梯度归一化策略，可复用于点云检测器的跨域泛化与多任务优化。
HVG-3D：打通真实与仿真域的三维条件手物交互视频合成
HVG-3D: Bridging Real and Simulation Domains for 3D-Conditional Hand-Object Interaction Video Synthesis
将 3D ControlNet 接入扩散视频生成主干，用显式三维几何与运动线索替代 2D 控制信号，为视觉研究者提供了一条把仿真 3D 数据与真实单图结合、实现时空可控视频合成的可复用路径。
HUMORCHAIN：面向可解释多模态幽默生成的理论引导多阶段推理
HUMORCHAIN: Theory-Guided Multi-Stage Reasoning for Interpretable Multimodal Humor Generation
把幽默理论中的认知结构显式嵌入多阶段推理链，用于视觉到语言的生成；其「视觉语义解析→理论引导推理→判别器打分」的可解释链条可迁移到需要认知深度或风格化表达的图像描述与多模态生成任务。
HUMAPS-4D：一个融合生理与语义信息的多模态人体运动分析数据集
HUMAPS-4D: A Multimodal Dataset for HUman Motion Analysis with Physiological and Semantic informations
为视觉研究者提供了一条不依赖视频的人体姿态重建路径：用足底压力、IMU、sEMG 等低层生理信号回归三维姿态，并与多视角视频、动作捕捉同步，可直接用于多模态融合与隐私受限场景下的姿态估计基准。
HTTM：用于加速 VGGT 的逐头时序词元合并
HTTM: Head-wise Temporal Token Merging for Faster VGGT
HTTM 提出一种免训练的词元合并方法，利用多头注意力中每个头的空间局部性和时序对应关系，在保持特征独特性的同时大幅降低 VGGT 的推理延迟，可复用于其他基于全局注意力的 3D 重建或视频理解模型。
HTNav：面向城市空中视觉语言导航的混合分层结构导航框架
HTNav: A Hybrid Navigation Framework with Tiered Structure for Urban Aerial Vision-and-Language Navigation
提出混合模仿学习与强化学习的分层导航框架，结合地图表征学习增强空间连续性理解，可复用于视觉语言导航等具身任务中的长程路径规划与精细动作控制协同问题。
HSI-GPT2：面向人-场景交互的双粒度大运动推理模型与扩散精炼
HSI-GPT2: A Dual-Granularity Large Motion Reasoning Model with Diffusion Refinement for Human-Scene Interaction
提出双粒度运动分词器与扩散解码器，将LLM的深层语义转化为物理合理的人体运动，为3D场景中的人-场景交互生成提供了可复用的运动表示与解码方案。
HQC-NBV：一种混合量子-经典视角规划方法
HQC-NBV: A Hybrid Quantum-Classical View Planning Approach
把视角规划（NBV）的参数搜索交给变分量子线路：用多分量哈密顿量编码视角代价、用双向交替纠缠的 ansatz 捕捉视角参数间的层级依赖，可作为主动视觉/机器人探索中采样式规划器的替代搜索后端。
HP-Edit：面向图像编辑的人类偏好后训练框架
HP-Edit: A Human-Preference Post-Training Framework for Image Editing
用预训练 VLM 加少量人工偏好打分训练自动评分器，再把它同时当作偏好数据构造器和 RL 奖励函数，为扩散/流式图像编辑模型做后训练对齐；这套「VLM 评分器 + 偏好奖励」的流程可直接迁移到超分、去噪、视频生成等任何缺少可微目标的视觉生成任务。
HOPS：基于注意力感知过滤与亲和度引导增强的层次化开放词表部件分割
HOPS: Hierarchical Open-vocabulary Part Segmentation with Attention-Aware Filtering and Affinity-Guided Enhancement
将 CLIP 的语义对齐与 DINO 的结构感知通过双向注意力融合，并用注意力感知过滤抑制物体过分割、用亲和度引导增强缓解部件欠分割，这套两阶段流程可直接迁移到开放词表部件/属性分割与细粒度掩码生成任务。
HOLO：面向SD地图细粒度视觉定位的单应性引导位姿估计网络
HOLO: Homography-Guided Pose Estimator Network for Fine-Grained Visual Localization on SD Maps
将单应性约束引入多视图图像与SD地图的跨模态定位，通过BEV投影和语义对齐构建满足单应性的输入对，并利用单应关系引导特征融合与位姿回归，为自动驾驶低成本定位提供了可复用的几何先验注入方式。
HOG-Layout：基于视觉语言模型的分层三维场景生成、优化与编辑
HOG-Layout: Hierarchical 3D Scene Generation, Optimization and Editing via Vision-Language Models
用 LLM/VLM 加 RAG 从文本生成分层 3D 场景布局，并配物理一致性优化模块与分层表示实现实时编辑，可作为具身智能与 VR 场景合成的可复用管线。
HG-Lane：无需重新标注的恶劣天气与光照条件下高保真车道场景生成
HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation
无需重新标注即可在雨雪雾与夜间/黄昏条件下合成高保真车道场景图像，可直接作为车道线检测等下游任务的数据增广手段，缓解极端条件数据稀缺导致的模型失效。
HFedATM：基于最优传输与正则化均值聚合的分层联邦域泛化
HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation
Filter-wise 最优传输对齐 + 收缩正则均值聚合，可作为跨客户端/跨站点模型参数融合的通用手段，用于视觉模型在非独立同分布数据上的域泛化；其分层聚合思路可迁移到多源视觉数据（如多医院影像、多摄像头场景）的分布式训练。
利用快速旋转辐条状中性密度滤光片从多衰减脉冲重建高帧率与高动态范围视频
HFR and HDR Video from Multi-Attenuated Spikes Using a Rapidly Rotating SpokeND Filter
用旋转辐条状中性密度滤光片让脉冲相机每个像素周期性获得多档衰减，从而在单传感器上同时恢复空间一致的增益与高帧率 HDR 视频；这套「空间-时序联合衰减 + 增益恢复」思路可迁移到事件相机/脉冲相机的 HDR 与高速成像重建。
HERO：面向开放词表视频时序句子定位的分层嵌入精炼
HERO: Hierarchical Embedding-Refinement for Open-Vocabulary Temporal Sentence Grounding in Videos
论文提出的开放词表时序句子定位任务和分层嵌入精炼框架，为视觉语言模型在词汇偏移下的泛化提供了可复用的评测基准和跨模态对齐方法，特别是语义引导的视觉过滤和对比掩码文本精炼技术，可直接用于视频-语言对齐任务。
HERBench：视频问答中多证据整合的基准
HERBench: A Benchmark for Multi-Evidence Integration in Video Question Answering
HERBench 提供了强制多证据整合的视频问答基准，并引入最小所需帧集（MRFS）量化证据需求，可用于诊断视频大模型在检索与融合上的瓶颈，指导设计更鲁棒的多帧推理模型。
HDW-SR：基于小波分解的高频引导扩散模型用于图像超分辨率
HDW-SR: High-Frequency Guided Diffusion Model based on Wavelet Decomposition for Image Super-Resolution
把扩散过程限制在残差图上、并用小波子带做稀疏交叉注意力提供高频显式引导，这套「频域分解 + 残差扩散」思路可直接迁移到去模糊、去噪、压缩伪影去除等其它复原任务的高频细节恢复。
HDR-VLM：面向 HDR 视频调色的视觉语言模型 HDR 域适配与偏好对齐质量评估
HDR-VLM: HDR-Domain Adaptation of VLMs and Preference-Aligned Quality Assessment for HDR Video Color Grading
把预训练 VLM 从 SDR 域迁移到 HDR 域的两阶段范式（HLG 统一编码 + 渐进适配 + 课程式奖励强化学习对齐人类偏好）可直接复用到其他「预训练模型域不匹配」的感知质量评估任务，其归因理由输出也为质量评估提供了可解释性接口。
HCL-FF：面向前向-前向算法的层级与对比学习
HCL-FF: Hierarchical and Contrastive Learning for Forward-Forward Algorithm
为视觉分类网络提供一种不依赖反向传播的逐层局部训练范式，其粗到细层级引导与 goodness 解耦后的监督对比对齐可直接嵌入现有 FF 类训练流程以提升表征判别性。
HBridge：面向统一多模态理解与生成的异构专家 H 形桥接
HBridge: H-Shape Bridging of Heterogeneous Experts for Unified Multimodal Understanding and Generation
HBridge 的非对称 H 形桥接结构只在中层共享注意力、浅层与深层解耦，为视觉研究者提供了一种可复用的异构专家融合范式：在保留 LLM 与扩散模型各自预训练先验的同时降低跨模态注意力的共享开销，可直接迁移到需要同时做视觉理解与图像生成的统一模型中。
HAWK：多模态模型中头重要性感知的视觉词元剪枝
HAWK: Head Importance-Aware Visual Token Pruning in Multimodal Models
对做多模态视觉理解的人，这篇给出了一个免训练、即插即用的视觉词元剪枝方案：用注意力头重要性权重加权文本引导的注意力来打分并保留任务相关词元，可直接套到任意 MLLM 的视觉编码器到 LLM 的投影环节上，在剪掉 80% 视觉词元时仍保住 96% 精度。
HAVE-Bench：从感知到交互的层级化音视频评测基准
HAVE-Bench: Hierarchical Audio-Visual Evaluation from Perception to Interaction
做音视频多模态的视觉研究者可把 HAVE-Bench 的三级认知层级（感知-推理-交互）与多轮交互标注协议当作评测模板，用来诊断模型在语音驱动视觉问答上相对文本-图像设定的性能落差，并据此设计跨模态推理能力迁移的训练目标。
HATS：面向 GUI 智能体的难度感知轨迹合成
HATS: Hardness-Aware Trajectory Synthesis for GUI Agents
对做 VLM 智能体数据的人来说，这篇给出了一个可复用的思路：用「语义歧义程度」作为难度信号来驱动轨迹采集，并用指令-执行一致性校验做闭环修复，可直接迁移到其他视觉-语言序列决策任务的数据构造中。
HAMMER：通过跨模态集成利用多模态大语言模型实现意图驱动的 3D 可供性定位
HAMMER: Harnessing MLLMs via Cross-Modal Integration for Intention-Driven 3D Affordance Grounding
利用多模态大语言模型（MLLM）的语义推理能力，将参考图像中的交互意图编码为接触感知嵌入，并通过分层跨模态融合与多粒度几何提升实现 3D 可供性定位，为 3D 场景理解提供新思路。
HAD：面向终身异质学习的异质性感知蒸馏
HAD: Heterogeneity-Aware Distillation for Lifelong Heterogeneous Learning
提出无样本回放的异质知识蒸馏框架，通过分布平衡和显著性引导的蒸馏损失，在密集预测任务序列中保留不同输出结构的异质知识，可复用于多任务或持续学习场景。
HAD：面向三维重建的幻觉感知扩散先验
HAD: Hallucination-Aware Diffusion Priors for 3D Reconstruction
用前馈新视角合成网络做多视角一致性推理，为扩散生成的增广视图逐像素打幻觉分数并掩码，可直接迁移到任何用扩散先验补视角的重建/生成管线中抑制不一致伪影。
H2-Surv：面向生存预测的层级双曲多模态表征学习
H2-Surv: Hierarchical Hyperbolic Multimodal Representation Learning for Survival Prediction
把全切片图像的多级结构（patch→WSI→患者）与基因组层级一起嵌入共享双曲空间，并用序数对比损失保持风险分数的连续性；做病理图像层级建模或需要保留样本间细粒度序关系时，这套双曲层级编码加序数对比目标可直接迁移。
H-Sets：Hessian 引导的图像分类器集合级特征交互发现
H-Sets: Hessian-Guided Discovery of Set-Level Feature Interactions in Image Classifiers
把输入 Hessian 检测到的局部交互对递归合并成语义连贯的特征集合，再用 IDG-Vis（沿像素空间路径积分方向梯度并以 Harsanyi 分红聚合）做集合级归因，为视觉分类器提供比像素级归因更稀疏、更忠实的显著性图，可直接用于诊断模型依赖的像素组合。
基于陀螺仪的深度视频去模糊
Gyro-based Deep Video Deblurring
利用陀螺仪测量的旋转运动与估计的平移运动联合构建模糊核，并输入视频去模糊网络，为视频去模糊提供了新的传感器融合思路和可复用的模糊核构建方案。
以扩散 Transformer 自身的内部动态引导其生成
Guiding a Diffusion Transformer with the Internal Dynamics of Itself
提出一种无需额外训练或采样步数的引导方式：训练时对中间层加辅助监督，采样时对中间层与深层输出做外推，可直接替换或叠加 CFG 用于 DiT 类扩散模型，在低训练轮次下显著降低 FID。
通过交换词元引导扩散模型
Guiding a Diffusion Model by Swapping Its Tokens
把 CFG 的「条件-无条件」差分替换为「干净预测-词元交换扰动预测」的差分，使无条件和条件扩散模型都能在推理阶段获得保真度提升，且无需训练、可直接插入任意扩散模型。
引导 token 稀疏扩散模型
Guiding Token-Sparse Diffusion Models
对在稀疏 token 上训练的扩散模型，用 token 级稀疏性替代条件 dropout 作为引导信号，可在推理时以更少 FLOPs 获得更高保真度与条件预测方差，可直接替换现有 CFG 采样流程。
以对比信号引导基于扩散的重建以获得均衡的视觉表征
Guiding Diffusion-based Reconstruction with Contrastive Signals for Balanced Visual Representation
把对比信号注入以 CLIP 视觉 token 为条件的扩散重建过程，并用重建图像而非原图产生对比监督，从而在统一目标下同时提升判别性与细节感知能力；这一「重建+对比」联合优化思路可直接迁移到任何需要增强视觉编码器表征的 VLM 流程中。
用语义退化条件引导扩散模型
Guiding Diffusion Models with Semantically Degraded Conditions
CDG 提出用语义退化条件替代空提示词作为负样本，为扩散模型引导提供了一种无需训练、即插即用的改进方案，可直接用于提升文本到图像生成的组合准确性和图文对齐。
以细粒度条件与语义保持采样引导扩散模型用于单样本联邦学习
Guiding Diffusion Models with Fine-Grained Conditions and Semantics-Preserving Sampling for One-Shot Federated Learning
把扩散模型当作客户端本地的数据生成器：用细粒度条件嵌入刻画类内模式、再对潜噪声分布建模并做自反思采样来提升合成数据的保真度与多样性，这套「条件嵌入+潜噪声分布采样」的组合可直接迁移到任何需要少量样本生成多样化训练数据的视觉场景（如小样本分类、长尾数据增广）。
GuideFlow：面向端到端自动驾驶规划的约束引导流匹配
GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving
把流匹配生成过程与能量模型联合训练，在采样阶段直接施加显式物理/安全约束，可作为视觉规划器中替代扩散策略、避免轨迹模式坍缩并省去后处理优化阶段的通用生成式规划范式。
发丝守护者：在深度、立体和新视角中拯救软边界
Guardians of the Hair: Rescuing Soft Boundaries in Depth, Stereo, and Novel Views
针对细软边界（如发丝）在深度估计和新视角合成中的模糊问题，提出可插拔的深度修复网络和基于前向变形+生成式修复的视角合成流程，可直接用于提升现有深度模型和NVS方法在边界区域的细节保真度。
GuardTrace-VL：通过迭代安全监督检测不安全的多模态推理
GuardTrace-VL: Detecting Unsafe Multimodel Reasoning via Iterative Safety Supervision
把多模态大模型的中间推理链（Thinking）纳入安全审核范围，用图文联合分析在推理阶段就拦截不安全内容；对做 VLM 安全对齐或红队评测的人，可直接复用其 QTA 全流程审计设定与三阶段渐进训练方案。
组编辑：一次编辑多张图像
Group Editing: Edit Multiple Images in One Go
将图像组视为伪视频，利用预训练视频模型的时序一致性先验，并通过 VGGT 提取显式几何对应进行融合，为多图一致编辑提供了可复用的技术路线。
组扩散：通过解锁跨样本协作增强图像生成
Group Diffusion: Enhancing Image Generation by Unlocking Cross-Sample Collaboration
把注意力从单张图内的 patch 扩展到一组图像之间，在推理阶段联合去噪，是一种无需重训即可插到现有 DiT 上的推理策略；做图像生成的人可以直接试「组大小」这一新超参，并用其提出的定性指标监控跨样本注意力强度与 FID 的相关性。
GroundingME：通过多维度评测揭示多模态大语言模型中的视觉定位差距
GroundingME: Exposing the Visual Grounding Gap in MLLMs through Multi-Dimensional Evaluation
对做视觉定位/VLM 的研究者，这篇提供了四维诊断基准（判别、空间、受限、拒绝），可直接用来暴露模型在相似目标区分、复杂关系描述和不可定位查询上的失效模式；其测试时扩展（按思维轨迹选最优回答）与数据混合训练两种改进策略也可迁移到其他 grounding 模型的评测与微调流程。
为多模态大语言模型将一切定位到 token 中
Grounding Everything in Tokens for Multimodal Large Language Models
GETok 将二维空间定位转化为可学习的网格 token 与偏移 token 的序列预测，为 MLLM 在原生自回归框架下实现精确的 2D 视觉定位提供了可复用的 token 化方案，可直接用于指代检测、视觉定位等任务。
面向实体中心 4D 场景生成的接地潜变量
Grounded Latents for Entity-Centric 4D Scene Generation
用实体级 3D 潜变量替代稠密体素表示，把场景拆成语义局部区域再逐实体扩散生成，并沿时间传播潜变量得到 4D 一致性；对做驾驶场景生成、可控仿真数据合成的人，这是一条绕开体素开销、又能精细控制单个车辆/行人的可复用路线。
面向多模态大语言模型的接地思维链
Grounded Chain-of-Thought for Multimodal Large Language Models
提出 Grounded Chain-of-Thought 任务与 MM-GCoT 基准，要求 MLLM 在逐步推理中显式输出视觉线索的 grounding 坐标，并引入答案-定位一致性指标，可用于诊断和缓解多模态模型在视觉空间推理中的幻觉问题。
基于视觉定位的3D感知空间视觉语言建模
Grounded 3D-Aware Spatial Vision-Language Modeling
把「生成时插入区域 token」的隐式视觉定位与区域提示的单目 3D 框预测结合，可作为 VLM 空间推理的可复用范式：在解码过程中动态引用视觉证据，并用内参感知归一化与稠密几何监督把 2D 定位升级为 3D 推断。
GroundVTS：多模态大语言模型中的视觉词元采样用于视频时序定位
GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding
提出查询引导的视觉词元采样机制，在输入LLM前过滤冗余视觉词元，可复用于其他视频-语言任务（如视频问答、时刻检索）以提升时序建模效率。
地面反作用力惯性姿态器：基于稀疏 IMU 与鞋垫压力传感器的物理人体运动捕捉
Ground Reaction Inertial Poser: Physics-based Human Motion Capture from Sparse IMUs and Insole Pressure Sensors
用物理仿真器中的合成人形作为数字孪生，把稀疏 IMU 与鞋垫压力信号经 KinematicsNet 估计后，由 DynamicsNet 以残差控制仿真人形，从而得到物理一致的人体运动；这套「运动学估计 + 物理仿真残差修正」的范式可迁移到视频人体运动恢复与物理合理性约束。
网格蒸馏：基于结构化生成网格的组合式图像蒸馏
Grid Distillation: Compositional Image Distillation via Structured Generative Grids
把数据集蒸馏的合成样本组织成高分辨率组合网格、再降采样并用 Stable Diffusion Turbo 单步重建细节，这套「网格布局 + 扩散先验补全」思路可迁移到任何需要把大量图像压缩成少量可训练样本的场景（如快速架构搜索、隐私受限数据发布）。
引力驱动的语义对齐用于文本视频检索
Gravitation-Driven Semantic Alignment for Text Video Retrieval
把跨模态语义分布的对齐拆成「语义引力」（由不确定性导出的语义质量与语义距离）和「几何重叠」两个正交因子，并给出 O(D) 的闭式替代来避免难解的联合积分——做视频-文本检索或任何需要处理多对多语义歧义、区分难负样本的跨模态对齐任务时，这套概率分布匹配打分可以直接替换确定性嵌入的余弦相似度。
GraspLDP：通过潜变量扩散实现可泛化的抓取策略
GraspLDP: Towards Generalizable Grasping Policy via Latent Diffusion
把抓取位姿先验与抓取性（graspness）自监督重建目标注入潜扩散策略的反向去噪过程，可作为在视觉-动作策略中嵌入几何/任务先验的通用手段，对做机器人操作与视觉-动作联合建模的研究者可直接复用。
GraspGen-X：跨本体的基于扩散的六自由度抓取
GraspGen-X: Cross-Embodiment 6-DOF Diffusion-based Grasping
把夹爪几何编码成扫掠体（swept-volume）条件注入扩散式 6-DOF 抓取生成模型，使同一模型可零样本迁移到未见过的夹爪形态；这套「以本体几何为条件」的思路可直接复用到视觉引导的抓取/操作策略中，也提供了 3.95 亿抓取规模的数据构造范式。
GraspALL：面向任意低光照条件下机器人衣物抓取的自适应光照变化结构补偿
GraspALL: Adaptive Structural Compensation from Illumination Variation for Robotic Garment Grasping in Any Low-Light Conditions
针对低光照下衣物抓取任务，提出将连续光照变化编码为定量参考，以指导RGB与非RGB模态的自适应融合，生成光照一致的抓取表征；该光照自适应融合机制可迁移至其他多模态感知任务。
GraphVLM：面向多模态图学习的视觉语言模型基准测试
GraphVLM: Benchmarking Vision Language Models for Multimodal Graph Learning
该基准系统评估了VLM作为编码器、对齐器和预测器三种范式在多模态图学习中的表现，为视觉研究者将VLM与图结构数据结合提供了可复用的评测框架和范式参考。
Graph2Eval：通过知识图谱为智能体自动生成多模态任务
Graph2Eval: Automatic Multimodal Task Generation for Agents via Knowledge Graphs
为多模态智能体提供可自动扩展的评测任务生成管线：用知识图谱作为结构化任务空间，通过子图采样与元路径构造文档理解与网页交互任务，可直接用于构建视觉-语言智能体的评测基准，缓解静态数据集规模受限的问题。
图到帧 RAG：面向免训练与可审计视频推理的视觉空间知识融合
Graph-to-Frame RAG: Visual-Space Knowledge Fusion for Training-Free and Auditable Video Reasoning
把外部知识渲染成单张「推理帧」拼进视频，让 LMM 在统一视觉域内做联合推理，为视觉问答/视频推理提供了一种免训练、可审计的知识注入接口，可直接替换文本或多样本检索增强的拼接方式。
面向鲁棒少样本分类的图注意力原型网络
Graph Attention Prototypical Network for Robust Few-Shot Classification
把原型网络的原型构造换成「伪标签引导的图构造 + 边感知图注意力 + 自适应噪声抑制原型生成器」，这套模块可直接迁移到任何需要从带噪支持集聚合类原型的视觉任务（如带噪少样本检测、开放词表分类的原型校准）。
Granulon：以自适应多粒度语义唤醒像素级视觉编码器，服务多模态大语言模型
Granulon: Awakening Pixel-Level Visual Encoders with Adaptive Multi-Granularity Semantics for MLLM
用文本条件动态控制视觉编码器的抽象粒度，并通过粒度引导的池化与关系聚类生成紧凑视觉词元，为多模态大模型中的细粒度视觉理解提供可复用方案。
梯度知道最优：基于梯度引导位分配的混合精度量化用于超分辨率
Gradient Knows Best: Mixed-Precision Quantization via Gradient-Guided Bit Allocation for Super-Resolution
提出基于梯度的量化敏感度估计和动态激活范围归一化，可直接用于超分辨率模型的混合精度量化，在保持重建质量的同时降低计算和内存开销。
GraPHFormer：用于神经科学形态分析的多模态图持续同调 Transformer
GraPHFormer: A Multimodal Graph Persistent Homology Transformer for the Analysis of Neuroscience Morphologies
把持续同调得到的持续图像当作三通道视觉输入、用 DINOv2-ViT 提取特征，再与 TreeLSTM 的骨架图特征做 CLIP 式对称 InfoNCE 对齐——这套「拓扑图像 + 图结构」双分支对比框架可直接迁移到其他需要同时建模形状拓扑与骨架几何的视觉任务（如血管、道路、细胞骨架分析）。
GrOCE：面向文本到图像扩散模型的图引导在线概念擦除
GrOCE : Graph-Guided Online Concept Erasure for Text-to-Image Diffusion Models
提供一种免训练、在提示词层面做概念擦除的推理时干预手段：用动态语义图定位目标概念簇并选择性切断其语义成分，可直接复用于扩散模型的内容安全过滤与个性化生成中的概念抑制，无需微调权重。
好也可能变坏：一种通过灵活各向同性重采样对3D点云分类器实施的统一攻击
Good Can Sometimes be Bad: A Unified Attack against 3D Point Cloud Classifier by a Flexible Isotropic Resampling
提出用表面近似与射线采样的各向同性重采样统一实现对抗攻击与后门攻击，并把「提升被攻击点云质量」作为隐蔽性手段，为点云分类器的安全评测提供了可复用的攻击范式与新的隐蔽性评价视角。
人脸验证的“金发姑娘”测试集
Goldilocks Test Sets for Face Verification
该论文提出的三个测试集（Hadrian、Eclipse、ND-Twins）和“Goldilocks”测试集构建规则，为评估人脸识别模型在面部属性变化和相似身份上的鲁棒性提供了新基准，可直接用于诊断现有模型在真实场景下的弱点。
由视频扩散模型提供目标驱动奖励的强化学习
Goal-Driven Reward by Video Diffusion Models for Reinforcement Learning
把预训练视频扩散模型的视频编码器潜变量与生成目标视频的对齐度当作奖励，并用 CLIP 从生成视频中挑出目标帧、再以前向后向表征给出帧级奖励——这套「用生成模型当奖励函数」的流程可直接迁移到视觉驱动的机器人操作与导航任务中，替代人工设计的程序化奖励。
Goal Force：教视频模型完成物理条件化的目标
Goal Force: Teaching Video Models To Accomplish Physics-Conditioned Goals
把力向量与中间动力学作为条件信号注入视频生成模型，使其充当隐式神经物理模拟器；这一条件化范式可迁移到需要物理一致性的视频预测与机器人规划任务中。
GlyphPrinter：面向字形精确视觉文本渲染的区域分组直接偏好优化
GlyphPrinter: Region-Grouped Direct Preference Optimization for Glyph-Accurate Visual Text Rendering
将 DPO 从整体偏好扩展到区域级偏好，并引入区域奖励引导的推理采样策略，为视觉文本渲染中的局部字形错误提供可复用的偏好优化框架。
Glove2Hand：从多模态传感手套合成自然手物交互
Glove2Hand: Synthesizing Natural Hand-Object Interaction from Multi-Modal Sensing Gloves
用多模态传感手套（触觉+IMU）驱动3D高斯手模型，再经扩散式手部修复器渲染出无遮挡的裸手视频，为严重遮挡下的手部跟踪与接触力估计提供可复用的数据合成与监督信号来源。
Gloria：基于内容锚帧的一致角色视频生成
Gloria: Consistent Character Video Generation via Content Anchors
把角色外观压缩成少量「锚帧」作为参考条件，并用 RoPE 位置偏移区分多张参考图、用超集内容锚定抑制复制粘贴，这套「多参考条件去冲突」思路可直接迁移到任何以参考图驱动的视频/图像生成任务。
Globscope：迈向损失景观的全局视图
Globscope: Toward a Global View of the Loss Landscape
为视觉研究者提供一种在低维非线性流形上全局可视化并重建完整模型权重的手段，可直接用于分析模型合并、模式连通性与置换对称性（re-basin），帮助判断不同视觉模型解之间的连通路径与低损失通道。
基于正交轮廓的全局最优姿态估计
Globally Optimal Pose from Orthographic Silhouettes
把轮廓面积随旋转轨迹的连续性转化为旋转空间上的强分支结构，配合预计算的轮廓签名响应面做分辨率引导的候选搜索，为无对应点的 3D 形状位姿估计提供可复用的全局最优求解框架。
面向不完整与噪声多视图数据统一聚类的全局图引导与局部图加权对比学习
Global-Graph Guided and Local-Graph Weighted Contrastive Learning for Unified Clustering on Incomplete and Noise Multi-View Data
全局图引导构造新样本对、局部图生成成对权重来加权对比学习，这套「免插补」的图引导对比框架可直接迁移到视觉多视图/多模态表征学习（如多相机、RGB-深度、图像-文本）中处理缺失模态与错配样本。
面向位姿图初始化的全局感知边优先排序
Global-Aware Edge Prioritization for Pose Graph Initialization
把位姿图初始化从「逐对检索 top-k 邻居」改为「按边对 SfM 的效用全局排序」，用 GNN 预测全局一致的边可靠性，可直接替换 SfM 前端中基于检索的候选边筛选环节，在稀疏、高速和歧义场景下提升重建鲁棒性。
基于延时偏振影像的全球水下地理定位
Global Underwater Geolocation from Time-Lapse Polarization Imagery
利用偏振图像中天空偏振模式反演太阳高度角曲线，再用两阶段 Transformer 做全球地理定位；其物理引导合成管线（从少量站点扩增到 280 万条太阳高度角匹配序列）为视觉定位中的跨站点泛化提供了一条可复用的数据增广思路。
全局运动恢复结构与前馈重建的结合
Global Structure-from-Motion Meets Feedforward Reconstruction
将前馈重建模型作为经典 SfM 流程中的组件（如初始化、匹配或失败场景兜底），在低纹理、弱重叠、对称场景下弥补经典 SfM 的失效，同时保留经典方法在标准场景下的精度与可扩展性；对做三维重建的人，这是一个可直接复用的混合式 pipeline 设计范式。
全局先验遇上局部一致性：面向高效机器人操作的双记忆增强视觉-语言-动作模型
Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation
用检索到的任务级先验替代高斯噪声来缩短扩散策略的生成路径，并用局部一致性记忆约束时序平滑，可直接迁移到视觉-语言-动作模型的少步动作生成与长程操作任务。
面向充分必要电路的全局信息阈值化
Global Information Thresholding for Sufficient and Necessary Circuits
为视觉模型（如 ViT、CLIP 视觉编码器）的电路级机制分析提供了一套无需人工设定电路规模的阈值选取流程：先用保号积分梯度给边打分，再按行为保留准则确定全局截断点，可直接迁移到视觉 Transformer 的注意力头/MLP 电路发现与充分性-必要性评估。
点云中的幽灵：在瞬态域消除激光雷达眩光
Ghosts in the Point Clouds: De-glaring LiDAR in the Transient Domain
针对固态激光雷达内部多径眩光导致的点云伪影，提出瞬态眩光扩散函数（TGSF）线性模型，并在点云形成前的低层回波上做无训练去眩光，可直接嵌入现有激光雷达信号处理流水线。
Ghost-FWL：面向鬼影检测与去除的大规模全波形激光雷达数据集
Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal
对做移动激光雷达感知的人，这篇提供了用全波形时序强度剖面（而非仅峰值距离）判别多路径鬼影的思路，并给出可复用的标注数据集与基线，可直接接入 SLAM 前端与 3D 检测的预处理环节。
几何驱动的 OOD 检测器即类增量学习器
Geometry-driven OOD Detectors Are Class-Incremental Learners
把每个任务的分类头改造成基于固定 ETF 锚点的几何空间，使分类头同时具备 IND 识别与 OOD 拒识能力，从而让 CIL 无需额外的任务推断或 logit 校准；这套「几何化检测头 + ArcFace 收紧类内」的做法可直接迁移到视觉分类器的开放世界增量部署与 OOD 拒识场景。
几何作为上下文：在场景一致视频生成中调制显式3D以构建几何上下文
Geometry-as-context: Modulating Explicit 3D in Scene-consistent Video Generation to Geometry Context
将显式3D几何作为上下文信号，通过自回归视频生成模型迭代完成几何估计与新视角恢复，为场景一致视频生成提供可复用框架；相机门控注意力模块可增强相机位姿控制。
几何引导的3D视觉词元剪枝用于视频语言模型
Geometry-Guided 3D Visual Token Pruning for Video-Language Models
针对3D空间视频中视觉词元冗余问题，提出基于几何感知全局注意力和两阶段体素剪枝的方法，可复用于视频语言模型的高效推理与3D场景理解。
面向 3D 高斯泼溅中指代分割的几何感知跨模态图对齐
Geometry-Aware Cross-Modal Graph Alignment for Referring Segmentation in 3D Gaussian Splatting
针对 3DGS 场景中的语言指代分割，用位置感知提示词扩展与几何图-语义图跨模态对齐来抑制跨模态注意力的误差自增强，可直接迁移到任何需要文本-3D 空间定位的 3DGS/NeRF 管线。
面向三维异常检测的几何对齐与异常感知重建
Geometry-Aligned and Anomaly-Aware Reconstruction for 3D Anomaly Detection
把扩散去噪的噪声方向约束到顶点法向上、并用自适应 Transformer 按区域分配参考，是可直接迁移到点云补全、去噪与表面重建的几何先验注入方式；对做 3D 重建的人来说，它给出了「噪声采样服从局部几何」这一可复用设计。
几何约束智能体用于空间推理
Geometrically-Constrained Agent for Spatial Reasoning
把 VLM 从「直接输出几何答案」改为「先形式化出参考系与目标约束、再在约束内调用几何工具」，这一免训练的约束式智能体范式可直接迁移到视觉空间问答、具身导航与 3D 场景理解中的几何推理管线。
几何-光度事件式三维高斯光线追踪
Geometric-Photometric Event-based 3D Gaussian Ray Tracing
将事件式 3DGS 的渲染解耦为逐事件深度光线追踪与基于扭曲事件图像的快照式辐射渲染两条分支，使稀疏事件的高时序信息能被细粒度利用；这一「几何/光度分离 + 光线追踪」思路可迁移到其他事件相机或稀疏观测下的三维重建与新视角合成工作。
面向点云分割新类发现的几何感知超图推理
Geometric-Aware Hypergraph Reasoning for Novel Class Discovery in Point Cloud Segmentation
将超图结构引入点云分割的新类发现任务，用高阶关联替代二值关联进行类间推理，并设计几何感知原型增强空间信息，可复用于开放世界点云分割或跨类知识迁移。
几何神经距离场用于学习人体运动先验
Geometric Neural Distance Fields for Learning Human Motion Priors
将人体运动先验建模为关节旋转、角速度、角加速度乘积空间上的神经距离场零水平集，为从部分2D/3D观测恢复3D人体运动提供了可复用的几何约束与自适应投影算法。
Geoint-R1：以动态辅助构造形式化多模态几何推理
Geoint-R1: Formalizing Multimodal Geometric Reasoning with Dynamic Auxiliary Constructions
把几何图形理解与形式化证明（Lean4）结合，并显式生成辅助构造元素，为视觉推理模型提供了可验证的中间步骤监督信号；其基准与标注方式可用于评测多模态模型在图形-文本联合推理上的严谨性。
GeodesicNVS：面向新视角合成的概率密度测地线流匹配
GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis
把扩散的随机噪声到数据路径换成成对视图间的数据到数据确定性流匹配，并用密度测地线约束插值轨迹，可直接用于需要多视角一致性的生成式新视角合成与三维一致生成。
GeoWorld：几何世界模型
GeoWorld: Geometric World Models
把 JEPA 的潜变量从欧氏空间映射到双曲流形，用几何层级结构约束表征，再配合几何强化学习做多步规划；对做视频预测式世界模型或潜空间规划的人，这是一条可直接替换潜空间几何的通用思路。
GeoViS：面向遥感视觉定位的地理空间奖励视觉搜索
GeoViS: Geospatially Rewarded Visual Search for Remote Sensing Visual Grounding
把视觉定位从单步预测改成树结构逐步搜索+奖励引导的推理过程，这个「搜索-推理」范式可以直接迁移到小目标、大场景的开放词表定位任务上，尤其是需要多跳空间关系推理的场景。
GeoTikzBridge：推进面向几何感知与推理的多模态代码生成
GeoTikzBridge: Advancing Multimodal Code Generation for Geometric Perception and Reasoning
通过生成 TikZ 代码作为中间表示来增强 MLLM 的细粒度几何感知，这种「代码即表示」的思路可迁移到需要精确几何输出的视觉任务（如场景图生成、CAD 重建），也可作为即插即用的推理模块提升几何问题求解。
GeoSemba：为医学图像分割重构跨范式表征的状态空间模型
GeoSemba: Reconstructing State Space Model for Cross Paradigm Representation in Medical Image Segmentation
把 Mamba 状态空间扫描从单一序列建模扩展为「几何-语义跨层交互 + 空间-通道跨维亲和」的双重精炼，对做医学分割或想把线性复杂度 SSM 用到密集预测的人，SSR 的几何条件区域传播与 CAR 的由粗到细亲和筛选都是可直接迁移的模块设计。
GeoSURGE：基于分层地理嵌入语义融合的地理定位
GeoSURGE: Geo-localization using Semantic Fusion with Hierarchy of Geographic Embeddings
把地理坐标建模为分层可学习嵌入、并用潜变量交叉注意力把语义分割特征融进外观特征，这套「低维坐标→分布式多尺度嵌入」的对齐思路可迁移到其他需要回归连续空间量（如相机位姿、深度、BEV 位置）的视觉任务。
GeoSANE：从模型而非数据中学习地理空间表征
GeoSANE: Learning Geospatial Representations from Models, Not Data
把「预训练一个模型」换成「从已有模型权重生成新模型权重」，为视觉研究者提供了一条不依赖海量数据、直接复用多个基础模型互补知识的迁移路径，尤其适合遥感等标注稀缺、模态多样的场景下快速产出可微调骨干。
GeoSAM2：释放 SAM2 在三维部件分割中的能力
GeoSAM2: Unleashing the Power of SAM2 for 3D Part Segmentation
把 3D 部件分割转成多视图 2D 掩码预测，用 SAM2 加低秩适配和残差几何融合，接受点击/框提示，再把掩码反投影聚合到物体上；做 3D 分割或想复用 SAM2 先验的人可直接借鉴这套提示可控、免逐形状优化的流程。
GeoRelight：用灵活多模态扩散 Transformer 联合学习几何重光照与重建
GeoRelight: Learning Joint Geometrical Relighting and Reconstruction with Flexible Multi-Modal Diffusion Transformers
把重光照与单图三维几何估计放进同一个多模态 DiT 联合求解，并用与潜变量扩散兼容的无畸变 NDC-正交深度表示 iNOD 作为几何接口，可直接复用到需要几何一致性的图像重光照、逆渲染与单图重建任务。
GeoRK2：面向扩散 Transformer 加速的几何引导 Runge-Kutta 积分
GeoRK2: Geometry-Guided Runge-Kutta Integration for Diffusion Transformer Acceleration
把二阶 Runge-Kutta 积分器与由噪声预测导出的曲率感知几何流结合，用激活协方差估计特征度量来约束大步长下的误差传播，可直接替换现有 DiT/视频扩散模型的采样器，实现免训练 4-5 倍加速。
GeoPredict：利用预测式运动学与 3D 高斯几何实现精确的 VLA 操作
GeoPredict: Leveraging Predictive Kinematics and 3D Gaussian Geometry for Precise VLA Manipulation
把 3D 高斯几何预测与关键点轨迹预测作为训练期监督（通过深度渲染），推理时只加少量 query token、不做 3D 解码——这套「重监督、轻推理」的几何先验注入方式可直接迁移到任何连续动作 VLA 策略上，用来补足其 2D 反应式的空间推理短板。
GeoMotion：以潜空间4D几何重新审视运动分割
GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry
用4D场景几何重建（如π³）提供的可靠相机位姿与时空先验，替代显式对应估计，通过注意力在潜特征上隐式解耦物体运动与相机运动，为动态场景运动分割提供免迭代、免预处理的前馈范式。
GeoMMBench 与 GeoMMAgent：面向地球科学与遥感专家级多模态智能
GeoMMBench and GeoMMAgent: Toward Expert-Level Multimodal Intelligence in Geoscience and Remote Sensing
GeoMMBench 提供了覆盖多学科、多传感器、多任务的遥感多模态问答基准，可用于系统评估 MLLM 在遥感领域的感知与推理短板；GeoMMAgent 展示了如何通过工具增强的多智能体框架（集成检索、感知、推理）提升复杂遥感任务的性能，为视觉-语言模型在专业领域的落地提供了可复用的范式。
GeoGuide：面向开放词表 3D 语义分割的分层几何引导
GeoGuide: Hierarchical Geometric Guidance for Open-Vocabulary 3D Semantic Segmentation
用预训练 3D 模型自身的几何先验替代对 2D 开放词表模型的单向蒸馏，通过超点级不确定性加权和实例级掩码重建抑制 2D 噪声，为 3D 开放词表分割提供了一条不牺牲几何表征的路线。
GeoFree-CoSeg：无需几何对齐的无监督点云-图像跨模态共分割
GeoFree-CoSeg: Unsupervised Point Cloud-Image Cross-Modal Co-Segmentation Without Geometric Alignment
提出无需几何对齐的点云-图像跨模态共分割设定，用跨模态公共语义图把2D/3D粗语义提纯为细粒度公共语义并互相增强，为多模态无监督分割提供了可复用的特征提纯与互增强框架。
GeoFlow：基于迭代流预测的实时细粒度跨视角地理定位
GeoFlow: Real-Time Fine-Grained Cross-View Geolocalization via Iterative Flow Prediction
提出一种基于迭代流预测的轻量级跨视角定位框架，其推理算法 IRS 通过迭代采样实现灵活的精度-速度权衡，可复用于其他需要实时精确定位的视觉任务。
GeoDiff4D：面向 4D 头部化身重建的几何感知扩散
GeoDiff4D: Geometry-Aware Diffusion for 4D Head Avatar Reconstruction
把扩散模型同时合成肖像图与表面法线，作为几何先验蒸馏进 3D 高斯化身，为单图重建提供了一条「用生成模型补几何」的可复用路径；其无姿态表情编码器也可直接用于驱动类任务。
GeoDiT：面向地理空间理解的基于扩散的视觉语言模型
GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding
把地理空间视觉语言生成从自回归序列解码换成扩散式并行精修，对做遥感 captioning、visual grounding 和多目标检测的人提供了一个可直接替换解码范式的思路，尤其适合需要结构化、对象级输出的场景。
GeoDexGrasp：面向数据高效与物理合理的几何感知灵巧抓取生成
GeoDexGrasp: Geometry-aware Generation for Data-efficient and Physics-plausible Dexterous Grasping
SIM(3) 等变网络加自监督解耦，把物体几何拆成形状、尺寸、位姿、交互方向的可迁移特征，这种以物体为中心的几何表征可直接迁移到视觉中的位姿估计与抓取检测，也可作为生成式抓取模型的条件编码器。
GeoCoT：面向可靠遥感推理的流形视角方法
GeoCoT: Towards Reliable Remote Sensing Reasoning with Manifold Perspective
提出基于局部流形映射的稀疏专家路由机制，可复用于视觉语言模型的多任务适配，降低高维视觉token冗余；同时引入RSV-GRPO强化结构化推理训练，为遥感视觉语言模型提供可借鉴的优化策略。
GeoBridge：一种语义锚定的多视角基础模型，桥接图像与文本以实现地理定位
GeoBridge: A Semantic-Anchored Multi-View Foundation Model Bridging Images and Text for Geo-Localization
用文本描述作为语义锚点桥接无人机、街景全景与卫星多视角特征，实现双向跨视角匹配与语言到图像检索；其语义锚点对齐机制可迁移到任何需要跨视角/跨模态特征对齐的检索任务。
GeoAgent：借助强化地理特征学习在任意地点进行地理定位
GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics
把地理相似性奖励与一致性奖励引入强化学习训练，为视觉语言模型在细粒度地理定位任务上提供可复用的奖励设计与专家标注思维链数据构建思路。
Geo2：几何引导的跨视角地理定位与图像合成
Geo2: Geometry-Guided Cross-view Geo-Localization and Image Synthesis
利用几何基础模型（如 VGGT）提取的三维几何先验，构建共享的三维感知潜空间来桥接地面与航拍视角，为跨视角定位与双向图像合成提供统一框架；其 GeoMap 和 GeoFlow 设计可复用于其他需要跨视角几何对齐的任务。
GenieDrive：面向物理感知驾驶世界模型的4D占用引导视频生成
GenieDrive: Towards Physics-Aware Driving World Model with 4D Occupancy Guided Video Generation
将4D占用作为物理先验引导视频扩散生成，并设计潜变量三平面VAE压缩高分辨率占用，为自动驾驶世界模型提供可复用的物理感知生成框架。
GeniNav：生成模型驱动的图像目标导航——通过想象引导的一致性流匹配
GeniNav: Generative Model Driven Image-Goal Navigation via Imagination-Guided Consistency Flow Matching
将 VLM 驱动的潜变量子目标想象与多段一致性流匹配结合，用于无地图图像目标导航；其一致性流匹配策略与混合轨迹评估（语义对齐+几何可行性）可迁移到其他视觉导航与具身控制策略的时序平滑生成。
基于3D点轨迹的生成式视频运动编辑
Generative Video Motion Editing with 3D Point Tracks
利用3D点轨迹作为稀疏对应关系来条件化视频扩散模型，实现相机与物体运动的联合编辑；3D轨迹提供的深度线索有助于解决遮挡和深度顺序问题，为视频运动编辑提供了可复用的控制信号。
基于一维潜变量表示的生成式视频压缩
Generative Video Compression with One-Dimensional Latent Representation
把视频编码成极紧凑的一维潜变量词元、并用长短期记忆上下文做条件，为视觉研究者提供了一条绕开二维网格刚性对应、按语义自适应聚合帧间信息的表示思路，可直接迁移到视频生成与视频表征压缩的潜空间设计上。
生成式点跟踪与预测
Generative Point Tracking and Forecasting
把点跟踪与运动预测统一为视频条件下的因果流匹配生成问题，通过切换视觉信号在跟踪与预测间切换，为长时点轨迹建模提供了可复用的生成式框架。
基于视频扩散先验的生成式神经视频压缩
Generative Neural Video Compression via Video Diffusion Prior
把视频扩散 Transformer 的流匹配去噪先验迁移到压缩潜变量的序列级精修上：从解码潜变量而非纯噪声初始化，并学习一个修正项来适配压缩退化，这一「以退化潜变量为起点的少步精修」思路可直接复用于超分、去压缩伪影等低层复原任务。
权重的生成式建模：泛化还是记忆？
Generative Modeling of Weights: Generalization or Memorization?
对做生成模型的人是一个警示性评测框架：它给出「复制/插值 vs 真正新样本」的判别思路（与训练 checkpoint 的距离、与加噪/权重集成的基线对比），可直接迁移到图像生成中检测扩散模型是否只是在记忆训练集。
生成扩散先验用于暗宇宙的三维映射
Generative Diffusion Priors for 3D Mapping of the Dark Universe
将扩散模型作为先验，结合可微物理前向模型进行后验采样，解决单视角、噪声观测下的三维重建问题；其plug-and-play后验采样方案可迁移到其他逆问题（如单视图三维重建、计算成像）。
面向局部人群计数的跨范式可迁移生成对抗扰动
Generative Adversarial Perturbations with Cross-paradigm Transferability on Localized Crowd Counting
针对人群计数中密度图与点回归两种范式，提出统一的多任务对抗扰动生成框架，可用于评估跨范式模型的对抗鲁棒性，并为设计范式无关的防御提供测试基准。
从第一视角步行游览视频生成无人环境漫游
Generating Humanless Environment Walkthroughs from Egocentric Walking Tour Videos
用半合成视频对（纯背景片段 + 带模拟阴影的行走行人合成片段）微调 Casper 视频扩散模型做人与阴影联合修复，为从众包第一视角视频中清洗出可用于 3D/4D 重建的干净素材提供了可复用的数据构造与微调范式。
生成、分析与精修：基于多模态大模型元推理的免训练声源定位
Generate, Analyze, and Refine: Training-Free Sound Source Localization via MLLM Meta-Reasoning
把 MLLM 的推理能力当作免训练的音视频一致性判别器：用开放集角色标注加锚框投票量化音视频一致性，再用自适应门控决定是否修正框，这套「生成-分析-精修」流程可直接迁移到其他需要跨模态验证的定位任务（如指代定位、开放词表检测的后处理）。
将视觉几何先验泛化到稀疏高斯占用预测
Generalizing Visual Geometry Priors to Sparse Gaussian Occupancy Prediction
把 VGGT 这类可泛化视觉几何模型输出的表面点沿相机射线向内扩展成体素采样，并用高斯原语做概率化占用推断，为单目/流式占用预测提供了一条不依赖体素密集监督、可直接复用几何基础模型先验的路线。
Generalized-CVO：基于二阶黎曼优化的快速无对应局部点云配准
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
提出一种基于RKHS嵌入和二阶黎曼优化的无对应点云配准方法，可显著提升LiDAR/RGB-D帧间跟踪精度与速度，适用于需要快速局部配准的视觉里程计或跟踪系统。
通过正交变换实现黑盒基础模型的泛化与个性化联邦学习
Generalized and Personalized Federated Learning with Black-Box Foundation Models via Orthogonal Transformations
在视觉任务中，当基础模型（如CLIP）只能黑盒访问时，可通过客户端特定的正交变换适配嵌入，避免梯度冲突并保护知识产权，为联邦场景下的视觉模型个性化提供可复用方案。
通过弱到强学习实现可泛化的视频质量评估
Generalizable Video Quality Assessment via Weak-to-Strong Learning
把「弱到强学习」当作绕开人工标注的通用范式：用现成 VQA 模型与合成失真模拟器作为弱教师，通过 learn-to-rank 融合异构监督信号，并迭代地把强学生回收为教师，可直接迁移到其他缺乏标注的低层视觉任务（如去噪、超分的主观质量预测）。
面向类别统一 3D 单目标跟踪的可泛化结构感知关键点对应
Generalizable Structure-Aware Keypoint Correspondence for Category-Unified 3D Single Object Tracking
提出自适应关键点提取与渐进式对应对齐模块，可复用于点云配准、3D 目标跟踪等需要跨帧几何关联的任务，解决类别统一模型下的尺度与结构变化问题。
从无约束图像中泛化的稀疏视角三维重建
Generalizable Sparse-View 3D Reconstruction from Unconstrained Images
提出无需逐场景优化的前馈式稀疏视角室外重建框架，利用学习到的几何先验从无位姿互联网图像直接预测深度、相机参数和规范空间三维高斯，并通过外观适配器与语义分割处理光照变化和瞬态遮挡，为稀疏输入下的实时新视角合成提供了可复用的技术路线。
面向空间频谱合成的可泛化射频辐射场
Generalizable Radio-Frequency Radiance Fields for Spatial Spectrum Synthesis
把 NeRF 式的辐射场从光学域搬到射频域，并用几何感知 Transformer 编码器实现跨场景泛化，为视觉研究者提供「场景无关潜变量辐射场 + 神经光线追踪」这一可迁移范式，可用于无线感知、波束预测与跨场景泛化建模。
面向语义分割的视觉基础模型可泛化知识蒸馏
Generalizable Knowledge Distillation from Vision Foundation Models for Semantic Segmentation
把表征学习与任务学习解耦：先做选择性特征蒸馏得到域无关表征并冻结，再做任务适配，可作为一种通用的「先蒸馏表征、后微调任务」范式，用于任何需要从 VFM 迁移到小模型且要求分布偏移下泛化的视觉任务。
通过混合内容-风格调制实现可泛化的共显著目标检测
Generalizable Co-Salient Object Detection via Mixed Content-Style Modulation
该文将CLIP语义嵌入与交叉注意力结合提取域不变场景结构先验，并通过合成特征统计量（均值/方差）做源域风格增强，为视觉分割任务在未见域上的泛化提供了一套可复用的内容-风格调制思路。
面向机器人强化学习的通用过程奖励建模
General Process Reward Modeling for Robotic Reinforcement Learning
多视角奖励融合与逐步奖励离散化为视觉研究者提供了从多视角观测中提取细粒度操作进度信号的通用范式，可直接复用于机器人操作策略的稠密奖励建模与单样本任务适配。
GeneVAR：面向自回归基因到 WSI 瓦片合成的因果 MeanFlow
GeneVAR: Causal MeanFlow for Autoregressive Gene-to-WSI Tile Synthesis
把 RNA-Seq 条件通过反事实干预约束成伪影不变的自回归粗到细生成过程，可为视觉中「条件信号弱、易被染色/对比度等非语义因素劫持」的可控生成提供可复用的因果正则思路；多尺度矢量量化离散形态表示也可迁移到其他病理或遥感瓦片生成。
GenTract：生成式全局纤维束追踪
GenTract: Generative Global Tractography
把纤维束追踪从逐步跟踪或全局优化重构为从 dMRI 到完整流线的条件生成问题，并用扩散模型与流匹配两种范式做对比；对视觉研究者而言，这是一个把生成模型用于结构化曲线/轨迹输出的可复用范式，可迁移到血管、道路等线状结构重建任务。
GenSplat：弥合 3DGS 语言理解中的泛化差距
GenSplat: Bridging the Generalization Gap in 3DGS Language Comprehension
把自由形式语言查询对齐到 3D 高斯表示上，用渐进式课程学习加 MLLM 语义/空间先验做 3D 定位与推理，可直接迁移到 3DGS 场景的开放词表分割、指代定位与 3D VQA 等下游任务。
GenMatter：用生成式物质模型感知物理对象
GenMatter: Perceiving Physical Objects with Generative Matter Models
把运动与外观特征层次化地组织成高斯粒子并聚类成可独立运动的实体，配合并行块吉布斯采样做硬件加速推理，为从光流/点轨迹中无监督地恢复可变形物体的3D结构与物体级分割提供了可复用的表示与采样方案。
GenMask：通过直接掩码生成适配 DiT 的分割方法
GenMask: Adapting DiT for Segmentation via Direct Mask Generation
将分割视为生成任务，直接用 DiT 在 RGB 空间生成二值掩码，省去特征提取流程；其针对二值掩码的极端噪声时间步采样策略可复用于其他生成式密集预测任务。
GenHOI：面向对象一致的手物交互，采用时序均衡与空间选择性的对象注入
GenHOI: Towards Object-Consistent Hand-Object Interaction with Temporally Balanced and Spatially Selective Object Injection
Head-Sliding RoPE 通过给参考 token 分配头级时序偏移来缓解 3D RoPE 的时序衰减，这一技巧可直接迁移到任何以参考图做长视频主体一致性的生成/编辑模型；两级空间注意力门控则提供了「只在交互区域增强条件、保留背景真实感」的可复用条件注入方案。
GenErase：扩散模型中可泛化且语义感知的概念擦除
GenErase: Generalizable and Semantically-Aware Concept Erasure in Diffusion Models
在交叉注意力 value 空间做显式 erase-and-replace 并配合 per-token preserve projector 与硬几何门控，是一种可直接复用的免训练概念抑制手段，可用于个性化生成中去除身份/风格/物体，同时保护无关语义不被扭曲。
GenColorBench：面向文本到图像生成的颜色评测基准
GenColorBench: A Color Evaluation Benchmark for Text-to-Image Generation
做文本到图像生成或可控生成时，可直接用 GenColorBench 的 44K 颜色提示词与 ISCC-NBS/CSS3 色彩体系来诊断模型在细粒度颜色（含 RGB 数值色）上的失效模式，并作为颜色遵循度的评测协议复用。
GenBreak：利用大语言模型对文本到图像生成进行红队测试
GenBreak: Red Teaming Text-to-Image Generation Using Large Language Models
对做 T2I 安全评测的人，这篇给出了一个可复用的红队提示词生成范式：用监督微调加多奖励强化学习训练一个 LLM 攻击者，同时优化提示词的隐蔽性与生成图像的毒性，可直接用于黑盒评测商用 T2I 生成器的安全对齐强度。
Gen3R：三维场景生成与前馈重建的结合
Gen3R: 3D Scene Generation Meets Feed-Forward Reconstruction
把 VGGT 这类前馈重建模型当作几何编码器，用适配器把其 token 对齐到视频扩散模型的外观潜空间，从而在同一个扩散过程里同时生成 RGB 视频与相机位姿、深度、点云；对做 3D 生成的人，这是一条「复用重建基础模型当几何先验」的现成路径，对做重建的人则提示可用生成先验提升鲁棒性。
GeCo：面向域泛化语义分割的几何一致性正则化
GeCo: Geometry-Consistent Regularization for Domain Generalized Semantic Segmentation
针对在 DGSS 中用 PEFT 微调 VFM 时适配器过拟合源域、破坏预训练几何结构的问题，GeCo 用曲率引导扰动和测地线正则化在保持流形结构的前提下扩展表征，可直接迁移到其他基于 VFM 微调的密集预测任务（如深度估计、开放词表分割）的正则化设计。
GeCo-SRT：面向跨任务仿真到现实迁移的几何感知持续适应
GeCo-SRT: Geometry-aware Continual Adaptation for Cross-Task Sim-to-Real Transfer
把局部几何特征当作域不变、任务不变的迁移基底，并用几何感知的混合专家加优先经验回放来累积跨任务仿真到现实的经验，这套「几何先验+专家路由+经验回放」的组合可直接迁移到视觉策略的持续域适应与机器人操作策略学习中。
GazeShift：面向VR的无监督注视估计与数据集
GazeShift: Unsupervised Gaze Estimation and Dataset for VR
提出一种面向近眼红外图像的无监督注视表征学习框架，通过注意力引导实现注视-外观解耦，并支持轻量少样本校准，为VR场景下的实时注视估计提供了可复用的方法思路。
GazeOnce360：基于鱼眼相机的360度多人视线估计与全局-局部特征融合
GazeOnce360: Fisheye-Based 360deg Multi-Person Gaze Estimation with Global-Local Feature Fusion
把鱼眼畸变下的多人视线估计形式化为一个端到端任务，并用旋转卷积加眼部关键点监督来对抗畸变，再用全局低分辨率与局部高分辨率眼部区域的双分辨率融合保留细粒度眼睛特征；做鱼眼/广角相机下的人体或人脸分析时，这套畸变感知卷积与局部高分辨率裁剪融合可直接复用。
概念驱动的任意场景注视目标估计
Gaze Target Estimation Anywhere with Concepts
将自然语言或点提示作为条件输入，端到端地同时完成主体定位与注视目标热图预测，为视觉-语言模型在细粒度空间理解任务上提供了可复用的提示式范式。
GaussianZoom：几何与语义引导的渐进式放大生成 3D 高斯泼溅
GaussianZoom: Progressive Zoom-in Generative 3D Gaussian Splatting with Geometric and Semantic Guidance
把基于深度的特征 warp 与 VLM 驱动的细节合成结合进多视图一致超分模块，可在低分辨率多视图输入下生成高倍放大的 3DGS 场景；其可扩展连续 LOD 层级通过动态调制高斯可见性实现无混叠跨尺度渲染，对需要极端放大或跨尺度一致性的新视角合成工作可直接复用。
GaussianVision：利用2D高斯泼溅从压缩图像表示实现视觉-语言对齐
GaussianVision: Vision-Language Alignment from Compressed Image Representations using 2D Gaussian Splatting
用2D高斯泼溅作为紧凑、空间自适应的视觉表示替代RGB像素，配合冻结的RGB Transformer骨干和轻量输入茎，可显著降低传输与词元开销，为视觉语言模型提供可复用的高效视觉前端。
GaussianPile：面向切片式体数据重建的统一稀疏高斯泼溅框架
GaussianPile: A Unified Sparse Gaussian Splatting Framework for Slice-based Volumetric Reconstruction
将各向异性 3D 高斯与成像系统点扩散函数结合，用于切片式体数据的压缩与重建，其可微投影算子和紧凑编码管线可迁移到其他需要物理感知渲染的 3D 重建任务。
GaussianMatch：基于多视图高斯一致性的伪标签过滤半监督回归
GaussianMatch: Semi-Supervised Regression with Pseudo-Label Filtering via Multi-View Gaussian Consistency
论文提出的高斯一致性过滤（GCF）与自适应高斯标准差平滑（AGDS）为视觉回归任务（如年龄估计、人脸关键点回归）在标签稀缺时提供了一种可复用的伪标签筛选机制，通过多视图预测一致性量化置信度，可直接嵌入半监督训练流程。
GaussianGrow：基于文本引导从3D点云几何感知地生长高斯
GaussianGrow: Geometry-aware Gaussian Growing from 3D Point Clouds with Text Guidance
提出从点云生长高斯的框架，利用多视图扩散模型合成一致外观监督，并通过迭代检测未生长区域和2D扩散修复补全，为文本引导的3D高斯生成提供了几何准确的方案。
GaussianFluent：面向混合材质动态场景的高斯仿真
GaussianFluent: Gaussian Simulation for Dynamic Scenes with Mixed Materials
把 3DGS 从静态外观表示扩展为可仿真的动态物体状态，用生成模型补全高斯体内部纹理、用 CD-MPM 驱动脆性断裂，为需要物理一致动态场景的渲染与交互（VR、机器人）提供可复用管线。
GaussianDWM：面向统一场景理解与多模态生成的 3D 高斯驾驶世界模型
GaussianDWM: 3D Gaussian Driving World Model for Unified Scene Understanding and Multi-Modal Generation
把语言特征直接嵌入每个 3D 高斯原语实现早期模态对齐，并用任务感知的语言引导采样把冗余高斯裁剪成紧凑 3D token 送入 LLM——这套「高斯原语承载语义 + 可学习 token 剪枝」的做法可直接迁移到任何需要 3D 场景问答或 3D 条件生成的任务。
面向随机三维人体运动预测的高斯混合潜变量流
Gaussian-Mixture Latent Flow for Stochastic 3D Human Motion Prediction
用可逆归一化流 + 数据驱动高斯混合先验建模人体运动的随机性，并通过可处理的似然计算给出不确定性估计；做运动预测/生成、需要多样且物理合理结果的工作可直接复用这一潜变量流框架与混合先验设计。
基于高斯泼溅的低秩张量表示用于多维图像恢复
Gaussian Splatting-based Low-Rank Tensor Representation for Multi-Dimensional Image Recovery
用2D/1D高斯泼溅参数化张量奇异值分解中的潜变量张量与变换矩阵，为多维图像提供连续、紧凑且能捕捉局部高频信息的表示，可迁移到高光谱/视频等低层复原任务中替代固定基变换。
面向演化场景的高斯建图
Gaussian Mapping for Evolving Scenes
针对相机视野外场景长期演化（long-term dynamics）导致的观测陈旧问题，提出持续更新 3D 高斯表示并配合丢弃过期观测的关键帧管理机制，可直接复用于 SLAM/建图系统中处理场景变化与表示一致性维护。
GaussFusion：用几何感知视频生成器改进野外 3D 重建
GaussFusion: Improving 3D Reconstruction in the Wild with A Geometry-Informed Video Generator
把 3DGS 渲染出的深度/法线/不透明度/协方差缓冲当作条件输入，用视频到视频生成器做时序一致的后处理精修，可即插即用地接在优化式与前馈式重建管线之后，为消除浮点、闪烁与位姿误差伪影提供了一条通用思路。
GauMVC：面向以人为中心的多视角视频压缩的生成式解耦高斯表示
GauMVC: Generative Decoupled Gaussian Representation for Human-centric Multi-view Video Compression
将多视角视频压缩转化为语义解耦的生成式建模：背景用 3DGS 单次建模，人体用 SMPL 驱动的个性化高斯化身，仅传输背景、关键视角和逐帧 SMPL 参数，为高保真多视角合成提供极低码率方案。
Gau-Occ：几何补全高斯用于多模态三维占用预测
Gau-Occ: Geometry-Completed Gaussians for Multi-Modal 3D Occupancy Prediction
将场景表示为语义三维高斯锚框，用锚框引导的二维采样与跨模态对齐替代稠密体素融合，为视觉-激光雷达融合的占用预测提供了轻量化的几何引导方案。
门控 KalmaNet：通过测试时岭回归实现的衰减记忆层
Gated KalmaNet: A Fading Memory Layer through Test-time Ridge Regression
GKA 用测试时岭回归加输入相关门控替代 softmax 注意力，在常数内存、线性复杂度下保留完整历史，可直接替换 ViT/混合架构中的注意力层；其 bfloat16 下的数值稳定化与分块切比雪夫迭代、自定义反向 kernel 对低精度长序列视觉骨干训练有直接复用价值。
无需多模态注意力的门控条件注入：面向可控线性注意力 Transformer
Gated Condition Injection without Multimodal Attention: Towards Controllable Linear-Attention Transformers
用统一门控条件模块替代多模态注意力，在 SANA 等线性注意力骨干上注入空间对齐与非对齐条件，为端侧可控扩散生成提供可复用的条件注入范式。
Gastric-X：用于推进胃癌分析中视觉语言模型的多模态多期基准数据集
Gastric-X: A Multimodal Multi-Phase Benchmark Dataset for Advancing Vision-Language Models in Gastric Cancer Analysis
为医学视觉语言模型提供了一个包含配对CT、内镜图像、生化指标和专家报告的多模态基准，可用于评测和开发面向真实临床工作流的VQA、报告生成、跨模态检索和病灶定位方法。
Garments2Look：面向含服装与配饰的高保真整套穿搭虚拟试衣的多参考数据集
Garments2Look: A Multi-Reference Dataset for High-Fidelity Outfit-Level Virtual Try-On with Clothing and Accessories
为多参考服装与配饰的整套穿搭试衣提供了 8 万对多图到单图的配对数据与基线评测，做可控生成或多参考条件注入的研究者可直接用它检验模型在层叠、细粒度类别与造型推理上的能力。
GardenDesigner：通过智能体链将审美原则编码到江南园林建造中
GardenDesigner: Encoding Aesthetic Principles into Jiangnan Garden Construction via a Chain of Agents
将审美原则编码为多智能体协作的程序化建模流程，为文本驱动的3D场景生成提供可复用的布局优化与资产选择框架，可迁移至其他风格化场景构建。
Gamba：面向动作识别的基于 Mamba 的动态图拓扑学习图卷积网络
Gamba: Mamba-based graph convolutional network with dynamic graph topology learning for action recognition
用 Mamba 状态空间模型替代自注意力来学习骨架序列的动态邻接矩阵，为视觉中需要建模长程关节/节点关系的时序任务提供了一种计算复杂度更低的图拓扑学习范式。
Gallant：面向三维受限地形的基于体素栅格的人形机器人运动与局部导航
Gallant: Voxel Grid-based Humanoid Locomotion and Local-navigation across 3-D Constrained Terrains
用体素化激光雷达点云替代深度图/高程图作为策略输入，并配 z 分组 2D CNN 处理体素栅格，为视觉感知驱动的具身控制提供了更完整的三维感知表征与可扩展的激光雷达仿真训练管线。
GVIS：生成式矢量图像隐写
GVIS: Generative Vector Image Steganography
利用扩散模型生成的栅格图像经矢量化后，其贝塞尔控制点坐标可作为隐写载体；这种“生成-矢量化-差分提取”的免训练流程，为视觉研究者提供了一种把扩散采样过程当作确定性编码通道的思路，可迁移到水印、版权溯源与可控生成中的隐式信息注入。
GUIDE：面向开放式 GUI 任务中理解与辅助用户的基准
GUIDE: A Benchmark for Understanding and Assisting Users in Open-Ended GUI Tasks
为视觉研究者提供了一个屏幕录制序列上的行为状态识别与意图预测基准，可用于训练和评测多模态大模型对连续界面操作序列的时序理解与用户建模能力，并验证了结构化用户上下文对辅助决策的显著增益。
GUI-SAGE：以自解释学习增强 GUI 自动化
GUI-SAGE: Enhancing GUI Automation with Self-Explanatory Learning
对做视觉智能体（GUI/具身）的人，这篇给出一个可复用思路：用真值动作条件化生成同分布推理轨迹，替代分布外专家示范，避免熵坍缩；配合熵调制的信用分配，把置信度与奖励联合加权，可直接迁移到视觉-语言-动作策略的 RL 微调。
GUI-CEval：面向移动 GUI 智能体的分层综合中文基准
GUI-CEval: A Hierarchical and Comprehensive Chinese Benchmark for Mobile GUI Agents
对做多模态 GUI 智能体的视觉研究者，它提供了基于真实设备的中文评测协议，把感知、规划、反思、执行、评估拆成原子能力与端到端两级，可直接用来诊断 MLLM 在反思决策与动作后自评上的短板，也可作为训练/微调后的验证基准。
GThinker：通过线索引导重思考迈向通用多模态推理
GThinker: Towards General Multimodal Reasoning via Cue-Guided Rethinking
提出「视觉惯性」问题并设计线索引导的重思考机制，可被视觉推理模型复用，用于缓解模型对初始视觉感知的过度自信，提升复杂视觉问答的可靠性。
GTR-Turbo：合并检查点竟是智能体 VLM 训练中的免费教师
GTR-Turbo: Merged Checkpoint is Secretly a Free Teacher for Agentic VLM Training
对做多模态智能体 RL 的人，这篇给出一个免特权教师信号的方案：把 RL 训练过程中产生的多个 checkpoint 权重合并成一个「免费教师」，再用 SFT 或软 logit 蒸馏回灌到策略上，可直接替换 GTR/On-Policy Distillation 里对 GPT、Gemini 的调用，同时缓解熵坍缩。
GT-SVJ：基于生成Transformer的自监督视频裁判用于高效视频奖励建模
GT-SVJ: Generative-Transformer-Based Self-Supervised Video Judge For Efficient Video Reward Modeling
将视频生成模型（如扩散模型）通过能量模型重参数化，并利用潜在空间扰动构造负样本进行对比训练，从而作为时序感知的奖励模型，为视频生成质量评估和偏好对齐提供了新思路。
GS^2：基于图的空间分布优化用于紧凑三维高斯泼溅
GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting
提出基于图的空间分布优化与不透明度感知渐进剪枝，可在保持渲染质量的同时将高斯点数压缩至约12.5%，为3DGS的轻量化部署提供了可复用的稠密化控制与剪枝策略。
GSV2X：面向鲁棒路侧感知的几何感知不确定性建模与正交融合
GSV2X: Geometry-Aware Uncertainty Modeling and Orthogonal Fusion for Robust Roadside Perception
把2D图像特征建模为3D高斯分布并注入相机几何引导的可学习扰动，为BEV融合提供了一种显式吸收标定误差的手段；正交约束注意力用于解耦冗余模态特征，可迁移到任何相机-激光雷达融合的BEV感知框架。
GSNR：用于逆问题的图平滑零空间表示
GSNR: Graph Smooth Null-Space Representation for Inverse Problems
GSNR 提供了一种在逆问题求解中显式约束零空间分量的通用机制，可即插即用地集成到 PnP、DIP 和扩散求解器中，为图像复原任务带来一致性的 PSNR 提升。
GS-CLIP：通过几何感知提示词与协同视图表征学习实现零样本 3D 异常检测
GS-CLIP: Zero-shot 3D Anomaly Detection by Geometry-Aware Prompt and Synergistic View Representation Learning
把 3D 几何先验蒸馏进 CLIP 文本提示词，并用渲染图与深度图双流互补融合，为点云零样本异常检测提供了可复用的「几何感知提示词 + 多视图协同」范式，可直接迁移到其他 3D 开放词表任务。
GS-ASM：基于2D高斯泼溅监督的主动立体匹配
GS-ASM: 2DGS-Supervised Active Stereo Matching
利用2D高斯泼溅显式建模场景几何并合成主动投影图案，生成视差代理标签，从而将自监督主动立体匹配提升到监督训练水平；其混合监督正则化动态调整损失权重，可复用于其他多监督融合的深度估计任务。
GRPO-Guard：通过受调控的裁剪缓解流匹配中的隐式过度优化
GRPO-Guard: Mitigating Implicit Over-Optimization in Flow Matching via Regulated Clipping
对做扩散/流匹配模型 RL 后训练的人，这篇给出了一个可直接替换 PPO clipping 的比值归一化 + 梯度重加权模块，用来防止代理奖励上涨而图像质量与文本对齐崩塌；可作为 SD3.5、Flux 等骨干上 GRPO 微调的稳定化插件。
GROW：面向扩散模型的渐进引导水印生成
GROW: Watermark Generation with Progressive Guidance for Diffusion Models
把水印嵌入从一次性写入初始噪声改为沿扩散采样过程用频域梯度逐步引导生成，从而省去 DDIM 反转，为扩散模型版权保护提供近 100 倍加速的免训练检测方案。
GR-Gauge：通过度量梯度冗余实现低成本训练配置
GR-Gauge: Cost-efficient Training Configuration By Gauging the Gradient Redundancy
提出以梯度冗余度作为轻量级信号来指导超参数搜索和试验终止，可替代传统基于验证集精度的昂贵评估，为视觉模型训练节省大量计算开销。
GPFlow：面向无监督多模态异常检测的高斯原型概率流
GPFlow: Gaussian Prototype Probability Flow for Unsupervised Multi-Modal Anomaly Detection
用可学习高斯原型构造协方差感知的信息瓶颈（后验均值路径路由），替代离散原型记忆库，可直接迁移到少样本工业质检、多模态（RGB+点云/深度）异常检测的特征重建环节。
GP-4DGS：基于变分高斯过程的单目视频概率 4D 高斯泼溅
GP-4DGS: Probabilistic 4D Gaussian Splatting from Monocular Video via Variational Gaussian Processes
把变分高斯过程与诱导点引入 4D 高斯泼溅的形变场建模，为单目动态重建提供可训练的不确定性输出与时序外推能力；做动态场景重建或需要判断运动歧义区域的工作可直接复用其时空核与变分推断方案。
GOR-IS：本征空间中的三维高斯物体移除
GOR-IS: 3D Gaussian Object Removal In the Intrinsic Space
把场景分解为材质与光照等本征分量，并在本征空间中做图像修复，为 3DGS/NeRF 场景编辑提供了一条处理全局光照一致性与视角相关非朗伯表面的可复用思路。
GMT：面向多相机多目标跟踪的有效全局框架
GMT: Effective Global Framework for Multi-Camera Multi-Target Tracking
提出全局轨迹-目标匹配框架，用跨视角特征一致性增强模块减少视角间特征差异，并将同一目标在不同视角的历史编码为全局轨迹，为多相机跟踪提供可复用的全局关联思路。
GM-R^2：面向无监督几何表征与配准的生成式匹配学习
GM-R^2: Generative Matching Learning for Unsupervised Geometric Representation and Registration
把描述子学习重构成以深度图为条件的跨视角生成任务，用视图合成的代理监督隐式约束对应点特征一致性；其去噪无关的耦合 ControlNet 与可缩放等距柱状投影（无需内参的点云转深度）可直接用于无监督 3D 配准与点云到深度图的稠密投影。
GLINT：通过高斯辐射传输建模场景级透明度
GLINT: Modeling Scene-Scale Transparency via Gaussian Radiance Transport
GLINT 将透明界面与透射几何解耦，用显式分解的高斯表示分别建模反射与透射辐射，并借助预训练视频重光照模型提供几何与材质先验，为场景级透明物体重建提供了可复用的辐射传输框架。
GIFT：面向高效视频理解的全局不可替代性帧定位
GIFT: Global Irreplaceability Frame Targeting for Efficient Video Understanding
提出一种免训练的关键帧选择框架，用「定向多样性」把相关性与多样性统一成不可替代性分数，并配合预算感知的自适应迭代选帧；做视频 VLM 推理或长视频理解时，可直接把这一选帧策略插到现有 LLaVA-Video 类模型的输入前端，替代均匀采样。
GIFSplat：生成先验引导的迭代式前馈稀疏视角三维高斯泼溅
GIFSplat: Generative Prior-Guided Iterative Feed-Forward 3D Gaussian Splatting from Sparse Views
把「一次性前馈预测」改成少量前馈式残差迭代，并用冻结扩散先验蒸馏出高斯级线索，无需测试时梯度优化即可在稀疏无位姿视角下做场景自适应，可直接迁移到其他前馈式 3DGS/NeRF 管线以提升域外泛化与质量。
GHPT：基于混合路径追踪的实时可重光照高斯泼溅
GHPT: Real-Time Relightable Gaussian Splatting using Hybrid Path Tracing
把高斯泼溅与基于网格的硬件加速路径追踪结合，用 PGSR 重建表面网格与 G-buffer，再做可微逆渲染恢复材质与环境光照，为需要重光照、物体插入合成的 3DGS 场景提供实时可用的分解式表示。
GH-NAF：面向差异感知CBCT的网格自适应哈希层级注意力神经衰减场
GH-NAF: Grid-Adaptive Hash-Level-Attended Neural Attenuation Fields for Discrepancy-Aware CBCT
把多分辨率哈希编码的各层级解耦，并用不确定性引导的层级注意力自适应加权，这一思路可直接迁移到稀疏视角NeRF/3DGS重建中处理投影噪声与不一致性，缓解均匀组织中的伪高频纹理与边界模糊。
GGPT：几何锚定的点 Transformer
GGPT: Geometry-Grounded Point Transformer
把 SfM 得到的稀疏点云作为显式几何监督，去精修前馈网络输出的稠密点图，这个「稀疏几何引导稠密预测」的范式可以直接迁移到 VGGT、DUSt3R 类模型的几何一致性提升上。
GGBench：面向统一多模态模型的几何生成推理基准
GGBench: A Geometric Generative Reasoning Benchmark for Unified Multimodal Models
为视觉研究者提供了一个可确定性验证的生成式几何推理评测框架：每个样本对齐自然语言指令、可执行 GeoGebra 代码与渲染图，可用于检验多模态模型「先推理再作图」的能力，并作为训练/评测几何作图与程序化图形生成的数据来源。
GFRRN：弥合单图反射去除中的鸿沟
GFRRN: Explore the Gaps in Single Image Reflection Removal
用可学习 Mona 层做 PEFT 对齐预训练特征与复原模型特征，并用标签生成器统一合成/真实反射标签，可直接迁移到去雨、去雾等存在合成-真实域差的低层复原任务。
GEM：基于可变形 Mamba 的激光雷达世界模型生成
GEM: Generating LiDAR World Model via Deformable Mamba
把序列激光扫描与 Mamba 的选择性扫描机制对齐，并用三路可变形 Mamba 在解耦后的动态/静态 token 上做时空建模，为激光雷达点云生成式世界模型提供了一个可复用的骨干设计；其 BEV 布局控制器与规划器接口也便于把生成模型接入自动驾驶闭环仿真。
GEM-TFL：通过EM引导分解与时序精炼弥合弱监督与全监督伪造定位之间的差距
GEM-TFL: Bridging Weak and Full Supervision for Forgery Localization through EM-Guided Decomposition and Temporal Refinement
论文提出的基于EM的弱监督时序定位框架和图提案精炼模块，可迁移到视频动作定位、视频异常检测等需要从视频级标签学习帧级预测的视觉任务中。
GDRO：适用于扩散模型的组级奖励后训练
GDRO: Group-level Reward Post-training Suitable for Diffusion Models
对做扩散/整流流模型奖励对齐的人，GDRO 给出一个可复用的后训练范式：用组级奖励构造完全离线的目标，省掉在线图像采样 rollout，并摆脱 ODE-to-SDE 近似对随机采样器的依赖；同时提出把奖励黑客趋势纳入评测的修正分数，可直接用于评估任何 RL 微调的文生图模型。
GDPO-SR：面向单步生成式图像超分辨率的组直接偏好优化
GDPO-SR: Group Direct Preference Optimization for One-Step Generative Image Super-Resolution
将GRPO的组相对优势思想引入DPO，实现在线生成样本的偏好优化，并设计属性感知奖励函数动态评估局部细节，可复用于其他单步扩散复原任务（如去噪、去模糊）的微调。
GDFA：几何驱动且带方向任务向量对齐的联邦遗忘
GDFA: Geometry-Driven Federated Unlearning with Directional Task Vector Alignment
把损失景观几何（平坦极小值）作为提升遗忘鲁棒性的手段，并通过对任务向量做方向一致性过滤来隔离共享知识——这套「平坦化 + 方向对齐的任务向量」思路可迁移到视觉模型的版权数据删除、概念擦除与个性化模型去身份化等场景。
GA-VLN：面向高效视觉语言导航的几何感知鸟瞰图表示
GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation
将RGB-D输入投影到鸟瞰图空间并融合3D基础模型先验，为MLLM提供紧凑且几何一致的空间表示，可复用于需要高效空间推理的视觉语言任务。
G-MIXER：基于测地线混合的隐式语义扩展与显式语义重排序用于零样本组合图像检索
G-MIXER: Geodesic Mixup-based Implicit Semantic Expansion and Explicit Semantic Re-ranking for Zero-Shot Composed Image Retrieval
对做视觉-语言检索的人，这篇给出了一个免训练范式：用测地线插值在参考图特征与文本特征之间按多个混合比例生成组合查询，从而显式建模查询的隐式语义并扩大候选多样性，再用 MLLM 生成的显式描述做重排序；这套「隐式扩展+显式重排」的两阶段思路可直接迁移到其他跨模态检索与组合式查询任务。
G$^2$VLM：统一三维重建与空间推理的几何基础视觉语言模型
G$^2$VLM: Geometry Grounded Vision Language Model with Unified 3D Reconstruction and Spatial Reasoning
把前馈三维重建模型学到的几何特征直接接入 VLM 的表征空间，用交错推理与上下文学习让语言模型「读懂」几何特征；做空间理解或多模态三维任务的可以借鉴这种统一训练范式，用易得的多视图/视频数据替代难采集的三维标注。
FusionRegister：每一对红外与可见光图像融合都值得配准
FusionRegister: Every Infrared and Visible Image Fusion Deserves Registration
提出一种由视觉先验引导的跨模态配准方法，可直接作用于融合结果，避免预配准步骤，为红外与可见光图像融合提供高效鲁棒的配准方案。
FusionAgent：面向人体识别的动态模型选择多模态智能体
FusionAgent: A Multimodal Agent with Dynamic Model Selection for Human Recognition
把每个生物特征专家模型当作可调用工具，用 MLLM 智能体配合指标驱动的强化微调，为每个测试样本动态选择模型组合，并用基于锚点的置信度 Top-k 融合解决分数错位与嵌入异质性问题；这套「动态模型选择 + 置信度感知融合」思路可直接迁移到多模态或多模型集成的视觉识别系统。
融合深度与语义的概率平面图定位
Fusion of Depth and Semantics for Probabilistic Floorplan Localization
将深度与语义以概率分布形式统一融合进射线匹配框架，并用 Jensen-Shannon 散度保留语义歧义而非硬标签化，这一思路可迁移到其他需要融合多模态不确定性的位姿估计与匹配任务。
以你的方式融合：通过直接偏好优化使图像融合对齐异构需求
Fusion in Your Way: Aligning Image Fusion with Heterogeneous Demands via Direct Preference Optimization
把 DPO 引入潜扩散模型的采样过程，用偏好信号直接控制生成结果的属性，为视觉中「同一输入需输出多种风格/质量取向结果」的可控生成提供了一套可复用的偏好对齐训练范式。
希尔伯特空间中的函数均值流
Functional Mean Flow in Hilbert Space
把一步式 Mean Flow 推广到无穷维希尔伯特空间，并给出 x_1-prediction 形式提升稳定性；对视觉研究者而言，这提供了一条在函数空间做一步流匹配采样的通用路径，可直接用于图像、3D 几何等连续域数据的少步生成。
FunFact：通过因子图推理构建概率功能3D场景图
FunFact: Building Probabilistic Functional 3D Scene Graphs via Factor-Graph Reasoning
将功能关系建模为因子图变量，结合LLM常识先验与几何先验进行联合概率推理，可提升开放词表场景图中关系发现的召回率与置信度校准，适用于需要场景级推理的3D理解任务。
完全去中心化的可认证机器遗忘
Fully Decentralized Certified Unlearning
为视觉模型提供可认证的数据删除机制：在无中心协调的去中心化拓扑上，用随机游走+投影梯度上升/下降配合子采样高斯噪声，在给定(ε,δ)下移除指定图像数据的影响，可直接用于隐私合规或清除投毒样本，并把后门攻击成功率压到随机猜测水平。
油量表：在大规模多模态模型中提前估计思维链长度
Fuel Gauge: Estimating Chain-of-Thought Length Ahead of Time in Large Multimodal Models
对做多模态大模型推理部署的人，这篇给出了一个在生成前预测思维链长度的隐变量信号，可直接用于预分配 KV cache 以缓解显存碎片，也可作为自适应推理长度控制（避免过思考/欠思考）的调度依据。
从位置到功能：多模态大语言模型中的空间-功能智能基准
From Where Things Are to What They Are For: Benchmarking Spatial-Functional Intelligence in Multimodal LLMs
该基准为视觉语言模型提供了诊断空间记忆与功能推理结合能力的评测工具，可用于检验模型在具身场景下的高阶认知瓶颈，并指导融合感知、记忆与推理的模型设计。
从权重到概念：基于奇异向量分解的 CLIP 无数据可解释性
From Weights to Concepts: Data-Free Interpretability of CLIP via Singular Vector Decomposition
提供一种无需数据、无需训练的权重空间分析手段：对 CLIP 视觉 Transformer 每个注意力头的 value-output 矩阵做奇异向量分解，并用稀疏匹配追踪把奇异向量解释为可读概念，可直接用于定位并放大或抑制特定语义方向，从而在不重训练的情况下编辑模型行为。
从静态到动态：探索自监督图像到视频表征迁移学习
From Static to Dynamic: Exploring Self-supervised Image-to-Video Representation Transfer Learning
提出在冻结的图像预训练编码器上只加一个轻量投影层，用时序循环一致性与语义可分性约束做自监督迁移，为视觉研究者提供了一种低成本把图像骨干转成视频表征的通用方案，可直接套用到自有图像预训练模型上。
从斑点到像素：基于组织学图像的密集空间基因表达预测
From Spots to Pixels: Dense Spatial Gene Expression Prediction from Histology Images
将空间基因表达预测从基于裁剪斑块的分类/回归范式转变为密集连续图预测，并支持多尺度斑块聚合，为病理图像中的空间组学分析提供了可复用的密集预测框架。
从 Softmax 到 Dirichlet：面向半监督语义分割的证据学习
From Softmax to Dirichlet: Evidential Learning for Semi-supervised Semantic Segmentation
用狄利克雷分布对类别概率建模，从分布视角给出原则性的不确定性估计，替代 softmax 置信度做伪标签筛选；HESS 将排他证据与集体证据解耦，可直接嵌入现有半监督分割框架提升伪标签可靠性。
从草图到湿壁画：渐进分辨率的 Efficient 扩散 Transformer
From Sketch to Fresco: Efficient Diffusion Transformer with Progressive Resolution
把「低分辨率起草 + 高分辨率精修」做成跨阶段对齐同一目标的免训练采样框架，可直接套到 FLUX、HunyuanVideo 等 DiT 上，并与蒸馏、量化、特征缓存正交叠加，是降低迭代采样成本的可复用加速手段。
从选择到调度：联邦几何感知校正让样本回放在持续动态异构下更有效
From Selection to Scheduling: Federated Geometry-Aware Correction Makes Exemplar Replay Work Better under Continual Dynamic Heterogeneity
用固定的等角紧框架原型作为跨客户端共享的类判别参考结构，并通过成对角度相似性对齐做结构知识蒸馏，这一思路可直接迁移到视觉模型在类不平衡或非独立同分布数据下的表征漂移抑制与少样本类特征保护。
从规模到速度：面向图像编辑的自适应测试时扩展
From Scale to Speed: Adaptive Test-Time Scaling for Image Editing
把测试时扩展（Image-CoT）从 T2I 迁移到图像编辑时，可用「编辑难度估计→动态采样预算」+「区域定位与描述一致性做早期剪枝」+「实例级验证器驱动的深度优先提前停止」三件套，在 Step1X-Edit、BAGEL、FLUX.1 Kontext 上以同等采样预算换 2 倍以上加速，是可直接复用的推理期加速与筛选框架。
从射线到投影：为前馈视图合成提供更好的输入
From Rays to Projections: Better Inputs for Feed-Forward View Synthesis
用目标视图的投影线索替代 Plücker 射线图作为相机条件输入，把脆弱的射线空间几何回归转化为良态的目标视图图像到图像翻译问题；做前馈新视角合成时可直接替换相机编码方式，并配套设计了适配该线索的掩码自编码预训练以利用无标定数据。
从像素到精确：利用图像级奖励增强手写数学表达式识别
From Pixel to Precision: Enhancing Handwritten Mathematical Expression Recognition with Image-Level Reward
将图像级视觉奖励（IMS）与GRPO结合，为视觉-语言模型提供更可靠的训练信号，可推广到其他需要渲染保真度的生成任务（如公式识别、图表生成）。
从面板到像素：面向生物医学科学文献的放大式视觉语言预训练
From Panel to Pixel: Zoom-In Vision-Language Pretraining from Biomedical Scientific Literature
把多面板科研图拆成 figure/panel/region 三级图文对，为视觉语言预训练提供细粒度、可复用的数据构造与多粒度目标统一思路，可直接迁移到任何含密集标注结构的图文语料（如说明书、海报、UI 截图）。
从图像对到序列：面向关键点检测的轨迹感知策略梯度
From Pairs to Sequences: Track-Aware Policy Gradients for Keypoint Detection
把关键点检测从图像对监督改为序列上的强化学习决策过程，用轨迹质量奖励驱动策略梯度，可直接用于 SfM/SLAM 前端特征点训练，提升长时序跟踪稳定性。
从观察到动作：面向工业场景VLA预训练的基于潜变量动作的基元分割
From Observation to Action: Latent Action-based Primitive Segmentation for VLA Pre-training in Industrial Settings
提出无监督动作基元分割与潜变量动作序列提取的流程，可直接用于从工业视频中自动构建VLA预训练数据，为具身智能提供可扩展的数据组织方案。
从无到有：通过新视角合成的自监督三维重建
From None to All: Self-Supervised 3D Reconstruction via Novel View Synthesis
把相机参数预测与显式 3D 高斯重建放进同一个共享 Transformer 骨干网络、用掩码注意力约束，仅靠 2D 光度监督即可从未标定、无位姿的图像集合前馈重建，为无标注数据上的可扩展三维重建提供了可复用的自监督训练范式。
从测量到缓解：用线性子空间移除量化并降低图像表征编码器中的身份泄露
From Measurement to Mitigation: Quantifying and Reducing Identity Leakage in Image Representation Encoders with Linear Subspace Removal
对使用 CLIP/DINOv2/SSCD 等冻结视觉嵌入做检索或完整性系统的人，这篇给出了一个可复用的审计流程（低误接受率下的开放集验证、基于扩散的模板反演检验、等面积扰动的人脸上下文归因）以及一个单样本线性投影器 ISP，可在几乎不损失非生物特征效用的前提下把身份线性可及性压到接近随机水平。
从手册到动作：面向思维链手册生成与机器人操作统一视觉-语言-动作模型
From Manuals to Actions: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation
把多模态手册（图像+视觉提示+文本）作为中间表示，经 ManualCoT 注入动作专家，为长程操作任务提供显式控制条件与隐式潜变量引导；其基于 3D 高斯泼溅的数字孪生数据自动生成管线，可用于低成本扩充机器人操作训练数据。
从直觉到探究：面向可泛化人脸反欺骗的工具增强推理多模态大模型框架
From Intuition to Investigation: A Tool-Augmented Reasoning MLLM Framework for Generalizable Face Anti-Spoofing
把外部视觉工具（如放大、局部裁剪等细粒度分析算子）接入 MLLM 的推理链，并用 GRPO 类强化学习让模型自主决定何时调用工具，这一「工具增强思维链」范式可直接迁移到需要细粒度视觉证据的检测/鉴伪任务。
从图像修复到图层分解：改造生成式图像修复模型用于图像图层分解
From Inpainting to Layer Decomposition: Repurposing Generative Inpainting Models for Image Layer Decomposition
把预训练的扩散图像修复模型通过轻量微调改造成图层分解器，并用线性复杂度的多模态上下文融合模块在潜空间保留细节；做图像编辑、遮挡恢复或前景/背景分离的研究者可直接复用这一「修复模型即分解模型」的迁移思路与融合模块。
从注入到同化的蒸馏用于医学图像分割
From Infusion to Assimilation Distillation for Medical Image Segmentation
把知识蒸馏拆成「注入+同化」两阶段：先用类加权原型对齐软标签蒸馏对齐师生预测分布，再用对比式语义自优化对编码器特征施加反向约束，可作为在算力受限场景下压缩 SAM 类基础模型到轻量分割网络的通用蒸馏范式。
从室内到开放世界：揭示多模态大模型中的空间推理鸿沟
From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs
对做多模态大模型空间推理的人，这篇提供了用双目+LiDAR+IMU/GPS 采集的行人视角视频自动生成分层空间推理问答的流程，以及合成异常场景与盲测两种诊断协议，可直接用来检验模型是否真的依赖视觉 grounding 而非语言先验。
从少路到多路：重新审视少样本细粒度图像分类
From Few-way to Many-way: Rethinking Few-shot Fine-grained Image Classification
论文指出情节式训练在 many-way 场景下缺乏对特征空间的全局刻画，提出自特征与协同特征提取加情节级与全局级双重优化的思路，可直接迁移到其他少样本/小样本识别任务中改进特征空间结构。
从特征学习到谱基学习：一个统一且灵活的高效鲁棒形状匹配框架
From Feature Learning to Spectral Basis Learning: A Unifying and Flexible Framework for Efficient and Robust Shape Matching
把函数映射流程中固定的拉普拉斯谱基换成可学习的抑制函数，使特征提取与基函数端到端联合优化，并用热扩散模块替代昂贵的求解器；做非刚性三维形状匹配、等距/拓扑噪声鲁棒性研究的人可以直接复用这一「谱基即谱卷积滤波器」的视角。
从失败到反馈：组修正解锁目标级视觉定位中的困难案例
From Failure to Feedback: Group Revision Unlocks Hard Cases in Object-Level Grounding
提出组修正优化范式，通过生成修正候选并量化改进来构造塑形信号，缓解GRPO在困难样本上奖励稀疏的问题，可复用于视觉语言模型的强化学习微调。
从探索到利用：面向噪声容忍 MLLM 训练的两阶段熵 RLVR 方法
From Exploration to Exploitation: A Two-Stage Entropy RLVR Approach for Noise-Tolerant MLLM Training
对做 MLLM 后训练的人，这套「先熵最大化探索、后熵最小化利用」的 token 级熵调度可直接插到 GRPO 训练循环里，用来在标注噪声大的视觉问答/多模态推理数据上稳住组内奖励方差、避免过早收敛到错标。
从事件到清晰：事件引导的扩散框架用于去雾
From Events to Clarity: The Event-Guided Diffusion Framework for Dehazing
将事件相机的高动态范围（HDR）和微秒级延迟特性引入去雾任务，通过事件引导模块将稀疏事件特征映射到扩散潜变量空间，为生成过程提供精确的结构条件，缓解语义漂移。该思路可推广到其他低层视觉任务（如低光照增强、运动去模糊）中，利用事件相机弥补RGB帧动态范围不足的问题。
从检测到关联：为多目标跟踪学习判别性目标嵌入
From Detection to Association: Learning Discriminative Object Embeddings for Multi-Object Tracking
针对端到端 DETR 类跟踪器中共享检测嵌入类间相似度过高的问题，用空间/时序/身份三个适配器在检测特征上做显式精炼，可直接迁移到任何 DETR 式跟踪或关联头中提升跨帧实例判别性。
从角点到基准标记：重新审视事件相机的棋盘格标定
From Corners to Fiducial Tags: Revisiting Checkerboard Calibration for Event Cameras
对做事件相机标定或多传感器标定的视觉研究者，这篇给出了不依赖灰度重建、直接从事件流检测棋盘格角点与 AprilTag 的流程：用边缘事件初始化角点，再向低事件密度区域迭代细化到亚像素，可直接用于事件-帧相机外参标定与遮挡场景下的标记检测。
从对比到一致性：重新思考基于事件的连续时间光流估计
From Contrast to Consistency: Rethinking Event-based Continuous-Time Optical Flow Estimation
用时空结构一致性替代纯对比度最大化来约束事件相机光流，并给出从监督点约束到自监督流形正则的课程式混合训练流程，可直接迁移到事件相机或高帧率视频的连续运动估计。
从吸引到平衡：面向零样本异常检测的物理启发式语义引力子
From Attraction to Equilibrium: Physics-Inspired Semantic Gravitons for Zero-Shot Anomaly Detection
把 CLIP 的视觉-文本对齐建模为可学习的「语义引力子」中介，用交替耦合与能量势正则稳定跨模态对应，可直接迁移到需要精确定位的零样本/开放词表视觉任务（异常检测、缺陷分割、开放词表定位）。
从3D姿态到文本：基于生物力学的视觉-语言教练
From 3D Pose to Prose: Biomechanics-Grounded Vision-Language Coaching
将3D骨骼运动学与视觉外观通过交叉注意力融合，用于生成可解释的健身指导文本；其运动学约束建模和参数高效训练策略可迁移到其他需要细粒度动作理解的视觉-语言任务。
从二维对齐到三维合理性：统一异构二维先验与无穿模扩散实现遮挡鲁棒的双手重建
From 2D Alignment to 3D Plausibility: Unifying Heterogeneous 2D Priors and Penetration-Free Diffusion for Occlusion-Robust Two-Hand Reconstruction
把关键点、分割、深度等视觉基础模型先验以隐式融合编码器吸收，而非作为显式输入，可在不增加基础模型推理成本的前提下提升单目重建精度；同时用带碰撞梯度引导的扩散模型把互穿姿态映射到无碰撞流形，这一「生成式后处理」思路可迁移到人体/多人交互重建与姿态去穿模。
Fresco：面向细粒度头部虚拟人建模的频率-空间一致性优化
Fresco: Frequency-Spatial Consistent Optimization for Fine-Grained Head Avatar Modeling
把拉普拉斯金字塔频率课程与 UV 空间像素级一致性正则结合，用于抑制头部虚拟人重建中的早期过锐化与跨视角漂移；这套「先低频后高频 + 共享 UV 坐标对齐」的优化调度可直接迁移到其他多视角可驱动人体/人脸重建管线。
面向人脸混淆的频域操控
Frequency-domain Manipulation for Face Obfuscation
把频域子带自适应调制当作一种可复用的隐私保护手段：按子带特性分别调节信息量，在隐藏身份的同时保留机器可解读线索，并抵御重建攻击；做视觉数据集发布或隐私敏感场景的人脸分析时可直接借鉴这一频域处理思路。
频率感知流匹配用于高质量图像生成
Frequency-Aware Flow Matching for High-Quality Image Generation
把频率分解与时间相关的自适应加权引入流匹配的潜空间生成，为提升扩散/流模型的细节保真度提供了一个可插拔的条件注入思路，可直接迁移到视频生成或高分辨率合成中。
频率感知亲和力用于弱监督语义分割
Frequency-Aware Affinity for Weakly Supervised Semantic Segmentation
利用频域分解（低频语义对齐、高频边界修正）生成更完整的亲和力矩阵，并通过最优传输直接生成高质量 CAM，可复用于其他弱监督定位任务（如弱监督目标检测、点监督分割）。
面向参数高效多任务学习的频率切换机制
Frequency Switching Mechanism for Parameter-Efficient Multi-Task Learning
把正弦频率调制叠加在低秩+卷积先验的单一核上，用极少量可训练参数（6.53M）实现多任务权重特化，可直接替换视觉骨干网络中的 LoRA/Adapter 做多任务稠密预测的联合微调。
FreqSIC：频率感知的双向棋盘上下文立体图像压缩
FreqSIC: Frequency-aware Stereo Image Compression with Bi-directional Checkerboard Context Model
把立体图像压缩中的跨视角冗余建模拆到高/低频分量上分别处理，并用棋盘式非自回归上下文替代逐点自回归熵模型，可直接复用到需要低延迟熵编码的立体匹配、双目深度与光场压缩管线中。
FreqEdit：保留高频特征以实现鲁棒的多轮图像编辑
FreqEdit: Preserving High-Frequency Features for Robust Multi-Turn Image Editing
针对多轮指令编辑中高频细节逐步丢失的问题，提出从参考速度场注入高频特征、空间自适应调制注入强度、并周期性重校准编辑轨迹的免训练方案，可直接用于提升现有扩散编辑模型在长链迭代下的身份保持与指令跟随能力。
FreeScale：通过确定性感知的自由视角生成扩展三维场景
FreeScale: Scaling 3D Scenes via Certainty-Aware Free-View Generation
把不完美的重建场景当作几何代理，用确定性感知的自由视角采样筛选语义有意义且受重建误差影响小的新视角，从而把少量真实序列扩成可训练前馈 NVS 模型的大规模数据；这套「重建→采样→再训练」的数据引擎可直接用于缓解 3D 视觉的数据瓶颈。
FreeForm：基于粒子蒙皮模态的降阶可变形仿真
FreeForm: Reduced-Order Deformable Simulation from Particle-Based Skinning Eigenmodes
用 RKPM 粒子表示替代网格或神经场来构造降阶蒙皮权重，使高斯泼溅等非网格几何可直接参与可变形仿真，为视觉重建出的 3D 资产提供免逐形状优化的物理动画接口。
FreeArtGS：自由移动场景下的关节高斯泼溅
FreeArtGS: Articulated Gaussian Splatting Under Free-moving Scenario
FreeArtGS 提出了一种从自由移动的单目 RGB-D 视频中重建关节物体的新设定，利用现成的点跟踪和特征模型先验进行部件分割与关节估计，并基于 3DGS 端到端优化视觉纹理、几何与关节角度。对视觉研究者而言，其可复用的技术点包括：利用相对运动进行无监督刚性部件分割、从分割结果鲁棒恢复关节类型与轴、以及将 3DGS 扩展到关节物体的联合优化框架。
基于层自适应分布外校正的免训练长视频生成
Free-Lunch Long Video Generation via Layer-Adaptive O.O.D Correction
针对预训练短片段视频扩散模型在长视频推理时的分布外问题，提出免训练的分层自适应校正框架，包含视频相对位置重编码和分层稀疏注意力，可直接用于提升现有视频扩散模型的长视频生成质量。
自由粒度层级视觉识别
Free-Grained Hierarchical Visual Recognition
把视觉语言模型的语义先验和半监督学习引入层级分类，用于处理训练标签粒度不统一的现实场景；其「自由粒度推理」让模型按置信度自适应选择预测深度，这一思路可迁移到任何需要输出粗细可变预测的视觉任务。
FrankenMotion：部位级人体动作生成与组合
FrankenMotion: Part-level Human Motion Generation and Composition
把生成过程按身体部位解耦、每个部位由独立时序文本提示驱动，这种「部位级条件注入 + 原子动作组合」的思路可迁移到细粒度可控的人体/手部/面部动作生成与编辑，也提示了用 LLM 自动构建细粒度时序标注的可行路径。
Franca：面向可扩展视觉表征学习的嵌套 Matryoshka 聚类
Franca: Nested Matryoshka Clustering for Scalable Visual Representation Learning
嵌套 Matryoshka 多头部聚类投影器可在不增大模型规模的前提下把特征逐级细化为更细粒度的簇，配合从稠密表征中显式剥离位置偏置的策略，可直接用于改进 DINO 类自监督预训练的稠密特征质量，对分割、深度估计等下游密集预测任务有直接迁移价值。
Frame2Freq：面向细粒度视频理解的频谱适配器
Frame2Freq: Spectral Adapters for Fine-Grained Video Understanding
把图像预训练骨干迁移到视频时，用沿时间轴的 FFT 做频带特定嵌入，替代单尺度时域适配器，可复用于任何需要多时间尺度运动建模的视频下游任务（如细粒度动作识别、时序定位）。
分形伪装：一种面向红外域多尺度对抗攻击的仿生方法
Fractal Camouflage: A Bio-Inspired Approach for Multi-Scale Adversarial Attacks in the Infrared Domain
用 H 型分形的自相似性构造跨尺度物理对抗贴片，并通过粒子群优化搜索参数，为红外行人检测器的物理攻击评测提供了可复用的多尺度扰动生成范式；做红外或多光谱检测安全评测时，可直接借鉴其分形参数化与黑盒优化流程。
面向遥感旋转目标检测的傅里叶角度对齐
Fourier Angle Alignment for Oriented Object Detection in Remote Sensing
利用傅里叶旋转等变性在频域提取主方向并对齐角度，为旋转目标检测中颈部网络方向不一致与检测头任务冲突提供即插即用的解决思路，可迁移到任何需要方向一致性的特征融合与RoI处理环节。
Foundry：为边缘设备蒸馏 3D 基础模型
Foundry: Distilling 3D Foundation Models for the Edge
把大型自监督 3D 基础模型蒸馏成紧凑的 SuperTokens 代理模型，学生重建教师 token 级表征，可直接用于点云分类、部件分割等下游任务的轻量化部署，为边缘端 3D 感知提供可复用的压缩范式。
基础模型先验在特征空间中增强目标聚焦以用于无源目标检测
Foundation Model Priors Enhance Object Focus in Feature Space for Source-Free Object Detection
用 OV-SAM 生成的类无关二值掩码作为空间先验，直接正则化检测器特征空间而非仅修伪标签，这一「基础模型先验约束特征」的思路可迁移到其他无源域自适应检测、分割任务中抑制背景杂波响应。
基础编码器即可实现偏好感知的个性化
Foundation Encoders Are All You Need for Preference-Aware Personalization
把个性化偏好注入完全放在基础编码器（文本编码器/CLIP 编码器）的表征空间里完成，不改扩散主干、不做微调，为个性化生成提供了一条可跨多个 T2I 底座复用的轻量路线；做 personalization 或 adapter 设计时可直接借鉴其「重构 transformer 编码器以融合偏好」的做法。
FoundIR-v2：为图像复原基础模型优化预训练数据配比
FoundIR-v2: Optimizing Pre-Training Data Mixtures for Image Restoration Foundation Model
把「不同复原任务的数据配比」当作可优化的变量，用数据混合律做动态调度，并用 MoE 调度器为每个任务分配任务自适应的扩散先验；做 all-in-one 复原或多任务联合训练时，可直接借鉴这套数据均衡调度与专家路由思路。
锻造动态记忆：面向通用医学基础模型的检索引导持续学习
Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models
将检索增强生成（RAG）与持续学习结合，通过动态知识蒸馏缓解多模态医学VLM在领域迁移中的灾难性遗忘，为视觉-语言模型的持续学习提供可复用框架。
面向取证的图像编辑：通过可控潜在扩散实现
Forensic-Friendly Image Manipulation via Controllable Latent Diffusion
提出一种即插即用的可控去噪方法，在扩散编辑过程中通过正交投影和对抗优化使编辑区域与未编辑区域的特征差异最大化，从而在不影响视觉质量的前提下提升被动取证检测性能，为图像编辑与取证结合提供了新思路。
第一人称视频中的 3D 扫描路径预测
Forecasting 3D Scanpaths in Egocentric Video
将注视点预测从 2D 图像序列扩展到第一人称视频中的 3D 笛卡尔坐标序列，利用 Transformer 融合视频帧、头部姿态和过去 3D 注视点，为 AR/VR 中的意图预测和交互提供可复用的时序建模框架。
预测主成分、稳定残差：面向扩散 Transformer 的子空间感知特征缓存
Forecast the Principal, Stabilize the Residual: Subspace-Aware Feature Caching for Diffusion Transformers
对做扩散 Transformer 采样加速的人，可直接把 SVD 分解 + 主/残差子空间差异化预测（主成分 EMA 预测、残差直接复用）作为免训练缓存策略，替换现有均匀缓存，并可与蒸馏、量化、稀疏注意力叠加。
ForeHOI：从日常手物交互视频前馈重建三维物体
ForeHOI: Feed-forward 3D Object Reconstruction from Daily Hand-Object Interaction Videos
把 2D 掩码修复与 3D 形状补全放进同一个前馈框架联合预测，用 2D/3D 之间的信息交换解决手物严重遮挡下的物体重建，可迁移到任何被遮挡物体的单目重建与补全任务。
ForeAct：以高效视觉预见规划引导视觉语言动作模型
ForeAct: Steering Your VLA with Efficient Visual Foresight Planning
把「想象未来观测」作为可插拔的视觉输入增强，让 VLA 从高层语义推理中解放出来专注视觉-运动推理；其 0.33s 生成 640x480 预见图像的轻量生成模块与百万级跨具身预训练思路，可直接迁移到任何以图像为输入的策略模型上。
ForceVLA2：释放面向接触丰富操作的力觉感知混合力位控制
ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation
把力信号作为提示注入 VLM 专家、并用跨尺度 MoE 与实时力做闭环融合，为视觉-语言-动作模型引入力觉通道提供了可复用的架构范式；其多视角图像+力信号的数据集也可用于研究接触丰富场景下的多模态表征。
FontCrafter：基于视觉上下文生成的高保真元素驱动艺术字体创作
FontCrafter: High-Fidelity Element-Driven Artistic Font Creation with Visual In-Context Generation
把参考元素图当作视觉上下文、用图像修复模型在像素级把风格迁移进字形区域，并配轻量 Context-aware Mask Adapter 注入形状、用免训练注意力重定向抑制笔画幻觉——这套「上下文+掩码适配器+注意力重定向」的组合可直接迁移到任何需要保留参考纹理与结构的可控生成任务（如风格化 logo、纹理迁移、局部重绘）。
跟随显著性：面向检索增强密集视频描述的有监督显著性
Follow the Saliency: Supervised Saliency for Retrieval-augmented Dense Video Captioning
把 DVC 真值直接转成二值标签训练帧级显著性/高光检测器，再用同一显著性分数同时驱动检索分段与解码器 Saliency Prompt，为视频-语言检索增强生成提供了一个无需额外标注的统一时序信号。
FoleyDirector：通过结构化脚本实现视频到音频生成的细粒度时序引导
FoleyDirector: Fine-Grained Temporal Steering for Video-to-Audio Generation via Structured Scripts
FoleyDirector 在 DiT 架构上通过结构化时序脚本和时序脚本注意力实现细粒度时序控制，为视觉研究者提供了一种可复用的时序条件注入机制，尤其适用于多事件或视觉线索不足（如小区域、画外音、遮挡）的视频到音频生成场景。
FoleyDesigner：面向电影片段的沉浸式立体声拟音生成与精确时空对齐
FoleyDesigner: Immersive Stereo Foley Generation with Precise Spatio-Temporal Alignment for Film Clips
论文将视频帧的时空线索作为条件输入潜变量扩散模型，实现与画面精确对齐的立体声拟音生成，其多智能体分析架构和时空条件注入方式可迁移到视频到音频生成、音视觉对齐等跨模态生成任务。
FocusUI：通过位置保持的视觉词元选择实现高效 UI 视觉定位
FocusUI: Efficient UI Grounding via Position-Preserving Visual Token Selection
针对高分辨率截图词元冗余问题，提出指令条件化 patch 级监督与 PosPad 位置连续性保持的视觉词元选择方案，可直接迁移到任意高分辨率 VLM 的视觉编码压缩与定位任务中。
聚焦到感知表征学习：面向内窥镜视频分析的认知启发分层框架
Focus-to-Perceive Representation Learning: A Cognition-Inspired Hierarchical Framework for Endoscopic Video Analysis
针对内窥镜视频中静态病灶语义被运动偏置淹没的问题，提出教师先验自适应掩码加多视图稀疏采样来聚焦帧内病灶区域，再用跨视图掩码特征补全与注意力引导时序预测建模帧间演化；这套「先聚焦静态语义、再感知时序演化」的分层自监督预训练范式可直接迁移到其他标注稀缺、语义静态性强的专业视频域（如超声、手术、遥感时序）。
聚焦而非剪枝：为信息密集图像理解定位指令相关区域
Focus, Don't Prune: Identifying Instruction-Relevant Regions for Information-Rich Image Understanding
对做 LVLM 高效推理的人，这篇给出了「先用指令定位相关区域、再只对区域提细粒度特征」的两阶段视觉 token 削减范式，并附带 InfographicVQA/MultiPageDocVQA/SinglePageDocVQA 上的区域级真值标注，可直接用于训练或评测区域选择模块。
聚焦背景：以背景为中心的提示词探索 SAM 在少样本医学图像分割中的潜力
Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting
把 SAM 的少样本分割重新表述为「提示词定位」任务，用类别无关的背景提示约束 SAM 的过分割；这一思路可迁移到任何需要抑制 SAM 过度分割的开放词表/少样本分割场景。
面向手语生成的语义一致引导焦点-全局扩散模型
Focal-General Diffusion Model with Semantic Consistent Guidance for Sign Language Production
两阶段去噪框架把局部关节级建模（自适应图卷积）与全局序列精修（Transformer）解耦，并用语义一致引导把文本语义监督注入扩散训练，这一「局部-全局分层去噪 + 语义引导」思路可迁移到人体姿态/动作序列生成等结构化输出任务。
FoV-Net：基于视场射线投射的旋转不变 CAD B-rep 学习
FoV-Net: Rotation-Invariant CAD B-rep Learning via Field-of-View Ray Casting
用局部参考系 UV 网格加视线射线投射构造旋转不变的逐面表征，再经图注意力在 B-rep 图上传播，这套「局部几何 + 射线采样上下文」的思路可直接迁移到点云、网格等 3D 表示上做 SO(3) 不变的特征学习。
FoSS：通过傅里叶-状态空间融合建模轨迹预测中的长程依赖与多模态不确定性
FoSS: Modeling Long-Range Dependencies and Multimodal Uncertainty in Trajectory Prediction via Fourier-State Space Integration
用离散傅里叶变换把轨迹拆成幅值（全局意图）与相位（局部变化）两支，再用线性复杂度的选择性状态空间模型（Coarse2Fine-SSM、SpecEvolve-SSM）替代二次复杂度的注意力，为多智能体轨迹预测提供了一条兼顾长程依赖与效率的可复用范式。
FluxMem：面向流式视频理解的自适应分层记忆
FluxMem: Adaptive Hierarchical Memory for Streaming Video Understanding
提出免训练的分层视觉词元压缩方法（TAS+SDC），通过自适应压缩率减少冗余视觉词元，可直接用于视频语言模型的高效推理，降低延迟和显存。
FluoCLIP：荧光显微成像中的染色感知聚焦质量评估
FluoCLIP: Stain-Aware Focus Quality Assessment in Fluorescence Microscopy
把染色语义作为条件注入 CLIP 式视觉语言框架，做染色条件下的序数推理，这个「语义 grounding + 条件化排序」的解耦思路可迁移到其他存在域相关标注偏置的视觉回归任务（如不同成像协议下的质量评分、美学评分）。
FluidGaussian：传播基于仿真的不确定性以实现功能智能的三维重建
FluidGaussian: Propagating Simulation-Based Uncertainty Toward Functionally-Intelligent 3D Reconstruction
将流体仿真诱导的不确定性作为主动学习的采样信号，指导多视角采集以提升几何与物理保真度，为物理感知的三维重建提供了可插拔的通用框架。
Flowception：面向视频生成的时间可扩展流匹配
Flowception: Temporally Expansive Flow Matching for Video Generation
把「离散插帧 + 连续去噪」交替的概率路径用于视频生成，可作为一种非自回归、可变长度的采样范式，替代自回归视频模型以缓解误差累积，并天然支持图像到视频与插帧等任务。
FlowSteer：以真实轨迹引导少步图像合成
FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories
把 ReFlow 蒸馏从「点对点回归」改成沿教师真实 ODE 轨迹对齐，并给出 FlowMatchEulerDiscreteScheduler 的少步推理缺陷修复，可直接用于 SD3 类流模型的少步加速训练与采样器实现。
FlowPortal：残差校正流用于免训练视频重打光与背景替换
FlowPortal: Residual-Corrected Flow for Training-Free Video Relighting and Background Replacement
把标准 flow-based 生成模型通过残差校正改造成免训练编辑模型：条件相同时保证完美重建、条件不同时实现忠实编辑，这一思路可直接迁移到视频/图像的其他属性编辑（重打光、换背景、风格化）而无需微调。
FlowPalm：光流驱动的非刚性形变用于几何多样化的掌纹生成
FlowPalm: Optical Flow Driven Non-Rigid Deformation for Geometrically Diverse Palmprint Generation
利用光流估计真实掌纹对之间的非刚性形变统计先验，并在扩散采样过程中渐进引入几何形变，为生成具有几何多样性的合成数据提供了可复用的技术思路，可迁移到其他需要模拟形变的生物特征生成任务。
FlowMotion：面向视频运动迁移的免训练流引导
FlowMotion: Training-Free Flow Guidance for Video Motion Transfer
对做视频生成的人，这篇给出了一个免训练的运动控制手段：直接拿 flow-based T2V 模型早期潜变量预测当运动表征，省掉额外构造中间引导的开销；速度正则化稳定优化的做法也可迁移到其他采样期引导任务。
FlowHijack：一种针对流匹配视觉-语言-动作模型的动力学感知后门攻击
FlowHijack: A Dynamics-Aware Backdoor Attack on Flow-Matching Vision-Language-Action Models
针对流匹配VLA模型的向量场动力学设计后门攻击，揭示了连续动作生成机制的安全漏洞，为视觉-语言-动作模型的鲁棒性评估与防御提供了新方向。
FlowFixer：面向细节保持的主体驱动生成
FlowFixer: Towards Detail-Preserving Subject-Driven Generation
把主体驱动生成拆成「粗生成 + 图像到图像精修」两段，并用一步去噪构造自监督配对数据来模拟尺度/视角变化导致的细节丢失；做个性化生成或参考图保真时可直接复用该精修框架与关键点匹配保真度指标。
FlowFM：以流匹配推进暗光光流估计
FlowFM: Advancing Dark Optical Flow Estimation with Flow Matching
把流匹配从生成任务迁移到条件回归任务（暗光光流），用真值约束的全局变换路径加单步去噪替代扩散式迭代采样，并用傅里叶幅度/相位解码器恢复暗光下丢失的运动信息，可作为低光照稠密预测任务的通用加速范式。
FlowDirector：面向精确文本到视频编辑的免训练流引导
FlowDirector: Training-Free Flow Steering for Precise Text-to-Video Editing
提出免反演的视频编辑范式：直接在数据空间用 ODE 沿视频固有的时空流形演化，并用方向感知流校正、运动-外观解耦能量项、差分平均引导抑制伪影，可复用于任何基于扩散/流的视频编辑与可控生成管线，绕开反演误差。
FlowDIS：基于流匹配的语言引导二值图像分割
FlowDIS: Language-Guided Dichotomous Image Segmentation with Flow Matching
把流匹配的时变向量场用于从图像分布到掩码分布的传输，为高精度分割提供了一条不依赖判别式解码器的新范式；其位置感知实例配对训练策略与文本条件控制可直接迁移到开放词表分割、交互式分割等需要像素级可控性的任务。
FlowDC：面向复杂图像编辑的基于流的解耦-衰减方法
FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing
把复杂多目标编辑拆成多个子编辑效果并在流匹配速度场上并行叠加，同时对与编辑位移正交的速度分量做衰减以保住源图结构——这套「速度分解+正交分量衰减」可直接迁移到任何基于 flow matching 的编辑/可控生成管线中，用于缓解多条件叠加时的结构漂移。
FlowComposer：面向组合零样本学习的可组合流
FlowComposer: Composable Flows for Compositional Zero-Shot Learning
把流匹配的速度场组合作为显式的嵌入空间融合算子，可替代 token 拼接/提示词调优来实现组合式概念构造，对做 VLM 下游组合推理与概念解耦的研究者是一个可直接插入基线的即插即用模块。
Flow4DGS-SLAM：光流引导的四维高斯泼溅 SLAM
Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM
用相机自运动模型拟合光流来生成类别无关的运动掩码，从而分离静态与动态高斯，并顺带给出光流引导的相机位姿初始化；这套「光流分解 + 掩码」的做法可直接迁移到任何需要区分动静区域的动态 NeRF/3DGS 重建或动态 SLAM 前端。
Flow3r：面向可扩展视觉几何学习的因子化光流预测
Flow3r: Factored Flow Prediction for Scalable Visual Geometry Learning
把稠密 2D 对应（flow）当作无标签监督信号，并用「几何 latent × 位姿 latent」的因子化光流预测来同时驱动场景几何与相机运动的学习，可直接迁移到现有前馈式 3D/4D 重建架构上，用于在无标注单目视频上扩展训练。
面向多模态分布的流匹配
Flow Matching for Multimodal Distributions
把源分布从单一高斯换成数据自适应的混合高斯，并配合模式相关的数据耦合，可让流匹配模型的传输路径更短更直，从而在更少训练轮次和采样步数下取得更优 FID；这一「源-耦合协同设计」思路可直接迁移到图像/视频流匹配生成器的训练加速上。
无需数据的流映射蒸馏
Flow Map Distillation Without Data
把流映射蒸馏的数据依赖替换为仅从先验分布采样，并显式校正学生沿采样路径的累积误差，可直接用于把任意预训练扩散/流模型压到 1 步采样而不需要外部数据集。
FloodDiffusion：面向流式动作生成的定制化扩散强制
FloodDiffusion: Tailored Diffusion Forcing for Streaming Motion Generation
论文揭示的扩散强制改造要点（双向注意力、下三角时间调度器、连续时变条件注入）可直接迁移到视频等流式时序生成任务，为实时、变条件驱动的序列生成提供可复用的训练范式。
FloVerse：户型图引导的多模态导航
FloVerse: Floor Plan-Guided Multi-Modal Navigation
把户型图作为紧凑空间先验注入具身导航策略，并用掩码模态建模训练扩散式多模态目标推理模块，可复用到任何需要跨模态目标定位与安全执行的视觉导航或VLA系统中。
FlexiVideo：面向高效视频理解的变异感知时序动态建模
FlexiVideo: Variation-Aware Temporal Dynamics Modeling for Efficient Video Understanding
面向视频 MLLM 的视觉 token 冗余问题，提出按帧间差异自适应分段并动态调整时序编码窗口，可直接复用到任何视频 LLM 的视觉编码前端以降低 token 数；其「高动态帧对导致视觉混淆」的发现也提示做视频 token 合并/采样时需按运动强度而非固定间隔处理。
FlexTraj：具备灵活点轨迹控制的图像到视频生成
FlexTraj: Image-to-Video Generation with Flexible Point Trajectory Control
用带时序一致轨迹 ID 与分割 ID 的点表示作为统一控制信号，并通过序列拼接而非 ControlNet 注入条件，为图像到视频生成提供对齐无关的稠密/稀疏轨迹控制，可直接复用于运动克隆、拖拽式生成与相机重定向等可控视频任务。
FlexAvatar：以部分监督学习完整三维头部化身
FlexAvatar: Learning Complete 3D Head Avatars with Partial Supervision
用可学习的 bias sink token 把单目视频与多视图数据放进同一个 Transformer 统一训练，解耦驱动信号与目标视角，从而在推理时同时获得单目数据的泛化性和多视图监督的三维完整性；这套「数据源 token」思路可迁移到其他受限于多视图稀缺的三维重建/化身任务。
FlexAvatar：面向细节形变可动画高斯头部化身的灵活大重建模型
FlexAvatar: Flexible Large Reconstruction Model for Animatable Gaussian Head Avatars with Detailed Deformation
用结构化头部 query token 作为规范锚点，把数量不定、无相机位姿、无表情标签的输入聚合为规范 3D 表示，再以 UV 空间位置图条件化的轻量 UNet 解码器实时生成表情相关形变；这套「规范锚点 + 条件形变解码」范式可直接迁移到其他可动画 3D 化身或动态人体重建任务。
平板包装基准：通过家具组装评估大型视觉语言模型的时空理解
Flat-Pack Bench: Evaluating Spatio-Temporal Understanding in Large Vision-Language Models through Furniture Assembly
该基准通过家具组装任务和视觉提示，系统评测LVLM的细粒度时序排序、状态定位、部件匹配与跟踪能力，为视频理解模型在复杂空间交互场景下的评估提供了新协议和诊断工具。
FlashVSR：面向实时扩散式流式视频超分辨率
FlashVSR: Towards Real-time Diffusion-Based Streaming Video Super Resolution
面向实时视频超分，提出三阶段蒸馏流水线把多步扩散压缩为单步流式推理，并用局部约束稀疏注意力弥合训练-测试分辨率差距；做扩散加速或高分辨率视频复原时可直接借鉴这两套机制。
FlashVGGT：基于压缩描述子注意力的高效可扩展视觉几何 Transformer
FlashVGGT: Efficient and Scalable Visual Geometry Transformers with Compressed Descriptor Attention
用每帧压缩出的描述子 token 替代全量 token 做全局注意力，把 VGGT 的二次复杂度降到与描述子数量相关，并通过缓存描述子的分块递归机制支持超长序列在线推理；做多视图前馈重建、长序列三维重建的人可直接复用这一注意力压缩与分块缓存思路。
FlashPortrait：基于自适应潜变量预测的6倍速无限肖像动画
FlashPortrait: 6x Faster Infinite Portrait Animation with Adaptive Latent Prediction
提出基于高阶潜变量导数的未来步预测方法，可跳过多个去噪步实现6倍加速，该技术可迁移到其他扩散模型加速场景；同时归一化表情块与动态滑动窗口策略为长视频生成中的身份一致性提供了可复用方案。
FlashMotion：基于轨迹引导的少步可控视频生成
FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance
将多步轨迹可控视频生成器蒸馏为少步版本，并设计扩散+对抗混合目标微调轨迹适配器，可直接复用于任何需要加速的可控视频生成管线；同时提出的 FlashBench 提供了长序列轨迹精度评测协议。
FlashMesh：通过结构化推测实现更快更好的自回归网格合成
FlashMesh: Faster and Better Autoregressive Mesh Synthesis via Structured Speculation
把推测解码（speculative decoding）引入自回归网格生成，利用网格 token 在面/点/坐标层级上的结构相关性做多 token 并行预测，可直接迁移到其他自回归式 3D 生成器（如 MeshGPT 类模型）做免训练或轻训练加速。
FlashLips：基于重建而非扩散或 GAN 的 100 FPS 免掩码潜空间唇形同步
FlashLips: 100-FPS Mask-Free Latent Lip-Sync using Reconstruction Instead of Diffusion or GANs
用纯重建损失的单步潜空间编辑器替代 GAN/扩散做唇形编辑，并以嘴部篡改变体自监督生成伪真值来免除推理期 mask，这套「重建式编辑 + 伪标签定位」思路可迁移到其他局部可控编辑任务。
FlashIn：面向实时图像编辑的快速精确图像反演
FlashIn: Fast and Accurate Image Inversion for Real-time Image Editing
把图像到初始噪声的映射做成可学习网络，用循环一致与对抗训练实现单步精确反演，可直接替换现有编辑流程中耗时的迭代反演环节，配合少步扩散模型做到秒级交互编辑。
FlashDecoder：基于 Transformer 的实时潜变量到像素流式解码器
FlashDecoder: Real-Time Latent-to-Pixel Streaming Decoder with Transformers
把视频 VAE 的解码器从 3D 卷积换成带滚动 KV 缓存的纯 Transformer，实现定长时序窗口下的逐帧流式解码，可直接替换现有潜视频扩散模型的解码环节，在 1080p 长视频上同时降低延迟与显存。
FlashCap：基于闪烁 LED 与事件视觉的毫秒级精确人体运动捕捉
FlashCap: Millisecond-Accurate Human Motion Capture via Flashing LEDs and Event-Based Vision
用闪烁 LED 作为事件相机的高频时间戳信号源，配合 RGB 学习残差姿态，为高时序分辨率人体姿态估计提供了一套低成本、可复用的数据采集与建模范式。
Flash-DMD：以高效蒸馏与联合强化学习实现高保真少步图像生成
Flash-DMD: Towards High-Fidelity Few-Step Image Generation with Efficient Distillation and Joint Reinforcement Learning
把持续进行的时间步蒸馏损失当作正则项与 RL 目标联合训练，可稳定少步扩散模型的偏好微调并抑制奖励黑客；该联合训练范式可直接迁移到任何需要人类偏好对齐的少步图像生成器。
固定锚点不足够：面向数据集蒸馏的动态检索与持续同调
Fixed Anchors Are Not Enough: Dynamic Retrieval and Persistent Homology for Dataset Distillation
提出动态检索连接与持续拓扑对齐，可复用于其他需要匹配教师特征分布的数据集蒸馏或合成数据生成任务，以提升类内多样性和泛化性。
FisherPoser：基于层级区域 Fisher 矩阵不确定性建模的稀疏观测人体运动估计
FisherPoser: Human Motion Estimation from Sparse Observations with Hierarchical Region-Wise Fisher-Matrix Uncertainty Modeling
将关节旋转建模为 SO(3) 上的矩阵 Fisher 分布，输出每个关节的分布而非单一点估计，为稀疏 VR 追踪等欠约束场景提供可校准的逐关节不确定性；其区域级 token 与层级 Fisher 回归思路可迁移到其他需要概率化旋转输出的姿态估计任务。
首词元 Logit 提升：缓解大型视觉语言模型中对象幻觉的视觉定位方法
First Logit Boosting: Visual Grounding Method to Mitigate Object Hallucination in Large Vision-Language Models
FLB 是一种免训练的解码策略，通过复用首个生成词元的 logit 来抑制 LVLM 中的对象幻觉，可即插即用地应用于任何自回归视觉语言模型，且推理开销可忽略。
首帧是视频内容定制的关键
First Frame Is the Place to Go for Video Content Customization
揭示视频生成模型将首帧作为概念记忆缓冲区的隐式机制，为参考引导的视频内容定制提供了一种无需架构改动、仅需20-50个训练样本的少样本微调思路，可复用于个性化视频生成与编辑任务。
FireScope：以思维链预言机进行野火风险栅格预测
FireScope: Wildfire Risk Raster Prediction With a Chain-of-Thought Oracle
把 VLM 的思维链推理作为生成式空间预测的中间监督，用强化学习加视觉监督联合训练，让语言推理轨迹提升栅格生成的跨大陆泛化——这套「推理到生成」的范式可迁移到其他需要多源遥感输入与连续场输出的视觉任务。
细粒度图像美学评估：从相对排序中学习判别性分数
Fine-grained Image Aesthetic Assessment: Learning Discriminative Scores from Relative Ranks
论文提出的细粒度图像美学评估数据库 FGAesthetics 与基于相对排序的框架 FGAesQ，为视觉研究提供了在细微美学差异下进行判别性评估的新设定与可复用技术（DiffToken、CTAlign、RankReg），可迁移到其他需要细粒度比较的视觉任务。
Fine-VAD：通过渐进式跨粒度学习实现细粒度视频异常检测
Fine-VAD: Towards Fine-Grained Video Anomaly Detection via Progressive Cross-Granularity Learning
把粗粒度异常检测与细粒度类别标签通过渐进式跨粒度对齐统一到一个框架里，可直接迁移到视频动作细粒度识别、时序事件分类等需要多级监督信号的任务。
微调损害了基础模型在长尾个性化联邦学习中的平衡性
Fine-Tuning Impairs the Balancedness of Foundation Models in Long-tailed Personalized Federated Learning
论文揭示了对基础模型进行微调会破坏其固有的类别平衡性，并提出用零样本预测净化本地梯度、以残差学习实现无偏个性化，这为视觉基础模型在非独立同分布长尾数据上的联邦微调提供了可复用的梯度修正与残差适配思路。
面向大型视觉语言模型的细粒度训练后量化：基于量化感知积分梯度
Fine-Grained Post-Training Quantization for Large Vision Language Models with Quantization-Aware Integrated Gradients
把量化敏感度的粒度从模态级下推到词元级，用积分梯度定量衡量每个词元对量化误差的贡献，可直接迁移到任意 LVLM 的 W4A8/W3A16 部署流程中，作为校准阶段的即插即用模块。
细粒度多图物体幻觉基准
Fine-Grained Multi Image Object Hallucination Benchmark
做多模态大模型视觉理解时，可把 MIOH 的三类多图推理模式（综合/对比/选择）与三种对抗压力（视觉上下文规模、感知难度、上下文偏置）当作诊断探针，定位幻觉是发生在感知阶段还是跨图对象表征整合阶段，从而指导多图融合模块的设计与评测。
细粒度 GRPO：面向流模型的精确偏好对齐
Fine-Grained GRPO for Precise Preference Alignment in Flow Models
把 GRPO 式在线 RL 的信用分配细化到单步 SDE 扰动，并跨多个扩散尺度聚合优势，可直接迁移到任何 flow/diffusion 模型的偏好对齐与奖励微调流程中。
在自监督Transformer中发现分布式目标中心属性
Finding Distributed Object-Centric Properties in Self-Supervised Transformers
提出一种无需训练的方法，通过聚类所有层的注意力头并利用patch级query/key/value相似度，提取分布式目标中心信息，可直接用于提升无监督目标发现和缓解多模态大语言模型的物体幻觉。
FinPercep-RM：面向基于强化学习的真实世界超分辨率的细粒度奖励模型与协同进化课程
FinPercep-RM: A Fine-grained Reward Model and Co-evolutionary Curriculum for RL-based Real-world Super-Resolution
提出细粒度感知奖励模型（全局分数+感知退化图）和协同进化课程学习策略，可复用于基于强化学习的图像复原任务中，缓解奖励黑客问题并提升局部真实感。
FilterGS：面向大规模层次细节3D高斯泼溅的无遍历并行过滤与自适应收缩
FilterGS: Traversal-Free Parallel Filtering and Adaptive Shrinking for Large-Scale LoD 3D Gaussian Splatting
FilterGS 提出无需树遍历的并行过滤机制和基于不透明度的自适应高斯收缩策略，可直接用于加速大规模 3DGS 场景的 LoD 渲染，减少冗余高斯-瓦片对的处理开销。
以反事实对抗幻觉：扩散引导扰动用于抑制 LVLM 幻觉
Fighting Hallucinations with Counterfactuals: Diffusion-Guided Perturbations for LVLM Hallucination Suppression
用扩散模型编辑图像构造反事实样本，提取视觉诱发幻觉的低秩表征子空间，并在推理时把中间隐状态投影出该子空间——这套「反事实扰动+子空间投影」的免训练流程可直接迁移到其他多模态模型的忠实性修正与表征编辑研究。
FiDeSR：高保真且细节保持的单步扩散超分辨率
FiDeSR: High-Fidelity and Detail-Preserving One-Step Diffusion Super-Resolution
单步扩散超分中引入潜变量残差修正与高低频自适应增强器，可在不重训练的前提下调节重建保真度与细节，为少步扩散复原提供可复用的推理期增强思路。
基于多模态流匹配的少样本声学生成
Few-shot Acoustic Synthesis with Multimodal Flow Matching
把流匹配 + 扩散 Transformer 用于以稀疏多模态场景线索（空间、几何、声学）为条件的概率化生成，其条件融合与少样本泛化思路可迁移到视觉中的跨模态条件生成任务；AGREE 这种联合嵌入做几何一致性检索评测的做法，也可借鉴到视觉生成结果的分布级评测。
少模型服务多客户端的个性化联邦学习
Few-for-Many Personalized Federated Learning
把个性化联邦学习重新表述为「少模型服务多客户端」的多目标优化问题，用 K 个共享服务器模型覆盖 M 个异构客户端，可直接迁移到视觉场景下多域/多设备数据异构的协同训练，例如多摄像头或多医院影像数据下的模型个性化。
通过实例感知离散化的少步扩散采样
Few-Step Diffusion Sampling Through Instance-Aware Discretizations
提出实例感知的离散化框架，根据输入自适应分配采样时间步，可即插即用于扩散/流匹配模型的少步采样，在像素空间、潜空间图像和视频生成中提升质量且推理开销可忽略。
动态室内环境中的少样本增量3D目标检测
Few-Shot Incremental 3D Object Detection in Dynamic Indoor Environments
把VLM的2D语义特征与类无关3D框结合成类别原型，并用多模态门控打分，为少样本增量3D检测提供了一条不依赖大量新类标注的路线；其原型印记与特征重加权机制可迁移到其他开放世界/增量检测设定。
少样本混合增量学习：数据稀缺与任务不确定下的持续学习
Few-Shot Hybrid Incremental Learning:Continually Learning under Data Scarcity and Task Uncertainty
CME-MoE 的条件专家复用与元扩展机制，为视觉模型在少样本、任务不确定的持续数据流中平衡稳定性与可塑性提供了可复用的架构级方案；SEPC 按需扩展原型分类器的思路可直接迁移到视觉分类器的域偏移决策边界建模。
用于头部化身创建与编辑的前馈高斯配准
Feed-forward Gaussian Registration for Head Avatar Creation and Editing
用 transformer 在模板网格固定 UV 布局下前馈预测高斯泼溅纹理，并通过配准引导注意力让每个 UV 词元只关注其对应网格区域的图像词元，从而在 0.5 秒/帧内建立跨帧与跨主体的稠密对应；这套「UV 空间 + 对应性注意力」可直接复用到任何需要多视角一致纹理与免优化跟踪的人体/人脸建模流程。
前馈式单样本可驱动纹理网格化身重建
Feed-Forward One-Shot Animatable Textured Mesh Avatar Reconstruction
单图前馈直接输出带纹理贴图的可驱动网格头部，用共享 Transformer 骨干同时回归顶点与纹理图，并用基于重投影的纹理引导把外观锚定到输入图像；对做单图人体/头部重建、以及想把 test-time optimization 换成一次前馈的人，是可复用的架构与监督思路。
极端非独立同分布与全局类别不平衡下的联邦主动学习
Federated Active Learning Under Extreme Non-IID and Global Class Imbalance
在极端非独立同分布与全局类别不平衡下，用轻量预测差异推断全局不平衡度与本地-全局偏差，从而自适应选择全局或本地查询模型；这套「查询模型选择 + 原型引导伪标签 + 两阶段不确定性-多样性采样」可直接迁移到视觉主动学习的标注预算分配中。
FedSST：重新审视结构偏移下的公平联邦图学习
FedSST: Rethinking Fair Federated Graph Learning under Structural Shift
对做视觉图结构数据（如场景图、点云关系图、多相机拓扑）的联邦训练，提供了一种用结构信号量化客户端贡献、抑制聚合偏置的思路，可迁移到跨域视觉客户端的公平聚合与自适应本地训练。
FedSDR：带结构噪声检测与重建的联邦图学习
FedSDR: Federated Graph Learning with Structural Noise Detection and Reconstruction
对视觉研究者而言，可复用的是「用谱域结构保真度指标识别被噪声污染的客户端并降权」这一思路，可迁移到多源视觉数据（如跨摄像头、跨传感器）联合训练时对低质量来源的加权聚合，以及用健康全局模型重建局部损坏图结构的做法。
FedRG：释放表征几何以应对含噪声客户端的联邦学习
FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
用自监督得到的标签无关球面表征几何（vMF 混合聚类）来判别噪声样本，替代仅依赖标量损失的思路；做噪声标签、长尾或数据异构下的鲁棒训练时，可把这套「表征几何优先」的样本筛选与软标签映射机制迁移到视觉分类流水线中。
FedRE：面向模型异构联邦学习的表征纠缠框架
FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning
对视觉研究者而言，这是一种在客户端模型架构不一致时仍能聚合表征的联邦训练范式：用归一化随机权重把本地特征与 one-hot 标签编码分别聚合成单一纠缠表征与纠缠标签编码，再上传服务器训练全局分类器，可作为异构端侧视觉模型协同训练与隐私友好表征共享的可复用方案。
FedRAC：面向联邦学习协作公平的滚动子模型分配
FedRAC: Rolling Submodel Allocation for Collaborative Fairness in Federated Learning
对做视觉模型分布式训练的人，这篇提供了在客户端贡献不均时按信誉滚动分配子模型、并优先训练低频神经元的思路，可直接用于多源视觉数据联合训练时的公平激励与全局模型收敛保障。
FedMPT：视觉语言模型的联邦多标签提示微调
FedMPT: Federated Multi-Label Prompt Tuning of Vision-Language Models
在联邦场景下对 VLM 做多标签提示微调时，用 LLM 生成的条件提示与图像 patch 做最优传输来挖掘区域级语义，并用门控融合多条件预测，可缓解客户端异构数据导致的虚假标签共现过拟合；这套「条件提示 + 区域对齐」思路可迁移到其他需要细粒度多标签或开放词表的 VLM 适配任务。
FedMOP：通过动量正交投影在联邦学习中实现增强的隐私与性能
FedMOP: Achieving Enhanced Privacy and Performance in Federated Learning via Momentum Orthogonal Projection
FedMOP 通过正交投影和动量轨迹隐藏，在联邦学习中同时提升隐私与性能，为视觉模型分布式训练提供抗梯度泄露的通用手段。
FedHarmony：协调联邦多标签学习中的异构标签相关性
FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
对做多标签视觉识别（如多属性识别、多标签分类）的研究者，这篇论文提供了在数据分散、标签空间不一致时校正标签共现结构漂移的思路：用跨客户端的共识相关性作为全局教师来纠正本地偏置估计，并可复用于任何需要建模标签共现的分布式或去中心化训练场景。
FedDAP：域偏移下联邦学习的域感知原型学习
FedDAP: Domain-Aware Prototype Learning for Federated Learning under Domain Shift
在联邦场景下按域聚合类原型、并做同域拉近/异域推远的双对齐，可作为视觉模型跨域泛化时构造域感知类中心、替代单一全局原型的可复用手段。
FedCART：通过分类器精修应对联邦对抗训练中的长尾分布
FedCART: Tackling Long-Tailed Distributions in Federated Adversarial Training via Classifier Refinement
把模型解耦为共享特征提取器与双分类器，并用梯度类原型在服务端合成平衡虚拟特征重训辅助分类器，这一套「原型校准 + 虚拟特征重平衡」思路可直接迁移到视觉中的长尾分类与对抗鲁棒性联合优化场景。
FedBPrompt：基于身体分布感知视觉提示词的联邦域泛化行人重识别
FedBPrompt: Federated Domain Generalization Person Re-Identification via Body Distribution Aware Visual Prompts
提出可学习的视觉提示词分组机制（整体身体提示词+身体部位对齐提示词）来引导ViT注意力聚焦行人区域，并冻结骨干网络仅微调提示词以降低联邦通信开销，可直接用于ViT-based行人重识别及其他细粒度视觉任务的参数高效域泛化。
FedAlign：面向非独立同分布联邦学习的差分隐私分布对齐
FedAlign: Differentially Private Distribution Alignment for Non-IID Federated Learning
为视觉模型在跨设备联邦训练中提供一种可复用的隐私保护分布对齐手段：客户端上传加噪的统计矩、服务器聚合推断全局分布并回传指导本地对齐，可直接嵌入现有的联邦视觉训练流程以缓解 Non-IID 导致的收敛慢与精度下降。
FedAdamom：以自适应动量提升联邦优化泛化性
FedAdamom: Adaptive Momentum for Improved Generalization in Federated Optimization
对视觉研究者而言，这篇论文提供了一个可复用的优化器替换思路：在数据高度异构（如多源摄像头、跨域图像）的联邦训练中，把 FedAdam 的自适应学习率换成自适应动量超参数，可在不牺牲收敛速度的前提下提升泛化与平坦极小值偏好，可直接用于联邦视觉模型的训练脚本。
FedARA：异构边缘设备上基于锚驱动表征对齐的资源自适应低秩个性化联邦学习
FedARA: Resource-adaptive Low-rank Personalized Federated Learning via Anchor-driven Representation Alignment on Heterogeneous Edge Devices
低秩分解+重构融合的共享特征提取器方案，允许各客户端按本地资源自选秩值，可直接迁移到视觉模型在异构边缘设备上的分布式协同训练与通信压缩；锚驱动的表征一致性学习则为解决非IID视觉数据下特征空间漂移提供了可复用的对齐思路。
FedAFD：通过对抗融合与蒸馏实现的多模态联邦学习
FedAFD: Multimodal Federated Learning via Adversarial Fusion and Distillation
双层对抗对齐与相似度引导的集成蒸馏，为视觉研究者提供在数据不共享、模态与模型异构条件下融合跨模态表征的可复用机制，可直接迁移到多模态视觉模型的分布式协同训练。
Fed-ADE：分布偏移下联邦后自适应的自适应学习率
Fed-ADE: Adaptive Learning Rate for Federated Post-adaptation under Distribution Shift
为视觉模型部署后的无标签在线自适应提供了一套按客户端、按时间步动态调节学习率的机制：用预测不确定性的变化与特征漂移来估计分布偏移强度，可直接迁移到视觉模型在非平稳数据流上的持续测试时自适应，避免固定学习率导致的欠拟合或发散。
用线性上下文学习器从动态三维场景中提取像素特征
Featurising Pixels from Dynamic 3D Scenes with Linear In-Context Learners
用现成网络估计的深度与运动线索图作为上下文，通过线性 in-context 学习从无标注视频中训练像素级、时序一致的特征描述子，可直接替换 VOS、表面法向估计、语义分割等密集预测任务中的骨干表征。
FeatureFool：基于特征图的视频模型零查询欺骗攻击
FeatureFool: Zero-Query Fooling of Video Models via Feature Map
对做视频模型安全与鲁棒性评测的人，这篇给出了一个无需查询、仅靠特征图迁移即可生成对抗视频的范式，可直接用于测试视频分类器与 Video-LLM 的对抗脆弱性，并提供了 SSIM/PSNR/时序一致性三项隐蔽性评估口径。
Faster-GS：分析与改进高斯泼溅优化
Faster-GS: Analyzing and Improving Gaussian Splatting Optimization
对做 3DGS/4D 重建的人，这篇把分散的加速技巧统一成一套可复现的优化配方，并给出数值稳定性、高斯截断与梯度近似的处理细节，可直接作为训练 3DGS 时的低成本基线替换默认实现。
FastRef：面向少样本工业异常检测的快速原型精炼
FastRef: Fast Prototype Refinement for Few-shot Industrial Anomaly Detection
把推理阶段的查询特征通过可优化传输矩阵做线性重构，并用最优传输约束抑制异常重构，这套「测试时原型精炼」思路可直接迁移到任何基于原型的少样本检测/分割流程中，无需重训练即可提升表征代表性。
FastLightGen：更少步数与参数的高效轻量视频生成
FastLightGen: Fast and Light Video Generation with Fewer Steps and Parameters
把「少步采样蒸馏」与「参数剪枝」放进同一个教师-学生框架里联合优化，并指出先构造一个最优教师模型是关键；做视频扩散加速时可以直接复用这套联合蒸馏流程与 4 步 + 30% 剪枝的配置经验。
FastHybrid：利用前瞻与引导解码加速混合自回归图像生成
FastHybrid: Accelerating Hybrid Autoregressive Image Generation with Lookahead and Guided Decoding
把混合自回归生成中的扩散解码头拆成「语义预测」与「细节精修」两条并行分支，并用引导扩散采样压缩去噪步数，为视觉生成中扩散解码器的推理加速提供了可直接复用的解码调度思路。
FastGaMer：面向实用逆色调映射的高效增益图学习
FastGaMer: Efficient GainMap Learning for Practical Inverse Tone Mapping
把 HDR 重建从直接回归像素值改为重建逐通道颜色增益图，并用双边网格与可学习 3D LUT 分别反转局部/全局退化，这一「镜像退化过程」的分解思路可迁移到其他需要恢复被非线性压缩信息的复原任务（如低光照增强、压缩伪影去除）。
FastGS：100 秒内训练 3D 高斯泼溅
FastGS: Training 3D Gaussian Splatting in 100 Seconds
提出基于多视图一致性的高斯致密化与剪枝策略，无需预算机制即可在训练中动态调控高斯数量，可迁移到动态场景重建、表面重建、稀疏视图重建等任务中加速训练。
FastEventDGS：面向单事件相机快速动态场景的可变形高斯泼溅
FastEventDGS: Deformable Gaussian Splatting for Fast Dynamic Scenes from a Single Event Camera
仅用单目事件相机即可完成动态场景的4D重建，其连续相机轨迹参数化与局部图像块事件运动损失可迁移到其他基于事件或稀疏输入的动态高斯泼溅工作中，用于抑制过拟合并提供几何约束。
Fast3Dcache：免训练的3D几何合成加速
Fast3Dcache: Training-free 3D Geometry Synthesis Acceleration
提出一种无需训练的几何感知缓存框架，通过预测性缓存调度约束和时空稳定性准则，在加速3D扩散模型推理的同时保持几何保真度，可复用于其他3D生成任务的加速。
Fast-ThinkAct：通过可言语化潜变量规划实现高效视觉-语言-动作推理
Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning
把显式思维链压缩成可言语化的潜变量规划，并用偏好引导目标把教师的语言与视觉规划能力蒸馏进学生策略，为视觉研究者提供了一条在保持长程规划与失败恢复能力的同时大幅降低 VLA 推理延迟的可复用思路。
Fast-FoundationStereo：实时零样本立体匹配
Fast-FoundationStereo: Real-Time Zero-Shot Stereo Matching
把基础模型（FoundationStereo）的零样本能力通过知识蒸馏+分块 NAS+结构化剪枝压到实时帧率，这套「大模型→单学生骨干+延迟预算下搜索代价滤波+剪枝迭代精化」的加速流水线可直接复用到其他稠密预测基础模型（深度、光流、分割）的实时化。
基于视觉几何Transformer的快速空间跟踪
Fast Spatial Tracking with Visual Geometry Transformer
提出一种基于前馈视觉几何Transformer的实时空间点跟踪框架，其双分支嵌入设计与交互模块可复用于其他需要全局-局部特征融合的视频理解任务，如视频目标分割与光流估计。
Fast SceneScript：基于多词元预测的快速准确语言驱动 3D 场景理解
Fast SceneScript: Fast and Accurate Language-Based 3D Scene Understanding via Multi-Token Prediction
对做 3D 场景理解的研究者，这篇给出了把自回归式结构化语言模型（SceneScript 类）的推理加速到每步最多 9 个词元的方案：多词元预测头 + 置信度引导的自推测解码，可直接迁移到任何以序列形式输出 3D 布局/检测框的模型上，且只增加 7.5% 参数。
面向图像与视频的快速推理分割
Fast Reasoning Segmentation for Images and Videos
把推理分割的推理链蒸馏进 0.6B 小模型，用数字孪生表征解耦感知与推理，再以分割精度+推理质量联合奖励做强化微调，为边缘端实时开放词表分割提供可复用范式。
面向拓扑噪声三维形状匹配的快速马尔可夫随机场优化
Fast Markov Random Field Optimisation for Topologically Noisy 3D Shape Matching
把非刚性形状匹配写成三角形级多标签 MRF，并用定制化的 alpha expansion 在保留近似保证的前提下大幅加速，为处理带拓扑噪声（亏格变化）的网格匹配提供了一个可直接复用的优化框架。
FantasyVLN：面向视觉语言导航的统一多模态思维链推理
FantasyVLN: Unified Multimodal Chain-of-Thought Reasoning for Vision-and-Language Navigation
把想象出的视觉观测用预训练 VAR 编码进紧凑潜空间，使多模态思维链推理不再产生大量词元开销，从而在推理时直接做指令到动作的映射；这套「隐式推理表征」思路可迁移到任何需要推理但受延迟约束的视觉-语言-动作任务。
忠实等值线化：摆脱等值面的近无损三维体素表示
Faithful Contouring: Near-Lossless 3D Voxel Representation Free from Iso-surface
提供一种不依赖等值面提取的稀疏体素化表示，可直接把任意网格编码为 2048+ 分辨率的近无损体素，并配套双模式自编码器；对做三维生成、重建的视觉研究者，可作为替代 iso-surface / 隐式场的形状表示与重建骨干。
FaithFusion：通过像素级信息增益协调重建与生成
FaithFusion: Harmonizing Reconstruction and Generation via Pixel-wise Information Gain
将像素级期望信息增益（EIG）作为统一策略，同时引导扩散模型精修高不确定性区域并将编辑结果蒸馏回3DGS，为3DGS与扩散模型的融合提供了一种无需额外先验条件的即插即用方案，可复用于其他需要几何保真与外观生成平衡的新视角合成任务。
FairLLaVA：面向大型视觉语言助手的美公平性感知参数高效微调
FairLLaVA: Fairness-Aware Parameter-Efficient Fine-Tuning for Large Vision-Language Assistants
把互信息最小化当作表示层正则项，配合低秩适配器做插件式微调，可在不改动 MLLM 主干的前提下压制视觉指令微调中的群体偏差；做医学影像报告生成或 VQA 时，这套「公平性正则 + LoRA」的组合可直接迁移到自己的多模态模型上。
FailureAtlas：通过主动探索绘制T2I模型的失败景观
FailureAtlas: Mapping the Failure Landscape of T2I Models via Active Exploration
提出主动探索范式替代静态基准评测，通过结构化搜索输入空间发现T2I模型的系统性失败模式，并首次大规模关联训练数据稀缺性，为生成模型鲁棒性评估提供可复用引擎。
基于深度学习的在线建图的失效模式：如何度量与解决
Failure Modes for Deep Learning-Based Online Mapping: How to Measure and Address Them
为在线建图模型提供了一套可复用的泛化诊断工具：用地理邻近与拓扑相似度划分评测子集，配合基于 Frechet 距离的逐元素重建统计量，无需调阈值即可分离「输入特征记忆」与「地图拓扑过拟合」两种失效模式；其 MST 多样性指标与对称覆盖度指标也可直接用于其他 BEV/建图数据集的分裂质量检查与训练集去冗余。
面向鲁棒癌症风险估计的因子化上下文聚合：软重排序检索与分层锚框
Factorized Context Aggregation for Robust Cancer Risk Estimation via Soft Re-Ranked Retrieval and Hierarchical Anchors
提出以组织病理学为锚、其他模态仅用于训练的解耦框架，结合软重排序检索与分层锚框，在模态缺失下保持鲁棒性；其检索与分层锚框机制可迁移至其他多模态医学影像任务。
FaceCam：通过尺度感知条件实现肖像视频相机控制
FaceCam: Portrait Video Camera Control via Scale-Aware Conditioning
提出一种人脸定制的尺度感知相机表示，无需3D先验即可实现确定性的相机条件控制，可复用于其他需要精确相机轨迹控制的视频生成任务，避免几何失真。
Face2Scene：以人脸退化为先验的扩散式场景复原
Face2Scene: Using Facial Degradation as an Oracle for Diffusion-Based Scene Restoration
把已复原的人脸与退化人脸构成配对，从中提取退化编码，再转成多尺度 token 作为扩散模型的条件，从而用单步扩散复原整幅场景；这一「以局部高质量复原结果反推退化属性、再引导全局复原」的思路，可迁移到其他需要显式退化建模的复原任务。
面向弱监督时序情感定位的人脸引导情感边界增强
Face-Guided Sentiment Boundary Enhancement for Weakly-Supervised Temporal Sentiment Localization
将细粒度人脸特征作为情感刺激线索引入多模态交互，并用点级对比学习与边界感知伪标签生成来缓解弱监督下的边界模糊问题，为视频时序定位中的弱监督边界增强提供了可复用的思路。
FabricGen：微观结构感知的机织织物生成
FabricGen: Microstructure-Aware Woven Fabric Generation
把材质生成拆成宏观纹理（微调扩散模型）与微观编织几何（LLM 驱动的程序化模型）两路，为视觉研究者提供了一种「扩散模型负责外观、程序化模型负责结构」的混合生成范式，可直接迁移到其他具有强结构规则的材质（针织、编织、木纹）生成与渲染。
F^2HDR：通过光流适配器与物理运动建模的两阶段 HDR 视频重建
F^2HDR: Two-Stage HDR Video Reconstruction via Flow Adapter and Physical Motion Modeling
论文提出的光流适配器可将通用光流模型适配到跨曝光对齐任务，这种轻量适配思路可迁移到其他需要跨域光流估计的视觉任务（如视频去噪、去模糊中的对齐）；物理运动建模用于识别显著运动区域，为动态场景下的特征聚合提供了一种可复用的运动先验注入方式。
FVAR：面向视觉自回归建模的下一聚焦预测
FVAR: Next-Focus Prediction for Visual Autoregressive Modeling
将视觉自回归生成中的均匀降采样金字塔替换为基于物理散焦核的渐进聚焦金字塔，从源头消除混叠，可直接用于改进 VAR 类模型的细节生成质量。
FUSER：前馈多视图 3D 配准 Transformer 与 SE(3)^N 扩散精化
FUSER: Feed-Forward Multiview 3D Registration Transformer and SE(3)$^N$ Diffusion Refinement
提出一种前馈多视图配准 Transformer，在统一潜空间中直接预测全局位姿，避免成对匹配；并利用 SE(3)^N 扩散精化框架对联合位姿进行去噪校正，为多视图点云配准提供了高效的新范式。
FUSAR-GPT：面向 SAR 影像的时空特征嵌入与两阶段解耦视觉语言模型
FUSAR-GPT: A Spatiotemporal Feature-Embedded and Two-Stage Decoupled Visual Language Model for SAR Imagery
对做遥感/多模态的视觉研究者，可复用其「时空锚点」把多源时序特征注入视觉骨干网络以补偿 SAR 目标表征稀疏的思路，以及解耦知识注入与任务执行的两阶段 SFT 范式，可直接迁移到其他低质量或非 RGB 成像域的 VLM 适配。
FunREC：从第一人称交互视频重建功能性三维场景
FUN REC * Reconstructing Functional 3D Scenes from Egocentric Interaction Videos
从第一人称 RGB-D 交互视频中自动发现关节部件、估计运动学参数并重建规范化空间下的可仿真网格，为机器人操作与仿真提供可直接导出的 URDF/USD 资产；其无需多状态采集或 CAD 先验的设定，对做动态场景重建与具身数据获取的研究者可直接复用。
FSLoRA：通过频域-空间低秩适配器协调检测与重识别实现单阶段行人搜索
FSLoRA: Harmonizing Detection and Re-Identification via Freq-Spatial Low-Rank Adapter for One-Stage Person Search
把 LoRA 与混合专家结合成骨干网络级的即插即用适配器，并在频域上做任务相关分量的选择性增强，为单阶段检测+重识别这类多任务特征纠缠问题提供了可复用的解耦手段。
FSFSplatter：两分钟内从自由稀疏视角图像实现几何精确重建
FSFSplatter: Geometrically Accurate Reconstruction with Free Sparse-view Images within 2 minutes
用大 Transformer 从自由稀疏视角图像端到端回归稠密且几何一致的高斯初始化，配合基于贡献度的剪枝与深度/多视图特征监督，在 2 分钟内完成重建；对做稀疏视角 3DGS 与无位姿重建的人，这套「前馈初始化 + 可微相机参数」流程可直接复用。
FRAMER：频率对齐的自蒸馏与自适应调制，利用扩散先验实现真实世界图像超分辨率
FRAMER: Frequency-Aligned Self-Distillation with Adaptive Modulation Leveraging Diffusion Priors for Real-World Image Super-Resolution
提出一种即插即用的训练方案，利用扩散模型内部特征图的频域分解（LF/HF）进行自蒸馏，通过对比损失和自适应调制增强高频细节重建，可推广到其他基于扩散先验的低层视觉任务。
FPS-Bench：面向高帧率视频理解的基准
FPS-Bench: A Benchmark for High Frame-Rate Video Understanding
提出 minFPS 这一可复用的度量，用来量化一个问题所需的最低帧率；做视频 VLM 或时序建模时，可用它诊断模型在时间采样上的瓶颈，并据此设计高帧率采样或时序聚合策略。
FOZO：面向测试时自适应的纯前向零阶提示词优化
FOZO: Forward-Only Zeroth-Order Prompt Optimization for Test-Time Adaptation
提供了一种无需反向传播、仅靠前向计算与零阶梯度估计即可在测试时优化提示词的方案，可直接用于低端设备或 INT8 量化模型上的在线域适应，避免修改模型权重。
FORCE：通过特征过度依赖校正实现可迁移的视觉越狱攻击
FORCE: Transferable Visual Jailbreaking Attacks via Feature Over-Reliance CorrEction
对做多模态大模型红队与安全评测的人，这篇给出了一个可复用的攻击优化思路：用损失景观平坦化（类似 sharpness-aware 优化）加频域语义重加权，把视觉对抗扰动从高曲率窄区域推向平坦可行域，从而提升跨模型迁移性；这套「平坦化+频域重标定」也可迁移到对抗样本迁移性、模型鲁棒性诊断等视觉安全问题。
FMPose3D：基于流匹配的单目三维姿态估计
FMPose3D: monocular 3D pose estimation via flow matching
把流匹配的少步 ODE 采样引入单目 3D 姿态估计，用不同噪声种子生成多假设、再用重投影后验期望聚合出单一结果，可直接迁移到任何存在深度歧义的 2D→3D 生成式回归任务（手部、动物、物体 6D 位姿）。
FM-Steer：以价值引导的级联去噪增强通用策略
FM-Steer: Enhance Generalist Policies with Value-Guided Cascaded Denoising
对做视觉-语言-动作（VLA）策略的研究者，这篇给出了一个无需重训的测试时增强范式：用中间流验证器对多个噪声动作候选打分并择优，再用轻量去噪器异步精修，从而在保持实时控制频率的同时提升操作性能——可直接迁移到基于扩散/流匹配的视觉运动策略上。
FLARE：面向视觉-语言机器人操作的故障感知自主纠正与恢复框架
FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation
为视觉-语言-动作模型引入基于多模态大语言模型（MLLM）的在线故障监控与重置技能库，使机器人能从执行失败中自主恢复；该“重试-重置”范式可迁移到其他具身视觉任务中提升鲁棒性。
FISHuman：基于多视图 4D 重拓扑的细粒度单图三维人体重建
FISHuman: Fine-grained Single-image 3D Human Reconstruction via Multi-view 4D Remeshing
把多视图视频扩散模型生成的 RGB/法线序列当作重建先验，再用 4D remeshing 逐顶点跟踪形变、解耦共享规范网格与瞬时变化，从而在多视图不一致的引导下仍能优化出统一 UV 纹理——这套「扩散先验 + 形变跟踪 + UV 融合」的流程可直接迁移到单图物体/人物资产重建与动画管线。
FINER：多模态大语言模型在细粒度负查询下产生幻觉
FINER: MLLMs Hallucinate under Fine-grained Negative Queries
FINER 提供了针对细粒度负查询（多物体、多属性、多关系）的幻觉基准与 DPO 微调数据构造方式，可直接用于诊断和缓解自研 MLLM 在细粒度视觉判别上的幻觉，其负查询构造思路也可迁移到 captioning、VQA 的数据筛选与偏好对构建。
FINE：分解知识以实现可变尺寸扩散模型的初始化
FINE: Factorizing Knowledge for Initialization of Variable-sized Diffusion Models
把扩散模型每层权重分解为跨层共享的尺寸无关因子 U、V 与层专属的 Σ，从而在只有小模型预训练权重时直接重组初始化任意尺寸的扩散模型，仅需少量数据重训 Σ；对需要在显存受限场景下部署不同规模扩散模型的视觉研究者提供了可复用的权重分解与初始化思路。
FILTR：从预训练 3D 模型中提取拓扑特征
FILTR: Extracting Topological Features from Pretrained 3D Models
把持久图生成建模为集合预测任务，用 Transformer 解码器从冻结的 3D 点云编码器特征中前馈预测拓扑描述子，为形状分析提供了一条无需逐样本计算持续同调的快速路径，也提示可用拓扑监督来探测预训练编码器保留的全局结构信息。
FHAvatar：从少量随手拍摄快速高保真重建面部与头发可组合的 3D 头像
FHAvatar: Fast and High-Fidelity Reconstruction of Face-and-Hair Composable 3D Head Avatar from Few Casual Captures
用平面高斯表示面部、发丝高斯表示头发，在纹理空间显式解耦，并借助聚合式 Transformer 骨干网络从多视角数据集中学习跨视角几何先验，使新身份仅需少量随手拍摄即可在数分钟内重建可实时驱动、可换发型的 3D 高斯头像。
FG-Portrait：三维流引导的可编辑肖像动画
FG-Portrait: 3D Flow Guided Editable Portrait Animation
把参数化三维人脸模型算出的稠密三维流当作几何先验注入扩散模型，用三维流编码为每个目标像素查询位移，并用深度引导采样对齐二维运动；这套「三维几何先验 + 扩散条件控制」思路可迁移到任何需要源到驱动对应关系的可控人像/人体生成任务。
FFP-300K：扩展首帧传播以实现可泛化的视频编辑
FFP-300K: Scaling First-Frame Propagation for Generalizable Video Editing
提出无需运行时引导的首帧传播视频编辑框架，其 AST-RoPE 通过动态重映射位置编码解耦外观与运动参考，可迁移到任何以首帧为条件的视频生成/编辑模型；同时 300K 高质量视频对数据集为训练鲁棒时序先验提供了数据基础。
FEAT：从任意设计源进行服装编辑与试穿
FEAT: Fashion Editing and Try-On from Any Design
Disentangled Dual Injection 的内容/风格解耦注入与 Orthogonal-Guided Noise Fusion 的正交投影去残留衣物+区域化噪声策略，是可复用到其他「保留身份/去除旧内容」的可控生成任务（如换装、换背景、局部重绘）的免训练手段。
FEAST：用于空间转录组学的全连接表达性注意力
FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics
将组织建模为全连接图并引入负感知注意力，可迁移到其他需要建模长程成对交互的视觉任务（如病理图像分析、点云配准）；离网采样策略为从全扫描图像中提取更丰富形态上下文提供了新思路。
FE2E：从编辑器到密集几何估计器
FE2E: From Editor to Dense Geometry Estimator
将预训练的图像编辑模型（DiT 架构）微调为密集几何预测器，利用其固有结构先验，并通过一致速度训练目标和对数量化解决精度冲突，为单目深度/法线估计提供新范式。
FBTA：通过特征桥接与翻译对齐实现单GPU端到端千兆像素WSI分类
FBTA: Enabling Single-GPU End-to-End Gigapixel WSI Classification with Feature Bridging and Translation Alignment
提出一种在单张24GB GPU上端到端训练WSI分类的MIL框架，通过特征桥接和翻译对齐解决冻结特征提取器带来的语义鸿沟，可复用于其他需要端到端训练的大图像分类任务。
FB-CLIP：基于前景-背景解耦的细粒度零样本异常检测
FB-CLIP: Fine-Grained Zero-Shot Anomaly Detection with Foreground-Background Disentanglement
对做视觉异常检测的人，这篇给出了一个可复用的思路：用 CLIP 的文本端多粒度表示（EOT、全局池化、注意力加权词元）配合视觉端沿身份/语义/空间三个维度的软分离与背景抑制，缓解前景背景特征纠缠；SCR 用正常/异常文本原型对齐图像特征，可直接迁移到其他零样本定位任务。
FAVE：面向多模态大模型细粒度音视频时序评测的结构化基准
FAVE: A Structured Benchmark for Fine-Grained Audio-Visual Temporal Evaluation in Multimodal LLMs
对做视频-语言或多模态大模型的人，FAVE 提供了三个可复用的评测维度（跨模态时序对齐、事件时序关系、时刻描述）和一套基于镜头边界检测+自动描述+GPT 精修的标注流水线，可直接用来诊断模型的时间戳定位与音视频联合推理短板。
FAST：面向核心集选择的拓扑感知频域分布匹配
FAST: Topology-Aware Frequency-Domain Distribution Matching for Coreset Selection
把核心集选择建模为谱图约束下的频域分布匹配问题，用特征函数距离（CFD）一次性约束所有阶矩，并提供无需 DNN 的 CPU 级高效实现；做视觉数据压缩、训练集蒸馏或大规模预训练数据筛选时，可直接替换随机采样或基于 DNN 的打分策略。
FARMER：面向像素的流式自回归 Transformer
FARMER: Flow AutoRegressive Transformer over Pixels
把可逆归一化流当作像素到潜变量序列的变换器，再在潜变量上做自回归建模，为视觉生成提供了一条可精确计算似然的像素级生成路线；其中的潜变量通道分组降维与一步蒸馏加速思路，可直接迁移到其他长序列视觉生成模型的效率优化上。
FAPE-IR：面向一体化图像复原的频率感知规划与执行框架
FAPE-IR: Frequency-Aware Planning and Execution Framework for All-in-One Image Restoration
将冻结的多模态大语言模型作为规划器生成频率感知的复原计划，并驱动基于LoRA的混合专家扩散执行器，为统一图像复原提供了可解释的语义规划与频率专家动态选择相结合的新范式。
FALCON：视觉语言对齐中假负样本感知的对比负样本学习
FALCON: False-Negative Aware Learning of Contrastive Negatives in Vision-Language Alignment
针对视觉语言预训练中图文多对多对应导致的假负样本问题，提出用可学习的负样本挖掘调度器在 mini-batch 构建阶段为每个锚框实例动态选择合适难度的负样本；做图文检索、CLIP 类对齐训练的工作可以直接把这一负样本调度策略插到自己的对比损失里，替代固定的难负样本启发式。
FACE：一种基于面的自回归表示用于高保真高效网格生成
FACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation
将网格生成从顶点级序列改为面级 token，序列长度降低 9 倍，为自回归 3D 生成提供高效表示；其面级解码器与 VecSet 编码器结合可复用于单图到网格的潜扩散生成。
FAAR：通过自动秩选择的高效频率感知多任务微调
FAAR: Efficient Frequency-Aware Multi-Task Fine-Tuning via Automatic Rank Selection
提出频率感知的自动秩选择方法，可复用于视觉多任务微调，在减少参数量的同时提升密集预测任务性能。
F2Net：用于超高分辨率遥感分割的频率融合网络
F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation
针对超高分辨率图像分割，提出频率分解与多分支处理框架，通过跨频率对齐损失和平衡损失解决梯度冲突，可复用于其他需要同时保留细节和全局上下文的高分辨率视觉任务。
F$^2$-Assist：基于超声检查的多阶段胎儿生长预测与报告生成
F$^2$-Assist: Multi-Phase Fetal Growth Forecast and Report Generation from Ultrasound Examination
把连续生物测量值编码为可微 token 的 Growth Parameter Adapter，以及处理不规则采样间隔的 History-Aware Temporal Encoding，可迁移到任何需要数值精确推理的医学视觉语言模型与纵向影像随访任务。
ExtrinSplat：解耦几何与语义以实现三维高斯泼溅中的开放词表理解
ExtrinSplat: Decoupling Geometry and Semantics for Open-Vocabulary Understanding in 3D Gaussian Splatting
用多粒度重叠高斯簇加 VLM 生成文本假设的外在索引层，替代逐高斯特征嵌入，可显著降低开放词表三维场景理解的存储与适配时间，适合迁移到任何需要语言查询的三维表示。
通过判别性文本表征将一步图像生成从类别标签扩展到文本
Extending One-Step Image Generation from Class Labels to Text via Discriminative Text Representation
把 MeanFlow 这类一步/少步生成框架的条件从类别标签扩展到文本时，关键不是换更强的文本编码器，而是要求文本特征具备足够高的判别性；做少步蒸馏或一步采样时可直接借鉴这一「条件表征判别性」诊断与适配思路。
将具身问答从感知扩展到决策
Extending Embodied Question Answering from Perception to Decision
为视觉语言模型在具身环境中的空间理解与交互推理提供了统一的四层级评测框架（静态场景构建、空间理解、任务动态推理、即时决策），并配套 RoboDecision 基线，可直接用于诊断 VLM 在感知到行动决策链条上的短板。
Extend3D：城镇尺度三维生成
Extend3D: Town-Scale 3D Generation
把以物体为中心的 3D 生成模型的潜空间在 x/y 方向扩展并切成重叠图像块、逐时间步耦合，配合单目深度点云先验做空间对齐，是把固定尺寸 3D 生成器推广到城市场景的可复用套路；其中「under-noising」把结构缺失当作噪声、用 SDEdit 迭代补全遮挡区域，可直接迁移到场景补全与长序列外扩生成。
揭示与评估 GUI 视觉定位中的幻觉
Exposing and Evaluating Hallucinations for GUI Grounding
把 GUI 视觉定位中的幻觉拆成「混淆幻觉」与「捏造幻觉」两类，并给出可复用的评测子集设计（解析子集 + 幻觉子集），可直接迁移到其他视觉定位任务上做失效模式诊断。
揭示功能融合：动态提示架构中的一类新型策略后门
Exposing Functional Fusion: A New Class of Strategic Backdoor in Dynamic Prompt Architectures
揭示了动态视觉提示架构（如VPT）中一种新的后门攻击范式——功能融合，即恶意逻辑与良性任务效用紧密耦合于同一稀疏参数核心，导致剪枝防御必然破坏良性性能；这对设计鲁棒的参数高效微调方法和防御策略具有直接启发。
ExpoCM：曝光感知的单步生成式单图 HDR 重建
ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction
把单图 HDR 重建重构成概率流 ODE 并用曝光分区构造区域条件一致性轨迹，实现免蒸馏单步推理；这套「软曝光掩码 + 区域条件轨迹」思路可直接迁移到去噪、低光照增强、去模糊等退化随空间位置变化的复原任务，同时其 CIE Lab 空间的亮度-色度加权损失可缓解生成式复原常见的亮度偏置与色偏。
探索面向语言智能学习的视觉预训练
Exploring Visual Pretraining for Learning Language Intelligence
把文档图像当作语言模型的预训练语料，用掩码自回归目标让 LLM 从可见区域推断被遮挡区域的潜变量假设，为视觉研究者提供了一个可复用的思路：用视觉输入替代或补充文本语料来提升语言推理能力，并可用潜空间对齐分析跨模态表征。
探索视频级压缩光谱重建中的时空特征传播：数据集、模型与基准
Exploring Spatiotemporal Feature Propagation for Video-Level Compressive Spectral Reconstruction: Dataset, Model and Benchmark
把逐帧光谱重建升级为视频级重建，用「先空间后时序」的注意力加桥接词元在相邻帧间传播光谱特征，可直接迁移到视频去噪、去模糊等需要时序一致性的复原任务。
从生成视角探索空间智能
Exploring Spatial Intelligence from a Generative Perspective
提供了一个可复用的评测协议与合成数据管线：用 3D 先验引导生成并自动标注空间编辑样本，可直接用于评测或微调统一多模态模型的 3D 空间约束遵循能力，并验证生成式训练反哺空间理解。
探索扩散模型在机器人控制中的条件设计
Exploring Conditions for Diffusion Models in Robotic Control
将预训练文生图扩散模型冻结后作为任务自适应的视觉表征提取器，用可学习任务提示与帧级视觉提示替代纯文本条件，为视觉研究者提供了一种无需微调即可把生成模型迁移到下游控制任务的条件设计思路。
探索自适应掩码重建用于自监督骨架动作识别
Exploring Adaptive Masked Reconstruction for Self-Supervised Skeleton-Based Action Recognition
把解码器与编码器解耦、用更大的时空图像块做掩码重建，并用运动信息量自适应引导重建难度，这套思路可直接迁移到视频/骨架等时序视觉表征的预训练中，在缩短训练时间的同时提升下游识别精度。
探索带形变的 6D 物体位姿估计
Exploring 6D Object Pose Estimation with Deformation
为 6D 位姿估计提供了首个系统性的形变物体基准：26 类物体各含 1 个标准态与 3 个形变态的高精度 3D 扫描及到标准网格的配准，可直接用于评测现有位姿方法在非刚性形变下的失效程度，也可作为形变鲁棒位姿估计的训练与测试源。
带着长期记忆去探索：面向具身探索的基准与基于多模态大语言模型的强化学习框架
Explore with Long-term Memory: A Benchmark and Multimodal LLM-based Reinforcement Learning Framework for Embodied Exploration
把多模态大语言模型用强化学习微调成会主动查询长期记忆的探索策略，并给出多目标导航+记忆问答的评测协议，可直接复用到视觉导航与具身探索中的记忆机制设计。
通过像素集体贡献解释目标检测器
Explaining Object Detectors via Collective Contribution of Pixels
用Shapley值与交互项显式建模多个像素的集体贡献，为检测器的边界框定位与类别判定同时生成归因图，可直接迁移到其他密集预测模型（分割、关键点）的解释与调试。
通过概念解释 CLIP 的零样本预测
Explaining CLIP Zero-shot Predictions Through Concepts
把 CLIP 的图像-文本联合嵌入投影到由语言描述学到的概念空间，用对齐+重建目标训练，可在不改 CLIP 权重、不加概念监督的前提下为开放词表零样本预测给出概念级解释；做 VLM 可解释性或概念瓶颈方向可直接复用该投影与训练目标。
面向域自适应目标检测的专家—教师—学生协同学习
Expert-Teacher-Student Collaborative Learning for Domain Adaptive Object Detection
把大规模视觉基础模型当作免训练的「专家」，与教师模型协同生成伪标签并做类级原型对齐，为跨域检测提供了一条无需额外训练成本就能引入 VFM 泛化知识的路径，可直接迁移到其他需要伪标签监督的域自适应视觉任务。
Minecraft 游戏中多模态大模型智能体的经验迁移
Experience Transfer for Multimodal LLM Agents in Minecraft Game
把过去交互经验拆成结构/属性/过程/功能/交互五个维度并做上下文类比检索，这套「可迁移经验表示 + 检索式上下文示例」的机制可直接搬到视觉具身智能体的长程任务记忆里，替代把历史帧当静态缓存的朴素做法。
利用无标注数据与激光雷达数据集扩充用于人体姿态估计的毫米波数据集
Expanding mmWave Datasets for Human Pose Estimation with Unlabeled Data and LiDAR Datasets
对做毫米波人体姿态估计的研究者，这篇论文提供了一条可复用的数据扩充路径：用闭式转换把带标注的激光雷达点云映射成毫米波点云，再用伪标签估计器标注无标注毫米波数据，从而绕开毫米波标注昂贵、数据稀缺的瓶颈，直接提升模型的域内与跨域泛化。
以场景图扩展机器人模仿学习的时空上下文
Expanding Spatial and Temporal Context for Robotic Imitation Learning With Scene Graphs
把动态场景图当作显式结构化记忆，为部分可观测下的长时序操作策略提供历史上下文；做视觉模仿学习或具身策略时，可复用这种以物体为中心的关系图记忆来替代隐式循环状态。
扩展与剪枝：最大化轨迹多样性以实现生成模型中有效的 GRPO
Expand and Prune: Maximizing Trajectory Diversity for Effective GRPO in Generative Models
Pro-GRPO 将基于潜变量的轨迹剪枝嵌入采样过程，通过提前终止奖励聚集的轨迹来降低计算开销，使大 group size 的 GRPO 训练在扩散/流模型中变得可行；其 Expand-and-Prune 策略可直接用于视觉生成模型的强化学习对齐。
ExpPortrait：通过个性化表征生成富有表现力的肖像
ExpPortrait: Expressive Portrait Generation via Personalized Representation
用高保真个性化头部表征（静态身份几何+动态表情细节）替代 2D landmark/参数化模型作为条件信号，驱动 DiT 生成肖像视频；做肖像动画或可控视频生成时，这套解耦表征与表情迁移模块可直接作为条件编码方案复用。
面向状态空间模型的无样本持续学习
Exemplar-Free Continual Learning for State Space Models
为视觉骨干网络（如基于 SSM/Mamba 的分类器）提供一种无需样本回放的持续学习正则化手段：直接约束 SSM 可观测子空间的无限时域状态演化，并用 O(n²) 的 Sylvester 方程求解替代 O(n³)，可直接嵌入现有 CL 流程以缓解序列任务中的遗忘。
通过保持类判别结构实现无样本类增量学习
Exemplar-Free Class Incremental Learning via Preserving Class-Discriminative Structure
对做视觉分类/增量学习的人，这篇给出了一个可复用的正则化思路：在参数高效微调时同时约束类内协方差形状与样本-旧原型夹角，可直接插到基于预训练 ViT 的增量学习流程里缓解表征坍缩。
Exact-GS：用于三维 X 射线重建的数学严谨且精确的三维高斯泼溅
Exact-GS: Mathematically Rigorous and Accurate 3D Gaussian Splatting for 3D X-ray Reconstruction
提出无需仿射近似的闭式高斯泼溅公式，可直接替换现有 3DGS 渲染器中的投影近似，消除伪影并保持 CUDA 光栅化速度，适用于任何需要精确投影的泼溅式渲染任务。
ExPose：强化视频生成模型以实现极端姿态估计
ExPose: Reinforcing Video Generation Models for Extreme Pose Estimation
用 GRPO 偏好优化把视频生成模型的插帧结果对齐到 3D 一致的监督信号，可作为把生成式插帧当作数据增强/视角补全手段时消除空间不一致的通用做法。
通过推理时自反思记忆演化多模态大语言模型的上下文安全
Evolving Contextual Safety in Multi-Modal Large Language Models via Inference-Time Self-Reflective Memory
提出上下文安全基准 MM-SafetyBench++ 和免训练框架 EchoSafe，通过自反思记忆库在推理时积累和检索安全经验，为视觉语言模型的安全对齐提供可复用的推理时自适应思路。
面向意图识别的层次语义表示驱动的进化式多模态推理
Evolutionary Multimodal Reasoning via Hierarchical Semantic Representation for Intent Recognition
把多模态语义组织成 token 级、概念级、概念关系级三层表示，再用 CoT 提示注入 MLLM 做逐步推理，并借 MLLM 反馈在推理时迭代精炼表示——这套「层次语义 + 自进化提示」流程可直接迁移到视觉问答、视觉定位等需要多粒度视觉语义推理的任务。
EvoID：面向身份保持视频生成的强化演化
EvoID: Reinforced Evolution for Identity-Preserving Video Generation
把身份保持视频生成从静态模仿学习改写为强化学习自演化过程，用「客观指标 + MLLM 整体质量评估」构成双路动态奖励，并用冻结教师锚定学生模型；做视频生成后训练或奖励设计的工作可直接借鉴这套奖励组合与教师锚定策略。
EvoGraph-R1：面向智能体检索的自演化多模态知识超图
EvoGraph-R1: Self-Evolving Multimodal Knowledge Hypergraphs for Agentic Retrieval
把多模态知识图谱当作可被智能体动作（检索/扩展/编辑/终止）动态改写的环境，用 MDP 闭环驱动超图演化，为视觉问答中的多跳跨模态检索与可追溯推理提供了可复用的框架。
EvoComp：通过语义引导的进化标注为多模态大语言模型学习视觉词元压缩
EvoComp: Learning Visual Token Compression for Multimodal Large Language Models via Semantic-Guided Evolutionary Labeling
为 MLLM 的视觉词元压缩提供了一套可复用的监督信号构造范式：用进化搜索在输出损失最小化目标下自动标注应保留的词元子集，再以轻量 encoder-only 压缩器学习该选择策略，可直接迁移到高分辨率、多图或视频输入下的视觉词元剪枝与加速。
Evo-Retriever：面向多模态文档检索的视角—路径协同 LLM 引导课程演化
Evo-Retriever: LLM-Guided Curriculum Evolution with Viewpoint-Pathway Collaboration for Multimodal Document Retrieval
面向视觉文档检索，提出多视角图像对齐与双向对比学习构造难负例，并用 LLM 元控制器按模型状态动态调整训练课程；做跨模态检索或图文匹配时，可借鉴其难例挖掘与课程调度思路来缓解跨模态嵌入混淆。
Evo-1：保持语义对齐的轻量级视觉语言动作模型
Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic Alignment
提出一种轻量级视觉语言动作模型架构，通过跨模态扩散Transformer和两阶段训练保持视觉语言骨干的语义对齐，为视觉研究者提供将VLM高效适配到机器人控制任务的思路，并展示了在低参数量下实现实时推理的可行性。
证据变换网络：将预训练模型转化为证据模型以进行事后不确定性估计
Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation
对视觉研究者而言，ETN 提供了一种即插即用的后处理手段：只需在冻结的预训练分类器 logit 上学习一个样本相关的仿射变换，就能把任意现成模型转成可输出 Dirichlet 证据量的模型，用于 OOD 检测与置信度校准，无需重训或多次前向。
证据神经辐射场
Evidential Neural Radiance Fields
把证据深度学习（evidential deep learning）接进 NeRF 的渲染管线，用单次前向传播同时给出偶然不确定性与认知不确定性，可直接复用到任何需要逐像素置信度的三维重建/新视角合成流程中，用于安全关键场景的失效检测与主动视角选择。
证据深度部分标签学习：量化消歧不确定性
Evidential Deep Partial Label Learning to Quantify Disambiguation Uncertainty
把证据建模（Dirichlet 分布上的 belief/credibility）引入弱监督标签消歧，为视觉分类任务提供可复用的不确定性量化头，可直接替换 softmax 输出用于噪声标注下的可靠性预测。
每种错误都有其严重程度：面向多类多示例学习的不对称错误严重度训练
Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning
把类别间的临床严重程度编码成层次结构与严重度加权交叉熵，可直接迁移到任何多类医学图像分类（如分级诊断、病变分型）中，用来压低高危误判；配套的非对称 Mikel's Wheel 指标也提供了一个可复用的、按错误严重度加权的评测方式。
EventHub：无需主动传感器的可泛化事件立体网络数据工厂
EventHub: Data Factory for Generalizable Event-Based Stereo Networks without Active Sensors
利用新视角合成从普通彩色图像生成代理标注和代理事件，从而无需主动传感器即可训练事件立体网络，这种数据工厂思路可迁移到其他缺乏真值的传感器模态（如事件光流、事件深度）。
EventGait：面向事件流的鲁棒步态识别
EventGait: Towards Robust Gait Recognition with Event Streams
把事件相机引入步态识别，用脉冲专家混合（MoSE）建模微秒级动态、用跨模态结构对齐（CroSA）借助大视觉基础模型蒸馏稠密形状表征，为低光照/高动态场景下的人体运动识别提供了可复用的双流事件表征方案。
EventDrive：面向视觉-语言驾驶智能的事件相机
EventDrive: Event Cameras for Vision-Language Driving Intelligence
将事件相机异步流与RGB帧通过多尺度事件金字塔和模态路由混合专家融合，为视觉语言模型提供高时序精度和运动感知，可借鉴到需要低延迟、高动态范围的多模态推理任务中。
Event6D：基于事件相机的新物体 6D 位姿跟踪
Event6D: Event-based Novel Object 6D Pose Tracking
用事件流在深度帧之间重建稠密强度与深度，为高速运动下的 6D 位姿跟踪提供几何与光度线索；其「以最近深度为条件、双重建事件」的思路可迁移到事件相机驱动的 SLAM、抓取位姿跟踪与高速场景重建。
基于事件的视觉形变测量
Event-based Visual Deformation Measurement
将事件流的时间稠密运动线索与帧的空间稠密估计融合，并用分片线性化（AIS）与邻域贪心优化抑制稀疏噪声事件带来的运动歧义和长期跟踪误差累积，为高动态场景下的稠密对应与形变跟踪提供了可复用范式。
基于事件的无配对数据运动去模糊
Event-based Motion Deblurring with Unpaired Data
提出无配对事件去模糊框架，利用事件物理先验和生成式模糊建模，为缺乏配对数据的底层视觉任务提供可复用思路。
事件-光照协同的低光照图像增强与高分辨率真实世界数据集
Event-Illumination Collaborative Low-light Image Enhancement with a High-resolution Real-world Dataset
事件相机与图像融合的低光照增强框架，其光照感知事件滤波（IAEF）和事件-光照协同交互（EICI）模块可复用于其他事件-图像融合任务；同时发布的首个高分辨率真实事件-图像配对数据集为事件视觉研究提供基准。
基于任务导向三维高斯事件表征的事件相机运动去模糊
Event-Based Motion Deblurring Using Task-Oriented 3D Gaussian Event Representations
把事件流用可学习的3D高斯核聚合成对运动方向和速度敏感的局部运动特征，替代手工事件表征（如事件帧、体素网格），可直接迁移到其他事件相机+RGB的底层视觉任务（去模糊、插帧、HDR重建）中作为事件编码前端。
事件结构谷：事件相机自动对焦的统一理论与实践框架
Event Structural Valley: A Unified Theoretical and Practical Framework for Event Camera Autofocus
提出事件率曲线在真实对焦处出现局部极小值的反直觉现象，并给出基于双峰约束的谷值检测方法，可启发基于事件相机的低层视觉任务（如去模糊、深度估计）利用事件率结构而非峰值进行状态估计。
基于概率通量估计的事件流滤波
Event Stream Filtering via Probability Flux Estimation
把事件流建模为辐照度轨迹随机扩散产生的阈值穿越概率通量，用核方法做非参数估计并以 O(1) 递归求解器实时重建连续事件密度流，可作为事件相机前端去噪模块直接接入下游重建或运动估计流程。
EvObj：无需场景监督学习演化式以对象为中心表征的 3D 实例分割
EvObj: Learning Evolving Object-centric Representations for 3D Instance Segmentation without Scene Supervision
把「对象先验从合成数据迁移到真实扫描」拆成可迭代的对象判别（动态精炼候选）与对象补全（重建遮挡几何）两个模块，为无监督 3D 实例分割提供了一条不依赖场景级标注、可跨域自适应的路线，可直接用于点云实例分割的预训练-微调流程。
基于哈希概率金字塔的欧拉高斯泼溅
Eulerian Gaussian Splatting using Hashed Probability Pyramids
用可学习体密度加哈希概率金字塔替代 3DGS 的手工致密化（ADC 的克隆/分裂/剔除），把基元位置当作密度采样，并用控制变量降低随机梯度方差——做新视角合成的人可直接把这套「概率化致密化」接到自己的 splatting 管线里，去掉调参脆弱的启发式先验。
EthoCLIP：本体增强的视频-语言预训练用于动物行为理解
EthoCLIP: Ontology-Enhanced Video-Language Pretraining for Animal Behavior Understanding
将结构化领域本体（NBO）作为归纳偏置注入视觉-语言对比学习，通过本体感知图模块建模行为层级关系，为数据稀缺的细粒度视频理解提供可复用的语义增强预训练范式。
擦除数千个概念：面向文本到图像扩散模型的可扩展且实用的概念擦除
Erasing Thousands of Concepts: Towards Scalable and Practical Concept Erasure for Text-to-Image Diffusion Models
提出基于t分布混合模型和最优传输的概念擦除框架，可精确定位并擦除文本嵌入中的目标概念，同时保持其他概念生成质量，为扩散模型的安全可控生成提供可扩展方案。
EpiAgent：面向古代碑刻复原的智能体中心系统
EpiAgent: An Agent-Centric System for Ancient Inscription Restoration
把图像复原从单次前向的固定流水线改造成由 LLM 规划器调度的多工具智能体循环（观察-构思-执行-再评估），对做低层视觉的人提供了一个可复用的思路：用多模态分析结果驱动工具选择与迭代精炼，从而应对训练分布外的异质退化。
一步一步地预见未来
Envisioning the Future, One Step at a Time
把未来场景演化预测从稠密视频/潜空间生成改为稀疏点轨迹上的逐步自回归扩散推理，使单张图像快速 rollout 上千种未来假设；对做视频预测、轨迹生成或世界模型的研究者，这是一种可复用的「以稀疏轨迹为生成载体」的建模范式，并配套开放集运动预测基准 OWM。
先构想、再关注、后回应：大型视觉语言模型中的反事实幻觉缓解
Envision, Attend, Then Respond: Counterfactual Hallucination Mitigation in Large Vision-Language Models
提出一种免训练框架，利用扩散先验生成视觉印象并定位反事实元素，再通过对比解码抑制幻觉，可复用于提升LVLM在视觉证据与常识冲突时的鲁棒性。
基于动态唇纹分析的视觉说话人认证安全性增强
Enhancing the Security of Visual Speaker Authentication Based on Dynamic Lip-Print Analysis
把唇部动态建模成可复用的「动态唇纹」判别片段，并用多层动态增强编码器在短时序、少注册数据下做细粒度特征提取，这套思路可直接迁移到唇语识别、说话人认证与活体检测等视觉身份任务。
以文本语义增强视觉表征：文本语义驱动的原型用于异构联邦学习
Enhancing Visual Representation with Textual Semantics: Textual Semantics-Powered Prototypes for Heterogeneous Federated Learning
用大语言模型生成的类文本描述经预训练语言模型编码成语义原型，再通过可训练提示与客户端图像特征对齐，为视觉表征学习提供了一种跨模态语义先验注入手段，可迁移到长尾/异构数据下的分类表征对齐。
增强视频视觉语言模型的海马体感知
Enhancing Video Vision Language Model with Hippocampal Sensing
提出跨模态预测感知范式与对比强化学习算法 VANAO，可借鉴用于视频-音频联合推理与选择性信息获取，提升视频 VLM 的推理效率与准确性。
通过基于解混的丰度融合学习增强未配准高光谱图像超分辨率
Enhancing Unregistered Hyperspectral Image Super-Resolution via Unmixing-based Abundance Fusion Learning
针对未配准参考图像的超分辨率问题，提出基于解混的丰度融合框架，利用可变形聚合和交叉注意力实现空间-光谱信息解耦与融合，可迁移到其他多模态图像融合任务。
通过奖励建模增强图像生成中的空间理解
Enhancing Spatial Understanding in Image Generation via Reward Modeling
用奖励模型为文生图的空间关系正确性提供可微/可打分信号，可直接接入在线 RL（如 GRPO/PPO 类）微调扩散或自回归生成器，解决复杂空间提示词需多次采样的问题；SpatialScore 也可作为空间一致性的自动评测器复用。
为任意开源多模态大语言模型增强部件级点定位能力
Enhancing Part-Level Point Grounding for Any Open-Source MLLMs
提出一种冻结主干、仅靠中间层注意力合成文本条件查询并解码为点热图的插件式方案，可让任意开源 MLLM 获得部件级点定位能力，为细粒度机器人操作等任务提供可直接复用的适配模块。
以扩展 Logit 归一化增强分布外检测
Enhancing Out-of-Distribution Detection with Extended Logit Normalization
ELogitNorm 是一个无超参的训练期正则目标，可直接替换交叉熵训练来提升任意 post-hoc OOD 打分函数（MSP、能量分数等）的效果，同时改善 ID 置信度校准；做视觉分类模型部署时可直接套用，无需改动推理流程。
通过聚类感知上采样增强混合专家模型的特化能力
Enhancing Mixture-of-Experts Specialization via Cluster-Aware Upcycling
对需要在视觉-语言预训练中把稠密 CLIP 骨干升级为 MoE 的研究者，本文给出一种可复用的初始化方案：用输入激活的语义聚类 + 截断 SVD 初始化各专家、用聚类质心初始化路由器，并配合专家集成自蒸馏稳定路由，可直接替换稀疏上采样以提升零样本/少样本迁移。
以条件手部调制器增强三维全身姿态估计中的手部
Enhancing Hands in 3D Whole-Body Pose Estimation with Conditional Hands Modulator
用预训练手部估计器的特征通过轻量调制器（CHAM）注入全身姿态网络的特征流，无需重训全身模型即可修正手腕朝向；手指关节与手形则经可微刚性对齐贴到全身网格上，这套「冻结主干+外挂专家调制」的模块化思路可直接迁移到其他部位精度不足的全身/多人重建任务。
利用视觉属性增强描述性图像标题以提升多模态感知
Enhancing Descriptive Captions with Visual Attributes for Multimodal Perception
把现成的视觉专家模型（深度、情绪、细粒度分类、HOI 检测）的输出作为属性注入 caption 生成流程，为 LMM 训练构造更细粒度的图文数据；做多模态数据合成或 caption 增强时可直接复用这套「专家模型拼装」思路。
通过动态前缀加权增强视觉语言模型的持续学习
Enhancing Continual Learning of Vision-Language Models via Dynamic Prefix Weighting
对做 VLM 下游适配的人，DPW 给出了一种按 token 重要性动态加权 prefix 的门控机制，并让 adapter 只作为 prefix 权重的残差补充，可直接复用到域类增量学习或多任务适配场景中，避免统一归一化带来的过度调整。
基于概率评估与校准提升外观式视线跟踪中不确定性估计的准确性
Enhancing Accuracy of Uncertainty Estimation in Appearance-based Gaze Tracking with Probabilistic Evaluation and Calibration
把不确定性估计当作输出级条件分布匹配问题，用少量校准样本做事后校准，可直接迁移到视线跟踪、头部姿态、关键点回归等回归式视觉任务在域偏移下的置信度修正。
先增强后平衡的模态协作框架用于鲁棒多模态情感分析
Enhance-then-Balance Modality Collaboration for Robust Multimodal Sentiment Analysis
对做多模态融合的视觉研究者，这篇提供了处理「视觉/音频弱模态被文本主导」的可复用思路：用能量势建模各模态贡献并做隐式梯度重平衡，再用样本级可靠性估计自适应调融合权重，可直接迁移到视觉-语言融合、缺失模态鲁棒性等场景。
EnergyAction：基于能量模型的单臂到双臂策略组合
EnergyAction: Unimanual to Bimanual Composition with Energy-Based Models
将单臂操作策略建模为能量模型并通过能量组合实现双臂协调，其能量约束下的时序-空间协调机制与自适应去噪步数策略，可为视觉-动作联合生成中的多策略融合与推理效率提供可复用思路。
Energy-GS：图像能量引导的位姿对齐高斯泼溅与重设计的位姿梯度流
Energy-GS: Image Energy-guided Pose Alignment Gaussian Splatting with redesigned pose gradient flow
针对 3DGS 基于光栅化的点渲染缺乏 NeRF 式可控采样、位姿梯度不稳定的问题，重新设计高斯图元的位姿梯度流并引入图像能量引导的渐进式位姿对齐约束，可直接用于无位姿先验的稀疏视图重建与 SLAM 中的位姿-地图联合优化。
能量波动化与再分配用于测试时自适应：一个控制系统的视角
Energy Waveify and Redistribution for Test-Time Adaptation: A Control System Perspective
用复值波函数与概率流守恒替代朗之万/蒙特卡洛迭代采样来更新能量模型，可作为一种免随机采样的测试时自适应模块，直接插入依赖能量模型的视觉分类或分割流程中以降低自适应延迟。
无尽世界：实时 3D 感知长视频生成
Endless World: Real-Time 3D-Aware Long Video Generation
条件自回归训练策略把新生成内容与已有帧对齐，配合全局 3D-aware 注意力注入几何约束，可在单卡实时生成无限长且 3D 一致的视频；这套「对齐已有帧 + 3D 引导」的思路可直接迁移到流式视频生成与长序列扩散采样。
面向人形全身控制的端到端语言-动作模型
End-to-End Language-Action Model for Humanoid Whole Body Control
把语言指令与本体感知直接映射到低层动作的端到端流匹配策略，配合残差动作头做真机精修，可作为视觉-语言-动作（VLA）类具身控制中绕开中间表示与模块化流水线的可复用范式。
基于动态Token化关系Transformer的工程图端到端超关系信息抽取
End-to-End Hyper-Relational Information Extraction for Engineering Diagrams via Dynamically Tokenized Relation Transformer
DTRT 用动态 token 缩减与关系 Transformer 端到端地从高分辨率工程图中抽取符号、连线与文本之间的超关系，可直接迁移到需要同时定位元件并建模拓扑连接的场景（如电路图、流程图解析），其动态 token 剪枝策略对高分辨率图像的高效 Transformer 推理也有参考价值。
面向泛化AI生成图像检测的生成签名监督学习
Enabling Supervised Learning of Generative Signatures for Generalized AI-Generated Images Detection
用随机架构与参数的动态重建器在真实图像上模拟生成痕迹，以重建残差作为代理监督训练痕迹提取器，为缺乏真值的取证类任务（如伪造检测、篡改定位）提供了一条可复用的监督构造思路。
EmoThinker：通过结构化词元选择与思维链推理推进视觉-声学情感分析
EmoThinker: Advancing Visual-Acoustic Emotion Analysis via Structural Token Selection and Chain-of-Thought Reasoning
其结构化词元选择机制可迁移到任意视觉-语言任务中做显著区域筛选与背景上下文精炼，而构建的思维链标注范式为多模态推理数据构造提供了可复用模板。
EmoTaG：基于高斯泼溅与少样本个性化的情感感知说话头合成
EmoTaG: Emotion-Aware Talking Head Synthesis on Gaussian Splatting with Few-Shot Personalization
把运动预测从直接形变 3D 高斯改为在 FLAME 参数空间回归，为少样本音频驱动说话头提供显式几何先验；其门控残差运动网络用音频情感韵律补全音频缺失的头部姿态与上半脸线索，可直接迁移到其他音频驱动的人脸/人体动画管线。
EmoStyle：情感驱动的图像风格化
EmoStyle: Emotion-Driven Image Stylization
把「情感」作为风格迁移的条件信号，并用向量量化把连续风格特征离散成情感相关码本条目，这个 emotion-aware style dictionary 可直接作为其他生成任务（如 T2I、编辑）的可插拔风格条件模块复用。
EmoDiffTalk：面向可编辑 3D 高斯说话头的情感感知扩散模型
EmoDiffTalk: Emotion-aware Diffusion for Editable 3D Gaussian Talking Head
把扩散过程放到 3D 高斯泼溅的表情参数空间（AU 空间）里做去噪，并用文本到 AU 的控制器提供连续可编辑条件——做 3D 说话头或表情编辑时，这种「在低维表情空间做扩散 + 多模态条件注入」的范式可直接复用。
视觉几何基础 Transformer 中涌现的离群视图剔除能力
Emergent Outlier View Rejection in Visual Geometry Grounded Transformers
对做前馈式三维重建的人，这篇论文给出一个免训练、免监督的离群视图剔除手段：直接探测 VGGT 某一中间层的内部表征来打分过滤噪声输入，可即插即用地接到现有前馈重建流程的输入端。
3D 基础模型中涌现的极端视角几何
Emergent Extreme-View Geometry in 3D Foundation Models
论文揭示 3D 基础模型在非重叠极端视角下已具备涌现的几何理解能力，并给出只微调骨干网络 bias 项、冻结解码器头的轻量对齐方案，可直接用于提升相对姿态估计；同时 MegaUnScene 基准为评测 3DFM 的跨场景泛化提供了新协议。
EmbodiedSplat：面向开放词表三维场景理解的在线前馈语义 3DGS
EmbodiedSplat: Online Feed-Forward Semantic 3DGS for Open-Vocabulary 3D Scene Understanding
把 CLIP 嵌入绑定到每个 3D 高斯上，并用 3D U-Net 聚合部分点云生成几何感知的 CLIP 特征，为在线开放词表 3D 语义重建提供了可复用的「2D 语言特征 + 3D 几何先验」融合方案。
EmbodMocap：面向具身智能体的野外四维人体-场景重建
EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents
用两台移动 iPhone 的 RGB-D 序列做联合标定，在统一度量世界坐标系下同时重建人体与场景，为单目人体-场景重建提供无需静态相机与标记的野外采集方案与训练数据。
厘清扩散概率模型的 SNR-t 偏差
Elucidating the SNR-t Bias of Diffusion Probabilistic Models
指出推理阶段去噪样本的 SNR 与时间步错配会导致误差累积，并给出按频率分量分别做差分校正的免训练修正手段，可直接插入现有扩散采样器（DDIM、EDM、FLUX 等）以提升生成质量。
阐明基于任意噪声的扩散模型的设计空间
Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models
将扩散模型的设计空间从固定高斯噪声推广到任意噪声模式，为图像复原任务提供了一种可减少复原距离、且不增加计算开销的通用框架，可直接用于去噪、去伪影等底层视觉问题。
消除后门攻击引发的距离差异：层选择性训练与裁剪以掩码后门模型
Eliminate Distance Differences Induced by Backdoor Attacks: Layer-Selective Training and Clipping to Mask Backdoor Models
提出层选择性的后门植入策略，通过定位对后门目标最敏感的层并裁剪非敏感层来缩小后门模型与干净模型的参数距离，为视觉模型在联邦学习场景下的后门攻防研究提供了可复用的隐蔽性增强手段。
通过宽基线匹配激发多模态大语言模型中的复杂空间推理
Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching
把宽基线匹配当作可验证奖励信号，用强化学习（DCRL）在无 CoT 监督下提升 MLLM 的几何与视角变化推理；其从 RGB-D 视频与 SfM 重建自动挖掘宽基线视图对的数据流水线，可直接复用于构建空间对应训练数据。
单发射器下的电磁逆散射
Electromagnetic Inverse Scattering from a Single Transmitter
把稀疏测量下的逆散射当作数据驱动的端到端前馈重建问题，用数据分布先验补偿缺失的物理信息，这一思路可迁移到其他病态逆成像任务（如稀疏视角断层重建、有限角度CT），也提示视觉研究者关注单发射器极端稀疏设定下的重建鲁棒性。
ElasticFormer：通过弹性计算视觉 Transformer 检测高分辨率宽幅图像中的目标
ElasticFormer: Detecting Objects in HRW Shots via Elastic Computing Vision Transformer
ElasticFormer 的 ElasticSelector 用方差打分加前景比例预测来动态选择窗口，这种按前景稀疏度弹性分配算力的思路可以直接迁移到任何高分辨率或大视场图像检测的骨干网络设计中，也提供了在缺少边界框标注时训练选择器的三阶段策略。
Elastic3D：基于引导式潜变量解码的可控立体视频转换
Elastic3D: Controllable Stereo Video Conversion with Guided Latent Decoding
用条件潜扩散直接生成右视图、绕开显式深度估计与 warping，并设计引导式 VAE 解码器保证锐利与极线一致；其标量视差调节旋钮为立体/新视角生成提供了推理期可控性的可复用范式。
把弹性权重巩固做对：面向持续学习的正确实现
Elastic Weight Consolidation Done Right for Continual Learning
对做视觉模型持续学习/增量训练的人，这篇给出了一个几乎零成本的改动：在计算 Fisher 信息矩阵时把 logit 取反，即可同时缓解梯度消失与冗余保护，可直接替换现有 EWC 正则项用于视觉骨干网络的顺序多任务训练。
第一人称视角可见性感知的人体姿态估计
Egocentric Visibility-Aware Human Pose Estimation
针对第一人称视角下关键点不可见问题，提出显式建模可见性信息的方法，并构建带可见性标注的大规模数据集，为遮挡/不可见场景下的姿态估计提供可复用思路与评测基准。
EgoXtreme：极端条件下第一人称视角鲁棒物体姿态估计数据集
EgoXtreme: A Dataset for Robust Object Pose Estimation in Egocentric Views under Extreme Conditions
该数据集为第一人称视角下的 6D 物体姿态估计提供了极端条件（严重运动模糊、动态光照、烟雾遮挡）下的评测基准，可用于检验现有泛化姿态估计器的失效模式，并推动时序信息利用与鲁棒性方法的研究。
EgoX：从单段第三人称视频生成第一人称视频
EgoX: Egocentric Video Generation from a Single Exocentric Video
将大规模视频扩散模型通过轻量低秩适配迁移到极端视角变换的跨视角视频生成任务，其宽度/通道拼接的条件注入策略与几何引导自注意力机制可复用于新视角合成、视角转换等需要保持几何一致性的生成任务。
EgoSound：第一人称视频中声音理解基准
EgoSound: Benchmarking Sound Understanding in Egocentric Videos
为视觉研究者提供了一个可复用的第一人称音视频问答基准与七任务分类体系，可用于诊断多模态大模型在离屏事件、空间定位与因果推理上的盲区，并作为音频-视觉联合训练或评测的下游测试床。
EgoRoC：面向第一人称机器人控制的任任务无关视觉对齐
EgoRoC: Towards Egocentric Robotic Control via Task-Agnostic Visual Alignment
把第一人称腕部相机的视角对齐做成可插拔的6-DoF位姿接口，前置到任意VLA策略之前，并用扩散式在线手眼模块在末端执行器坐标系下修正动作；对做具身视觉的人，这是一种把「看」与「做」解耦、免手眼标定即可跨硬件部署的复用范式。
EgoProx：在认知层级上评估多模态大语言模型的自我中心三维邻近推理
EgoProx: Evaluating MLLMs on Egocentric 3D Proximity Reasoning Across a Cognitive Hierarchy
为视觉研究者提供了一个以自我中心视角评估 MLLM 三维邻近关系推理的基准与智能体式数据生成引擎，可用于诊断模型的空间知识是否被有效调用，并指导空间推理 VQA 的指令微调设计。
EgoPoseFormer v2：面向AR/VR的精确第一人称人体运动估计
EgoPoseFormer v2: Accurate Egocentric Human Motion Estimation for AR/VR
提出身份条件查询、多视角空间精炼和因果时序注意力，在恒定计算预算下实现时序一致且空间对齐的人体姿态估计；其不确定性感知的半监督自标注系统可复用于其他标注稀缺的视觉任务。
EgoMind：通过语言推理激活多模态大语言模型的空间认知
EgoMind: Activating Spatial Cognition through Linguistic Reasoning in MLLMs
提出一种无需3D几何先验的纯语言思维链框架，通过角色扮演描述构建跨帧语言场景图，并渐进式分析空间问题，为视觉语言模型中的空间推理提供了可复用的提示与训练策略。
EgoFlow：梯度引导的流匹配用于第一人称6DoF物体运动生成
EgoFlow: Gradient-Guided Flow Matching for Egocentric 6DoF Object Motion Generation
将流匹配与梯度引导推理结合，在生成 6DoF 轨迹时直接嵌入可微物理约束（碰撞避免、平滑性），无需后处理；其混合 Mamba-Transformer-Perceiver 架构对时序动态、场景几何与语义意图的联合建模方式，可迁移到其他需要物理合理性的轨迹生成或运动预测任务。
EgoEdit：面向第一人称视频编辑的数据集、实时流式模型与基准
EgoEdit: Dataset, Real-Time Streaming Model, and Benchmark for Egocentric Video Editing
面向第一人称视频的指令引导编辑，核心可复用点是「保留手部与手物交互区域」的编辑约束设计，以及单卡实时流式推理管线；做视频编辑或 AR 交互生成的研究者可直接借鉴其数据构造与手部保持评测协议。
EgoControl：基于3D全身姿态的可控第一人称视频生成
EgoControl: Controllable Egocentric Video Generation via 3D Full-Body Poses
把显式3D全身姿态序列作为扩散模型的条件信号，并设计同时编码全局相机运动与关节体运动的姿态表示，为视觉研究者提供了一种可复用的「姿态→视频」控制接口，可用于具身智能中的动作模拟与规划。
EgoAVU：第一人称音视频理解
EgoAVU: Egocentric Audio-Visual Understanding
对做第一人称视频理解的人，这篇提供了可自动生成音视频叙述与问答的数据引擎，以及揭示 MLLM 视觉偏置的音视频基准；可直接用于构建音视频指令微调数据或诊断模型对音频线索的忽视。
Ego：视觉语言模型的嵌入引导个性化
Ego: Embedding-Guided Personalization of Vision-Language Models
利用 VLM 内部注意力提取代表目标概念的视觉 token 作为概念记忆，无需额外训练即可在测试图像中召回并描述个性化概念，为视觉语言模型的免训练个性化与概念绑定提供可复用思路。
Ego2Web：基于第一人称视频的网页智能体基准
Ego2Web: A Web Agent Benchmark Grounded in Egocentric Videos
Ego2Web 将第一人称视频感知与网页任务执行串联，为视觉研究者提供了检验视频理解模型能否支撑真实世界在线任务的新基准；其 LLM-as-a-Judge 自动评估方法（Ego2WebJudge）也可迁移到其他需要开放式判断的视觉任务评测中。
Ego-InBetween：在第一人称视频中生成物体状态转移
Ego-InBetween: Generating Object State Transitions in Ego-Centric Videos
把「初始态→目标态」的中间帧生成显式建模为多步状态转移，并用 VLM 推断转移步骤作为生成条件，为视频生成中的长程物理一致性提供了一条可复用的「先推理后生成」范式。
面向第一人称视频个性化问答的自我指代 grounding
Ego-Grounding for Personalized Question-Answering in Egocentric Videos
为第一人称视觉语言模型提供了首个系统性的个性化问答基准 MyEgo，并揭示显式提供证据时模型短期提升、随时间衰减的现象，可直接用于设计带长程记忆与自我指代（ego-grounding）机制的第一人称视频问答模型与评测协议。
Ego-1K：面向第一人称视觉的大规模多视角视频数据集
Ego-1K - A Large-Scale Multiview Video Dataset for Egocentric Vision
为第一人称多视角动态场景重建与4D新视角合成提供了一个时间同步、带标定的评测平台，其近距离动态物体与大视差设定可直接用于检验现有4D新视角合成方法在剧烈视差与自运动下的失效模式。
D4RT：高效重建动态场景
Efficiently Reconstructing Dynamic Scenes One D4RT at a Time
用统一 Transformer 解码接口从视频中按任意时空点查询 3D 位置，绕开逐帧稠密解码，为动态 4D 重建提供了一种轻量、可扩展的前馈范式，可直接借鉴到新视角合成与点追踪任务。
EfficientVPR：基于场景感知提示词微调与自适应特征增强的高效视觉位置识别
EfficientVPR: Toward Efficient Visual Place Recognition via Scene-Aware Prompt Tuning and Adaptive Feature Enhancement
用场景感知的视觉提示词微调加实例相关的局部关键特征增强，在 DINOv2-small 上以低维特征实现 73 倍加速，为视觉检索类任务提供了一条「不靠堆模型容量、不靠重排序」的效率路线，可直接迁移到图像检索与重定位的特征提取环节。
EfficientMonoHair：通过多视角方向融合从单目视频快速重建发丝级几何
EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion
把隐式神经表示与多视角方向融合结合，用 fusion-patch 多视角优化减少点云方向场的迭代次数，并用放宽体素占用约束的并行生长策略在噪声方向场下稳定追踪发丝——这套「粗到细方向场 + 并行生长」的思路可迁移到其他细长结构（线缆、纤维、血管）的单目重建。
高效且免训练的单图像扩散模型
Efficient and Training-Free Single-Image Diffusion Models
提出一种无需训练的扩散模型，利用单张图像的多尺度图像块数据集和闭式最优去噪器计算得分函数，可复用于图像生成、风格化、对称化等任务，并支持潜空间扩散和加速技术实现快速高分辨率生成。
高效高保真的全模态检索
Efficient and High-Fidelity Omni Modality Retrieval
提出基于注意力的重采样模块将多模态编码器的长词元序列压缩为固定长度表示，并用 Attention Sliced Wasserstein Pooling 保留细粒度信息，可直接用于视觉-语言检索中降低 LLM 输入开销并提升嵌入保真度。
基于得分生成模型的高效加权采样
Efficient Weighted Sampling via Score-based Generative Models
对做扩散生成的研究者，这篇给出了一个免训练、无需 Hessian 与粒子重采样的加权采样方案：用轻量近似替代引导项的高阶导数，并按时序误差动态调节引导强度，可直接套用到 SDXL 等预训练模型上做任务自适应采样，同时获得 1.2–4.7 倍加速。
基于循环动态子模型的高效视频目标分割与跟踪
Efficient Video Object Segmentation and Tracking with Recurrent Dynamic Submodel
对需要在视频分割/跟踪中部署 SAM2 这类大模型的人，RDS 给出了一条可复用的路线：用轻量路由器基于上一帧分割掩码和当前帧特征逐帧选择子模型块，把时序信息直接注入动态剪枝决策，从而把理论计算削减转化为真实加速；I-LoRA 只微调关键块的做法也可迁移到其他大模型的高效适配。
面向大规模三维逆问题的高效展开网络
Efficient Unrolled Networks for Large-Scale 3D Inverse Problems
把大规模前向算子通过区域分解与法算子近似嵌入展开网络，使单卡即可端到端训练含算子的 3D 重建模型；做 3D 逆问题（CT/MRI 重建）时可直接复用该显存友好的算子嵌入方案。
面向人体视频生成的高效训练：熵引导的优先渐进学习
Efficient Training for Human Video Generation with Entropy-Guided Prioritized Progressive Learning
提出条件熵膨胀（CEI）来量化模型各组件对条件生成任务的重要性，并据此安排训练优先级；同时用收敛效率自适应地提升训练复杂度。这套「按重要性排序 + 渐进加难」的训练调度可直接迁移到高分辨率视频扩散模型或大分辨率图像扩散模型的训练中，以降低显存与时间开销。
面向移动设备极低光照超高清视频的高效实时 raw-to-raw 去噪
Efficient Real-Time Raw-to-Raw Denoising for Extreme Low-Light Ultra HD Video on Mobile Devices
面向移动端 ISP 前端的 raw-to-raw 视频去噪方案：把重参数化、结构重排与量化组合进训练后优化流程，在 <33ms、<250mA 的约束下跑 4K/8K 视频，可直接迁移到其他需要在端侧实时部署的低层视觉模型压缩与部署流程。
基于球谐函数的高效混合 SE(3) 等变视觉运动流策略用于机器人操作
Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation
把球谐函数表示作为 SO(3) 等变的载体，并设计不变特征增强模块融合点云与图像，可直接迁移到任何需要旋转等变的多模态视觉编码器；同时证明整流流可与等变扩散策略稳定结合，为少步采样策略学习提供可复用方案。
通过强化学习实现长视频理解中的高效帧选择
Efficient Frame Selection for Long Video Understanding via Reinforcement Learning
把「选哪些帧」当作可学习策略，用分层奖励的强化学习训练轻量选择器，可直接插到任意 MLLM 前端替代均匀采样，是长视频理解中低成本提升输入质量的通用手段。
面向自动驾驶智能体建模的高效等变 Transformer
Efficient Equivariant Transformer for Self-Driving Agent Modeling
用投影几何代数中的多向量表示场景元素，让标准注意力本身携带 SE(2) 等变性，从而省去二次复杂度的成对相对位置编码；做多智能体场景建模、轨迹预测或需要置换/旋转平移等变的视觉任务时，可直接复用这一等变注意力块来降低开销。
高效无编码器的基于傅里叶的 3D 大型多模态模型
Efficient Encoder-Free Fourier-based 3D Large Multimodal Model
用空间填充曲线序列化加 FFT 近似自注意力，替代重型 3D 编码器做全局上下文建模，并用傅里叶增强的低秩适配把频域交互注入 LLM，为视觉侧设计轻量 3D 词元化与无编码器多模态架构提供可复用范式。
面向光流估计的高效全对相关体采样
Efficient All-Pairs Correlation Volume Sampling for Optical Flow Estimation
RAFT 式全对相关体采样可换成内存与计算双高效的实现，且数学上与原算子完全等价，可直接替换现有光流网络中的 cost volume 采样层，从而在高分辨率输入上以更低显存和延迟获得更精细的匹配细节。
效率源于全局-局部解耦
Efficiency Follows Global-Local Decoupling
把全局上下文聚合与局部特征提取拆成两条分支、用轻量 token 上的神经记忆做全局推理，可作为一种即插即用的骨干设计，在分类/检测/分割中替代全全局注意力以换取更优的精度-延迟权衡。
EffectMaker：统一推理与生成实现定制化视觉效果创作
EffectMaker: Unifying Reasoning and Generation for Customized Visual Effect Creation
用多模态大语言模型做高层特效语义推理、扩散 Transformer 通过上下文学习从参考视频提取细粒度视觉线索，形成语义-视觉双路引导，实现无需逐特效微调的参考驱动视频特效合成，可直接迁移到风格化视频编辑与参考引导的可控生成。
EffectErase：联合视频物体移除与插入实现高质量效应擦除
EffectErase: Joint Video Object Removal and Insertion for High-Quality Effect Erasing
把视频物体插入当作移除的逆辅助任务做互逆学习，并用任务感知区域引导把学习集中在形变、阴影、反射等效应区域，这一思路可直接迁移到视频修复、阴影/反射去除等需要定位并擦除视觉效应的编辑任务。
EduDiag：面向大型多模态模型错误追踪与纠正的教育诊断推理基准
EduDiag: A Benchmark for Educational Diagnostic Reasoning with Error Tracing and Correction on Large Multimodal Models
该论文提出的教育诊断推理任务要求LMM从错误答案逆向重建错误推理链并生成纠正反馈，为多模态推理评估提供了新方向；其构建的8K错误推理链数据集和GRPO优化策略可复用于提升视觉语言模型的推理与纠错能力。
Editprint：基于自增强训练编辑指纹的通用数字图像取证
Editprint: General Digital Image Forensics via Editing Fingerprint with Self-Augmentation Training
把「成像/编辑/传输处理链」当作可自增强构造的监督信号，用文本描述编辑链做语言引导对比学习，只需极少无标注数据即可学到跨相机、跨编辑的通用取证表征；做图像溯源、合成图检测或数据来源可信度研究时，可直接复用其在线编辑池与对比监督范式。
EditMGT：释放掩码生成Transformer在图像编辑中的潜力
EditMGT: Unleashing Potentials of Masked Generative Transformers in Image Editing
用 MGT 的交叉注意力图做编辑区域定位、并在低注意力区限制词元翻转，为视觉研究者提供了一条替代扩散全局去噪的局部保真编辑路径，可直接迁移到 inpainting 与局部风格迁移。
EditCtrl：面向实时生成式视频编辑的解耦局部与全局控制
EditCtrl: Disentangled Local and Global Control for Real-Time Generative Video Editing
把视频编辑的计算量从全视频上下文收缩到掩码 token 上，再用轻量全局上下文嵌入器补回时序一致性，这个「局部优先 + 全局轻量引导」的分解思路可直接迁移到任何基于扩散/流模型的视频修复、物体移除或区域重绘管线中，并支撑实时自回归传播。
Edit2Perceive：图像编辑扩散模型是强大的密集感知器
Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers
把图像编辑扩散模型（FLUX.1 Kontext）当作密集预测骨干，用像素空间一致性损失约束中间去噪状态、单步确定性推理出深度/法线/抠图，为视觉研究者提供一条替代 T2I 生成式骨干的 image-to-image 密集感知路线。
编辑感知的 RAW 重建
Edit-aware RAW reconstruction
把可微 ISP 当作损失函数的渲染算子，在 sRGB 空间监督 RAW 重建，使恢复的 RAW 对渲染风格和后期编辑更鲁棒；这一「在显示域而非传感器域算损失」的思路可直接迁移到去噪、超分、低光照增强等需要下游 ISP 配合的底层视觉任务。
编辑即行动：面向开放词表3D室内场景编辑的目标回归规划
Edit-As-Act: Goal-Regressive Planning for Open-Vocabulary 3D Indoor Scene Editing
将自然语言指令转化为3D空间中的符号化动作序列，通过PDDL启发的动作语言显式编码支撑、接触、碰撞等几何关系，为开放词表3D场景编辑提供可解释、物理一致的规划框架，可复用于具身智能中的场景操作与交互。
边缘争夺信任：面向点云建筑重建的组相对边缘优化
Edges Compete for Trust: Group Relative Edge Optimization for Building Reconstruction from Point Clouds
把一对一边匹配的稀疏监督换成基于几何对齐质量的组内相对奖励，再转成置信度分布做交叉熵监督，这个思路可直接迁移到任何「候选提案多、标注少」的检测/线框/关键点任务上，且不增加推理开销。
Edge-RecViT：基于语义精炼动态递归的高效视觉 Transformer
Edge-RecViT: Efficient Vision Transformer via Semantic-Refined Dynamic Recursion
把「边缘词元富含结构信息」这一先验引入词元级动态深度分配，并配合隐层全共享参数的递归 Transformer，可在不改架构族的前提下同时压缩浮点运算量与参数量，适合直接迁移到 ViT 骨干的轻量化改造。
基于球面几何增强的全景图像边缘聚焦超分辨率
Edge-Focused Super-Resolution for Omnidirectional Images with Spherical Geometric Augmentation
针对全景图像超分辨率中的边缘退化问题，提出边缘聚焦模块与球面旋转-平移数据增强策略，可复用于其他畸变图像复原任务。
EcoSplat：效率可控的多视图图像前馈三维高斯泼溅
EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images
把「预测多少个高斯基元」变成推理时可调的显式控制变量，用两阶段（像素对齐预训练 + 重要性感知微调）让同一前馈模型在任意基元预算下输出 3DGS 表示，可直接用于显存/带宽受限的渲染与下游任务。
EcoAlign：一种经济理性的高效 LVLM 对齐框架
EcoAlign: An Economically Rational Framework for Efficient LVLM Alignment
把 LVLM 的推理过程建模为带预算约束的思维图搜索，用前向净现值式打分和短板原则约束路径安全，可作为视觉语言模型推理时防御越狱的可复用框架，也可用于在有限算力下权衡安全与效用的解码策略设计。
所有权回声：面向MLLM版权保护的对抗引导双注入方法
Echoes of Ownership: Adversarial-Guided Dual Injection for Copyright Protection in MLLMs
提出一种通过对抗优化生成触发图像的方法，可复用于多模态模型的版权验证与模型溯源，其双注入策略（文本一致性损失回传与CLIP特征对齐）为视觉触发设计提供了可借鉴的对抗样本生成思路。
时间回响：解锁视频到音频生成模型中的长度泛化能力
Echoes Over Time: Unlocking Length Generalization in Video-to-Audio Generation Models
论文提出的非因果 Mamba 层次化架构，为视觉研究者提供了一种在测试时把短视频训练模型外推到长视频序列的思路，可直接迁移到长视频生成、长时序多模态对齐等需要长度泛化的场景。
EchoVDiff：从任意单帧生成心动周期超声心动图视频
EchoVDiff: Cardiac-Cycle Echocardiography Video Generation from Arbitrary Single Frame
提出相位感知扩散模型，在解耦潜空间中联合建模时序节律与空间语义，实现从任意单帧重建完整心动周期视频；其将生理先验融入扩散范式、解耦潜空间的设计思路可迁移至其他周期性或结构化视频生成任务。
EchoPOSE：面向左心室三维形状重建的稀疏超声心动图 6D 位姿估计
EchoPOSE: 6D Pose Estimation of Sparse Echocardiograms for Left-Ventricular 3D Shape Reconstruction
把稀疏多平面 2D 超声视图当作多视图位姿估计问题：用 Transformer 融合局部图像特征与全局多视图上下文回归分割体的 6D 位姿，再用图调和算法把位姿约束下的轮廓重建为心动周期内的 3D 形状；其几何一致性损失与「稀疏视图+位姿+形变重建」范式可迁移到其他稀疏视角 3D 重建任务。
EchoFoley：以事件为中心的层次化控制用于视频接地创意音效生成
EchoFoley: Event-Centric Hierarchical Control for Video Grounded Creative Sound Generation
提出以事件为中心的符号化表示（何时、何声、如何发声）作为细粒度控制信号，可迁移到视频生成中的局部事件控制；其慢快思维智能体框架为多模态条件平衡提供新思路。
EasyV2V：一个高质量的基于指令的视频编辑框架
EasyV2V: A High-quality Instruction-based Video Editing Framework
论文表明预训练文生视频模型本身具备编辑能力，仅需简单的序列拼接条件与轻量低秩适配微调即可训练强编辑模型，并统一掩码机制实现时空控制，为视频编辑提供可复用的简洁设计范式。
EasyOmnimatte：驯服预训练图像修复扩散模型实现端到端视频分层分解
EasyOmnimatte: Taming Pretrained Inpainting Diffusion Models for End-to-End Video Layered Decompositio
将预训练视频修复扩散模型通过LoRA微调为双专家（效果专家与质量专家），在采样不同阶段切换，实现端到端视频分层分解，为视频编辑中的前景与效果分离提供高效方案。
Easy3E：基于矫正体素流的前馈三维资产编辑
Easy3E: Feed-Forward 3D Asset Editing via Rectified Voxel Flow
将免训练的 2D 编辑适配到稀疏体素潜空间，通过单次前馈的体素流实现全局一致的 3D 变形，并用法线引导的单视图到多视图生成恢复高频纹理，为 3D 资产编辑提供了可复用的高效范式。
Easy2Hard：从部分不匹配到完全不匹配的模态作为对比学习负样本
Easy2Hard: From Partially to Fully Unmatched Modalities as Negative Samples in Contrastive Learning
对做多模态视觉表征（如图文、视频-音频-文本）的研究者，这篇论文给出了一个可直接替换的负样本构造与加权策略：把部分不匹配与完全不匹配的模态对分开，并用 sigmoid 权重课程从易到难过渡，可嵌入现有对比学习损失中提升细粒度对齐效果。
EarlyTom：早期词元压缩实现快速视频理解
EarlyTom: Early Token Compression Completes Fast Video Understanding
把视觉词元压缩从预填充后段前移到视觉编码器内部，并给出解耦的空间词元选择策略，可直接复用到任何 Video-LLM 的视觉编码器前端以降低 TTFT 与浮点运算量。
EagleVision：基于鸟瞰图视觉定位思维链的双阶段空间智能框架
EagleVision: A Dual-Stage Framework with BEV-grounding-based Chain-of-Thought for Spatial Intelligence
提出基于鸟瞰图（BEV）的主动视角选择与空间思维链推理框架，可复用于需要多视角几何推理的视觉语言任务，如具身导航与三维场景理解。
EagleNet：面向文本-视频检索的能量感知细粒度关系学习网络
EagleNet: Energy-Aware Fine-Grained Relationship Learning Network for Text-Video Retrieval
用文本候选与帧构建文本-帧图来聚合出带帧上下文信息的增强文本嵌入，并用能量匹配建模真实文本-视频对分布，这一「图聚合+能量打分」思路可迁移到其他跨模态检索与图文对齐任务中。
EXOTIC：外部视觉驱动的非完整多视图分类
EXOTIC: External Vision-driven Incomplete Multi-view Classification
利用预训练视觉语言模型的外部知识作为监督信号来补全缺失视图，为多视图分类中的不完整数据问题提供了新思路，可迁移到其他需要跨模态对齐与补全的视觉任务。
EW-DETR：通过增量低秩检测Transformer实现演化世界目标检测
EW-DETR: Evolving World Object Detection via Incremental Low-Rank DEtection TRansformer
EW-DETR 将增量低秩适配器、查询范数对象性适配器和熵感知未知混合集成到 DETR 类检测器中，为视觉研究者在无样本增量学习、域偏移和未知目标检测耦合场景下提供了可复用的模块化方案，并提出了 FOGS 综合评价指标。
EVLF：面向生成式数据集蒸馏的早期视觉-语言融合
EVLF: Early Vision-Language Fusion for Generative Dataset Distillation
提出在编码器与生成主干之间插入轻量交叉注意力实现早期视觉-语言融合，可即插即用地改进任何基于扩散的数据集蒸馏流程，为视觉研究者提供了一种平衡文本语义与视觉潜变量的生成控制手段。
EVATok：面向高效视觉自回归生成的自适应长度视频分词器
EVATok: Adaptive Length Video Tokenization for Efficient Visual Autoregressive Generation
提出自适应视频分词器，根据视频内容动态分配词元数量，在保持重建质量的同时显著降低下游自回归生成的计算成本，为视频生成模型的高效化提供了可复用的分词与路由机制。
EVA：面向端到端视频智能体的高效强化学习框架
EVA: Efficient Reinforcement Learning for End-to-End Video Agent
把视频理解从「被动识别整段视频」改成「先规划再看」的智能体范式：用 SFT+KTO+GRPO 三阶段训练让 MLLM 自主决定看哪些帧、何时看，可直接复用到长视频问答与高效视频推理中。
EV-CGNet：共视聚焦的3D引导2D事件关键点检测网络
EV-CGNet: Co-visible Focused 3D-guided 2D Event Keypoint Detection Network
事件相机关键点检测与描述子学习可复用于跨模态/跨视角匹配任务；其共视区域聚焦检测思路可迁移到任何需要抑制非重叠区域误检的匹配流程（如宽基线立体、多相机标定）。
ESAM++：面向边缘设备的高效在线3D感知
ESAM++: Efficient Online 3D Perception on the Edge
用轻量级3D稀疏特征金字塔网络（SFPN）替代ESAM中计算昂贵的3D稀疏UNet，在保持分割精度的同时将推理速度提升至3倍、模型尺寸缩小至一半，为在无GPU加速的边缘设备上部署在线3D感知提供了可复用的高效骨干设计。
EReCu：面向无监督伪装检测的伪标签进化融合与多线索学习精炼
EReCu: Pseudo-label Evolution Fusion and Refinement with Multi-Cue Learning for Unsupervised Camouflage Detection
针对无监督伪装目标检测中伪标签噪声和边界模糊问题，提出多线索原生感知与伪标签进化融合框架，其教师-学生伪标签精炼和频谱张量注意力融合策略可迁移到其他弱监督/无监督分割任务。
ERMoE：用于稳定路由与可解释专家特化的特征基重参数化混合专家模型
ERMoE: Eigen-Reparameterized Mixture-of-Experts for Stable Routing and Interpretable Specialization
用专家表示空间的正交特征基余弦相似度替代可学习门控 logits 做路由，可作为一种免辅助负载均衡损失的 MoE 路由方案，直接迁移到视觉 Transformer 的稀疏扩容与多模态检索骨干中。
ENC-Bench：评估多模态大语言模型电子海图理解能力的基准
ENC-Bench: A Benchmark for Evaluating Multimodal Large Language Models in Electronic Navigational Chart Understanding
该基准揭示了MLLMs在专业符号系统（如海图矢量符号）和几何空间计算上的系统性缺陷，为视觉-语言模型在安全关键领域的符号接地与多约束推理提供了可复用的评测框架和失败模式分析。
EMR-Diff：边缘感知多模态残差扩散模型用于高光谱图像超分辨率
EMR-Diff: Edge-aware Multimodal Residual Diffusion Model for Hyperspectral Image Super-resolution
提出边缘感知噪声策略与多模态残差机制，可迁移到其他多模态融合超分任务中，利用高分辨率辅助图像的边缘信息引导扩散模型优先重建高频细节。
EMO-R3：面向多模态大模型情感推理的反思式强化学习
EMO-R3: Reflective Reinforcement Learning for Emotional Reasoning in Multimodal Large Language Models
把可验证的反思式奖励（视觉-文本一致性 + 情感连贯性）接进 GRPO 类强化学习流程，为视觉-语言模型在主观、难以标注的任务上提供了一条可复用的训练范式；结构化思维链模板也可迁移到其他需要可解释推理的视觉理解任务。
EMMA：从多模态数据中提取多个物理参数
EMMA: Extracting Multiple physical parameters from Multimodal Data
把视频轨迹当作动力学观测，用 Liquid Time-Constant 网络在连续时间模型里联合估计显式物理参数与隐变量，为视觉研究者提供了一条不依赖分割掩码或可微渲染、直接从原始视频反演系统物理量的可复用路径。
EMMA：具备全面语义指标与多样类别的概念擦除基准
EMMA: Concept Erasure Benchmark with Comprehensive Semantic Metrics and Diverse Categories
为概念擦除方法提供了一套覆盖隐式提示、视觉相似非目标概念以及性别/族裔偏见的评测协议，做 T2I 安全生成或模型编辑的研究者可直接用其 13 项指标检验方法是否真正从表征中移除概念，而非仅对直接提示失效。
EMGauss：体电子显微镜中基于动态高斯建模的连续切片到三维重建
EMGauss: Continuous Slice-to-3D Reconstruction via Dynamic Gaussian Modeling in Volume Electron Microscopy
把轴向切片序列当作时间维、用 2D 高斯点云随时间的演化来建模各向异性体数据，这一「切片即时序」的建模方式可直接迁移到共聚焦/光片显微、CT 等层析成像的各向异性插值与连续切片合成；教师-学生自举用未观测切片上的高置信预测作伪监督，也是数据稀疏场景下可复用的训练策略。
EMAD：面向阿尔茨海默病的以证据为中心的可定位多模态诊断
EMAD: Evidence-Centric Grounded Multimodal Diagnosis for Alzheimer's Disease
把「句子→证据短语→3D MRI 解剖结构」的分层视觉定位机制与可验证奖励的强化微调结合，可复用于任何需要让生成式报告中的每条结论落到具体图像区域的可解释医学视觉语言任务；GTX-Distill 用弱监督教师向模型自生成报告的学生迁移定位行为，为降低密集标注成本提供了可借鉴范式。
ELiC：基于跨位深特征传播与编码器袋的高效激光雷达几何压缩
ELiC: Efficient LiDAR Geometry Compression via Cross-Bit-depth Feature Propagation and Bag-of-Encoders
提出跨位深特征传播和Bag-of-Encoders选择机制，可复用于其他层次化点云压缩或占用预测任务，提升实时压缩效率。
ELVIS：增强低光照以用于暗光视频实例分割
ELVIS: Enhance Low-Light for Video Instance Segmentation in the Dark
把低光照视频的时空退化建模成可无监督合成的数据管线，再用免标定的退化估计网络加增强解码器检测头把退化从内容特征中解耦，可直接迁移到任何在暗光视频上失效的时序感知模型（VIS、跟踪、光流）做域自适应。
ELV-Halluc：面向视频理解中语义聚合幻觉的基准评测
ELV-Halluc: Benchmarking Semantic Aggregation Hallucinations in Video Understanding
把视频幻觉从「帧级感知错误」重新拆解为「帧级语义聚合为事件级语义时的错误」，并给出可复用的细粒度评测协议与 DPO 缓解方案；做视频 MLLM 时序推理或幻觉评测的工作可直接沿用其 SAH 定义与 8K 对抗视频-文本对数据。
ELITE：通过学习式初始化与测试时生成自适应从单目视频高效构建高斯头部化身
ELITE: Efficient Gaussian Head Avatar from a Monocular Video via Learned Initialization and Test-time Generative Adaptation
用前馈 Mesh2Gaussian 先验模型快速初始化高斯头部化身，再用渲染引导的单步扩散增强器在测试时补全细节，为单目视频化身合成提供了「3D 先验初始化 + 2D 生成微调」的高效范式，可直接迁移到其他可动画高斯化身或人体重建任务。
EI-Part：爆炸以补全，内爆以精修
EI-Part:Explode for Completion and Implode for Refinement
提出 Explode/Implode 双状态表示与自注意力跨部件融合，为部件级 3D 生成提供可复用的分阶段生成框架，可迁移至可控编辑与装配式建模。
EG-3DVG：面向 3D 视觉定位的表达式与几何感知定位解码器
EG-3DVG: Expression and Geometry Aware Grounding Decoder for 3D Visual Grounding
面向 3D 视觉定位的解码器设计：位置引导的表达式交叉注意力把文本线索可靠注入视觉词元，几何感知掩码注意力只聚合几何一致的邻域特征，可直接迁移到任何需要文本-点云对齐的 grounding 或指代分割流程。
EEGiT：让视觉 Transformer 理解脑电信号
EEGiT: Teaching Vision Transformers to Understand the EEG signal
把时序脑电信号重排成类图像 patch 并插值对齐空间拓扑，从而直接复用预训练 ViT 的视觉先验——这套「非图像模态转 patch 后套用 ViT」的流程可迁移到其他低数据模态（如传感器、生理信号）的表征学习与检索。
EE-RL：面向端到端自动驾驶的探索者与专家模型视觉语言引导强化学习
EE-RL: Vision Language Guided Reinforcement Learning with Explorer and Expert model for End-to-End Autonomous Driving
将微调后的视觉语言模型作为稀疏关键场景的推理专家，并用StateHash按RGB相似度与运动学相似度跳过冗余VLM推理，这一「按需调用VLM」的机制可迁移到其他需要昂贵大模型推理的在线决策或感知流程中。
EDGS：消除致密化以实现 3DGS 的高效收敛
EDGS: Eliminating Densification for Efficient Convergence of 3DGS
用稠密图像对应三角化得到的像素点云替代 SfM 稀疏点做 3DGS 初始化，直接省掉 densification 阶段；做 3DGS 加速或高质量重建时，可把这套稠密初始化当作即插即用的起点，与其它加速手段叠加。
E3AD：面向以人为中心的端到端自动驾驶的情感感知视觉-语言-动作模型
E3AD: An Emotion-Aware Vision-Language-Action Model for Human-Centric End-to-End Autonomous Driving
把连续 VAD 情感状态作为条件注入 VLA 驾驶策略，并设计自我中心/异我中心双通路空间融合模块；对做端到端驾驶或指令跟随的研究者，这是一个可复用的「语言意图+情感先验→轨迹」条件化范式与一致性对齐训练流程。
E2EGS：面向无位姿三维重建的事件到边缘高斯泼溅
E2EGS: Event-to-Edge Gaussian Splatting for Pose-Free 3D Reconstruction
把事件流中的边缘结构作为几何先验，替代对已知位姿或预训练深度模型的依赖，实现纯事件输入下的无位姿高斯泼溅重建与轨迹估计；其基于 patch 局部方差的时空一致性去噪提边思路，可直接迁移到事件相机 SLAM、高速运动或弱光场景的视觉里程计前端。
E-comIQ-ZH：面向电商海报细粒度评测的人类对齐数据集与基准（含思维链）
E-comIQ-ZH: A Human-Aligned Dataset and Benchmark for Fine-Grained Evaluation of E-commerce Posters with Chain-of-Thought
为生成图像质量评估提供了一条可复用的路线：用专家校准的 CoT 理由训练专用评测模型，可迁移到其他需要细粒度、可解释打分的生成内容评测场景（如中文文字渲染正确性、版式功能性）。
E-RayZer：自监督三维重建作为空间视觉预训练
E-RayZer: Self-supervised 3D Reconstruction as Spatial Visual Pre-training
将自监督三维重建作为空间视觉预训练任务，直接学习几何感知表征，可替代DINOv3等2D预训练模型用于姿态估计等3D下游任务。
E-3DPSM：用于基于事件的自我中心3D人体姿态估计的状态机
E-3DPSM: A State Machine for Event-based Egocentric 3D Human Pose Estimation
将连续时间状态机与事件流对齐，为事件相机下的单目3D人体姿态估计提供了一种实时、抗自遮挡和时序抖动的建模范式，可迁移到其他事件驱动的连续运动估计任务。
E$^2$-SCI：基于信用惯性的弹性边云推测解码
E$^2$-SCI: Elastic Edge-Cloud Speculative Decoding via Credit Inertia
推测解码的接受率在相邻词元窗口间存在时序一致性（credit inertia），可据此动态调整草稿词元的验证阈值，并以异步流水线隐藏延迟；做视觉语言模型或扩散模型少步采样加速时，可把这一「按历史表现弹性放宽/收紧验证」的思路迁移到多步生成或自回归解码的验证环节。
DynamicsBoost：通过无标注续写偏好优化实现动态合理的视频生成
DynamicsBoost: Dynamic Plausible Video Generation via Annotation-Free Continuation Preference Optimization
用视频续写自动构造偏好对（参考帧越多、生成内容越少、保真度越高），把 DPO 从昂贵的人工/VLM 标注中解放出来；做视频生成偏好对齐或奖励建模的可以直接复用这套数据构造与 Asymmetrical DPO 损失设计。
Dynamics：基于语言从视频推断刚体动力学的表示方法
Dynamics: Language-Based Representation for Inferring Rigid-Body Dynamics From Videos
将语言作为刚体动力学的统一表示，利用光流作为语义无关输入增强泛化，并通过测试时采样和进化搜索提升物理参数推断精度，为视觉物理推理提供了新范式。
面向视觉语言模型的动态感知偏好优化
Dynamics-Aware Preference Optimization for Vision-Language Models
对做 VLM 偏好微调的人，这篇给出了一个可直接套用的两阶段训练配方：先用低权重“温和负样本”做约束 SFT 压平损失面，再按模型平均每 token 对数概率自适应缩放负样本梯度，从而抑制简单负样本带来的无信息梯度；该权重设计可迁移到任意 DPO 类视觉语言对齐流程。
DynamicVGGT：学习动态点图用于自动驾驶中的4D场景重建
DynamicVGGT: Learning Dynamic Point Maps for 4D Scene Reconstruction in Autonomous Driving
将前馈式三维重建模型（VGGT）扩展到动态场景，通过联合预测当前与未来点图并引入运动感知时序注意力与动态高斯泼溅头，为自动驾驶中的4D重建提供了一种无需优化的前馈方案。
DynamicTree：基于稀疏体素谱的交互式真实树木动画
DynamicTree: Interactive Real Tree Animation via Sparse Voxel Spectrum
把 3DGS 重建的静态树用稀疏体素谱表示成可前馈预测的模态运动，再通过绑定高斯球做形变，为 3DGS 资产的动态化与实时外力交互提供了一条可复用的「谱表示 + 网格驱动」路线。
DynamicGTR：利用图拓扑表示偏好提升视觉语言模型在图问答上的能力
DynamicGTR: Leveraging Graph Topology Representation Preferences to Boost VLM Capabilities on Graph QAs
对做 VLM 的人来说，这篇给出了一个可复用的思路：把结构化输入（图）的多种表示形式（图像式、文本式）当作可选择的「模态」，在推理时按查询动态挑选，从而在准确率与输出长度之间做可控权衡；这种「表示选择器 + 零样本迁移」的框架可以迁移到视觉侧的结构化输入（如场景图、流程图、图表）的 VLM 问答上。
Dynamic-eDiTor：基于多模态扩散 Transformer 的免训练文本驱动 4D 场景编辑
Dynamic-eDiTor: Training-Free Text-Driven 4D Scene Editing with Multimodal Diffusion Transformer
把 MM-DiT 的注意力改造成时空子网格注意力并配合词元继承与光流引导的词元替换，可在不训练的情况下把 2D 编辑能力迁移到多视角视频，直接优化已有 4DGS；这套「免训练 + 词元传播」思路可复用到任何需要跨视角/跨帧一致性的扩散编辑任务。
基于脉冲神经元的动态场景动静分解新视角合成
Dynamic-Static Decomposition for Novel View Synthesis of Dynamic Scenes with Spiking Neurons
用脉冲神经元构建时空细粒度掩码场与不连续动静标签场，替代不准确的掩码先验来分配动态/静态高斯基元，可直接迁移到任何基于高斯泼溅的动态场景重建管线中以改善运动边界与侧视角渲染。
使用通用三维先验的动态视觉SLAM
Dynamic Visual SLAM using a General 3D Prior
把前馈重建模型的深度预测与 patch-based 在线 bundle adjustment 对齐，用其尺度消歧能力解决动态场景下单目 SLAM 的位姿漂移，可作为动态环境下 SLAM 前端过滤与深度先验融合的可复用范式。
动态词元重加权：面向鲁棒视觉语言模型
Dynamic Token Reweighting for Robust Vision-Language Models
对做视觉语言模型安全的研究者，这篇给出了一个无需额外训练、不改图像输入的推理时防御手段：通过优化 KV 缓存动态调整视觉词元权重，可直接插到现有 VLM 的推理流程里，用来抵御对抗性视觉输入，同时保持正常任务性能。
面向可变形医学图像配准中组合爆炸问题的动态流网络
Dynamic Stream Network for Combinatorial Explosion Problem in Deformable Medical Image Registration
把「双输入特征组合爆炸」显式建模为问题，并用动态感受野（AdSB）与动态权重注意力（DySA）筛选相关特征组合，这一思路可迁移到光流、立体匹配、多帧融合等任何双/多输入密集预测任务的特征交互设计上。
在线梯度学习中的动态动量重校准
Dynamic Momentum Recalibration in Online Gradient Learning
SGDF 把梯度动量重解释为信号处理中的最优线性滤波，在线计算时变增益来平衡噪声抑制与信号保留；做视觉模型训练时可直接替换 SGD/Adam 类优化器，尤其适合梯度噪声大的小 batch 或高方差任务。
Dynamic Magic：释放受限知识以实现终身行人重识别
Dynamic Magic: Unleashing Restricted Knowledge for Lifelong Person Re-Identification
把大预训练模型与动态扩展的模块化适配器结合，用域感知调度和相似度引导的自动选择器在推理时路由输入，为视觉里「持续学习新域又不遗忘旧域」提供了一套可复用的参数隔离+共享适配器协作框架。
面向视觉语言模型测试时自适应的动态 Logits 调整与探索
Dynamic Logits Adjustment and Exploration for Test-Time Adaptation in Vision Language Models
针对 VLM 测试时自适应中熵过滤只取高置信样本、继承类别偏置的问题，提出用测试预测统计动态校准 logits，并用一致性引导的探索缓存主动纳入决策边界附近样本；这套「logit 校准 + 边界探索缓存」可直接迁移到 CLIP 类模型的在线部署与分布偏移场景。
基于最优教师池的动态标签噪声抑制用于面部表情识别
Dynamic Label Noise Suppression with Optimal Teacher Pool for Facial Expression Recognition
针对表情识别中标签歧义导致的噪声标签问题，提出动态维护多个最优教师模型并融合其预测的教师池机制，配合基于预测-标签相似度的自适应标签平滑与基于质心置信度的 logits 加权，可直接迁移到其他人脸/人体属性识别任务的噪声标签训练中。
面向强化微调的动态重要样本挖掘
Dynamic Important Example Mining for Reinforcement Finetuning
对做视觉推理模型（如多模态大模型、视觉问答）的研究者，DIEM 提供了一种在 RFT 阶段按梯度对齐动态估计样本边际贡献并做约束式批重加权的通用手段，可直接迁移到视觉推理数据的采样与课程设计上。
动态曝光连拍图像复原
Dynamic Exposure Burst Image Restoration
将曝光时间作为可学习变量，通过BAENet根据预览图预测最优曝光，并配合可微分burst模拟器实现端到端训练，为低层视觉任务中传感器参数与算法联合优化提供了新思路。
基于物理信息神经场的动态黑洞发射断层成像
Dynamic Black-hole Emission Tomography with Physics-informed Neural Fields
将可微分神经渲染与物理约束（速度场作为发射率动力学的软约束）结合，用于从稀疏单视角测量中重建动态 3D 场，这种联合优化 4D 发射率与 3D 速度场的思路可迁移到其他病态动态重建问题（如流体、动态 NeRF）。
DynFusion：重新思考自适应多条件文本到图像生成中的条件融合
DynFusion: Rethinking Condition Fusion for Adaptive Multi-Conditional Text-to-Image Generation
提出一种数据驱动的自适应条件融合机制，根据扩散时间步、任务特性和特征注入位置动态选择并融合多个异构条件（如深度、边缘、参考图），可解决多条件控制中的冲突与计算冗余问题，为可控生成提供可复用的融合模块。
DynBridge：通过交互动力学桥接想象与控制以实现机器人操作
DynBridge: Bridging Imagination and Control through Interaction Dynamics for Robot Manipulation
把「动作—环境」的双向耦合显式建模为交互动力学表示，并用它桥接未来视觉想象与可执行动作预测；对做视觉-动作联合建模、视觉预测驱动策略的研究者，这是一个可复用的共享动力学表征与动作条件聚合思路。
DyaDiT：面向社交友好双人手势生成的多模态扩散 Transformer
DyaDiT: A Multi-Modal Diffusion Transformer for Socially Favorable Dyadic Gesture Generation
把扩散 Transformer 用于双人对话场景的联合运动生成，通过融合双方音频与可选的社会语境 token、并允许以对话伙伴的手势作为条件，为多人交互式人体动作生成提供了可复用的条件融合与响应式建模思路。
DyFCLT：面向多模态小目标检测的动态频率解耦跨模态学习 Transformer
DyFCLT: Dynamic Frequency-Decoupled Cross-Modal Learning Transformer for Multimodal Tiny Object Detection
把频域子带解耦后做跨模态注意力，为 RGBT 小目标检测提供了一条可复用的思路：按频率成分而非空间位置对齐模态，可直接迁移到其他多模态密集预测任务。
DuoMo：用于世界空间人体重建的双运动扩散模型
DuoMo: Dual Motion Diffusion for World-Space Human Reconstruction
把世界坐标运动重建拆成相机空间估计+世界空间精修两个扩散模型，并直接生成网格顶点而非参数化人体模型，这套「先局部估计再全局精修」的因子化思路可迁移到其他需要全局一致性的视频到3D任务（如场景级SLAM式重建、多人交互重建）。
DuoGen：迈向自主交错多模态生成
DuoGen: Towards Autonomous Interleaved Multimodal Generation
用预训练 MLLM 做视觉理解、用视频预训练 DiT 做图像生成，再以两阶段解耦对齐把两者拼成交错图文生成器，为视觉研究者提供了免单模态预训练即可搭建统一生成模型的可行路径，以及交错图文评测基准。
DuetSVG：基于内部视觉引导的统一多模态SVG生成
DuetSVG: Unified Multimodal SVG Generation with Internal Visual Guidance
将视觉预测作为解码时的内部引导信号，并配合测试时缩放策略，可迁移到其他需要结构化输出的多模态生成任务（如代码生成、布局生成）中，提升生成结果的几何一致性与视觉合理性。
DuetMerging：协同动态与静态策略以缓解模型合并中的任务干扰
DuetMerging: Synergizing Dynamic and Static Strategies for Mitigating Task Interference in Model Merging
对需要把多个视觉专家模型（如不同域/任务的检测、分割模型）合并成单一多任务网络的研究者，提供了一套可复用的合并流程：先用 Tucker 分解在共享核心张量上构建统一专家池，再用任务特定神经元激活模式生成掩码保留残差关键信息，可直接替换 TIES/DARE 等任务向量合并步骤。
Duala：面向跨被试fMRI解码的主体与刺激双层对齐
Duala: Dual-Level Alignment of Subjects and Stimuli for Cross-Subject fMRI Decoding
提出刺激级语义对齐与关系一致性约束，以及基于分布的特征扰动机制，可迁移到其他跨域/跨被试的视觉表征对齐任务，如跨摄像头行人重识别中的域适应。
DualSplat：通过重建失败伪掩码自举的鲁棒三维高斯泼溅
DualSplat: Robust 3D Gaussian Splatting via Pseudo-Mask Bootstrapping from Reconstruction Failures
将首轮重建失败转化为显式先验，利用光度残差、特征不匹配和 SAM2 实例边界生成伪掩码，再引导第二轮干净重建，为处理训练图像中瞬态干扰提供可复用思路。
DualReg：面向刚性配准的双空间过滤与强化
DualReg: Dual-Space Filtering and Reinforcement for Rigid Registration
用轻量单点 RANSAC 先过滤特征对应、再以过滤后的对应为锚框提取几何代理做局部精配准，这套「特征粗配 + 几何精修」的双空间流程可直接迁移到点云配准与 SLAM 前端，兼顾大变换鲁棒性与实时性。
DualPrim：基于正负基元的紧凑三维重建
DualPrim: Compact 3D Reconstruction with Positive and Negative Primitives
用正/负超二次曲面基元作为显式几何表示，配合可微渲染从多视图图像联合优化，为视觉研究者提供了一条绕开 SDF/网格、直接得到紧凑且拓扑灵活网格的重建路线，可复用于物体级重建与可解释几何建模。
DualMirage：利用轮廓与对抗错觉的 CAPTCHA 猎捕隐蔽多模态大语言模型智能体
DualMirage: Hunting Stealthy Multimodal LLM Agents via CAPTCHAs with Contour and Adversarial Illusions
利用人类与机器感知差异设计 CAPTCHA，通过轮廓错觉和对抗扰动探测 MLLM 智能体，为视觉对抗攻击与多模态安全评估提供新思路。
双层适配器提升无提示曲线结构分割
Dual-level Adapter Boosting Prompt-free Curvilinear Structure Segmentation
在冻结的 SAM 上插入块内与块间双层适配器，实现无提示、仅需 18 张标注图像的跨域曲线结构分割，可直接迁移到医学/遥感细长目标（血管、道路、纤维）的少样本分割场景。
面向多目标跟踪的双层适应：从经验与直觉构建测试时校准
Dual-level Adaptation for Multi-Object Tracking: Building Test-Time Calibration from Experience and Intuition
把 TTA 从逐帧适应扩展到跨帧、跨视频的时序与身份关联层面：用瞬时记忆做快速关联预测，再用历史测试视频积累的经验对预测做再校准，可直接迁移到任何在线跟踪器（如 ByteTrack、BoT-SORT）的推理阶段以缓解外观/运动/类别分布漂移。
面向高效非对称无人机跟踪的双分支蒸馏 Transformer
Dual-branch Distilled Transformer for Efficient Asymmetric UAV Tracking
面向视觉跟踪的教师引导双分支蒸馏方案（特征级+预测级+目标感知细粒度蒸馏）可直接迁移到任意轻量骨干的跟踪器或检测器上，用于在压缩骨干的同时保住目标表征与定位精度；推理期时序自适应模块也提供了一个低开销提升时序鲁棒性的可复用插件。
双原型引导的多任务学习用于无监督异常检测与分类
Dual-Prototype-Guided Multi-task Learning for Unsupervised Anomaly Detection and Classification
对做工业/医学异常检测的人，这篇提供了用正常原型与类别原型做显式特征解耦、并用差分门控交互与几何正则缓解多任务梯度冲突的框架，可直接迁移到需要同时定位异常区域并判别异常类型的视觉检测系统。
面向全切片图像分类中特征稀缺问题的双层超图生成方法
Dual-Level Hypergraph Generation for Addressing Feature Scarcity in Whole-Slide Image Classification
针对全切片图像中少数类特征稀缺问题，提出超图层级的提示引导分层超图变分自编码器生成拓扑一致的超图表示，以及超节点层级的锚框扩散 mixup 增强高注意力锚节点特征，可迁移到其他存在类内/类间稀缺的病理或细粒度分类任务。
基于双层级置信度的医学视觉问答隐式自精炼
Dual-Level Confidence based Implicit Self-Refinement for Medical Visual Question Answering
提出双层级置信度（损失级与特征级）自适应融合为样本级权重，用于伪监督自训练，可迁移到其他视觉语言模型在分布偏移下的测试时自适应或半监督微调。
面向高效视频生成的双粒度记忆
Dual-Granularity Memory for Efficient Video Generation
针对循环式视频生成模型的分块处理导致时序不连续问题，提出上下文记忆（sink 列+边界缓冲）与潜变量记忆（跨段检索历史 latent）两种机制，可直接迁移到任何 chunked 自回归/循环视频生成器以提升长程一致性，且无需相机标注或帧重建。
Dual-Estimator：解耦全局与局部语义漂移以补偿类增量学习中的漂移
Dual-Estimator: Decoupling Global and Local Semantic Shift for Drift Compensation in Class-Incremental Learning
对做类增量视觉分类的人，这篇给出了一个可直接插拔的漂移补偿模块：用混合专家估计器建模任务内非均匀语义分布、用低秩估计器捕捉任务间非均匀漂移，且以解析解在少数 epoch 内更新，可挂到现有 exemplar-free 方法上缓解旧类表征失活。
面向自适应与成本感知视觉惯性里程计的双智能体强化学习
Dual-Agent Reinforcement Learning for Adaptive and Cost-Aware Visual-Inertial Odometry
用轻量强化学习智能体动态决定视觉前端是否运行以及融合权重，为资源受限平台上的视觉惯性里程计提供了一种可复用的计算调度思路。
用于引导深度图超分辨率的双图正则化深度展开网络
Dual Graph Regularized Deep Unfolding Network for Guided Depth Map Super-resolution
把图优化展开成可解释的多阶段网络，并用行列分离的双图拉普拉斯先验把复杂度从 O(H^3W^3) 降到 O(H^3+W^3)，这套「先验建模+展开求解」的范式可直接迁移到其他需要结构保持的复原任务（如引导滤波式上采样、联合滤波）。
双波段热视频成像：在近环境条件下分离时变反射与发射
Dual Band Thermal Videography: Separating Time-Varying Reflection and Emission Near Ambient Conditions
把「反射-发射分离」建模成带物理约束的逐像素本征分解，并用「物体辐射缓变、背景辐射快变」的时序先验补足多波段下的欠定性——这套思路可直接迁移到可见光下的反射去除、镜面/玻璃场景重建与动态背景分离。
面向逆问题的对偶上升扩散方法
Dual Ascent Diffusion for Inverse Problems
把扩散模型先验下的 MAP 逆问题求解重构成对偶上升优化，可直接替换图像复原（去噪、去模糊、超分、修复）中常用的近似后验采样，在高噪声测量下更稳、更快、更贴合观测。
为稀疏视角高斯泼溅丢弃锚点与球谐函数
Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
针对稀疏视角 3DGS 过拟合，提出以锚点为中心连带删除空间邻居的 dropout，并随机丢弃高阶球谐系数；该策略可直接插入现有 3DGS 变体作为正则化手段，且 SH 截断可用于训练后压缩。
行驶在寄存器之上
Driving on Registers
用相机感知的 register 词元把多相机 ViT 特征压成紧凑场景表示，再驱动轻量解码器生成并打分候选轨迹；这套「词元压缩 + 可解释子分数评分」的范式可直接迁移到其他需要多视角融合与实时推理的视觉任务。
DriverGaze360：面向目标级引导的全向驾驶员注意力
DriverGaze360: OmniDirectional Driver Attention with Object-Level Guidance
把驾驶员注意力预测从窄前视扩展到360°全景输入，并用辅助语义分割头把注意力图与所注视目标绑定；做车载感知或多任务注意力建模的可以借鉴这种「注意力图+目标级监督」的联合学习范式，以及其全景数据采集与标注流程。
DriveVLN：面向自动驾驶的无地图视觉语言导航
DriveVLN: Towards Mapless Vision-and-Language Navigation in Autonomous Driving
将视觉语言导航（VLN）从室内逐步指令扩展到自动驾驶的无地图点对点导航，提出基于自然语言描述和视觉线索（路标、地标、文字指示）的导航任务，并构建CARLA仿真引擎支持大规模训练与闭环评测，为语言驱动的自动驾驶提供新基准。
DrivePTS：一种渐进学习框架，结合文本与结构增强用于驾驶场景生成
DrivePTS: A Progressive Learning Framework with Textual and Structural Enhancement for Driving Scene Generation
提出渐进学习策略与互信息约束解耦几何条件，并利用视觉语言模型生成多视角分层描述作为细粒度文本引导，结合频域结构损失增强前景细节，可迁移至其他条件生成任务。
DrivePI：面向统一自动驾驶理解、感知、预测与规划的空间感知 4D 多模态大语言模型
DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning
DrivePI 将点云、多视角图像与语言指令统一到单个 MLLM 中，并行输出 3D 占用、占用流与规划动作，为视觉研究者提供了一个可复用的端到端 4D 空间理解与预测框架，尤其适合探索小参数量 MLLM 在自动驾驶感知-预测-规划联合建模中的潜力。
DriveMoE：面向端到端自动驾驶视觉-语言-动作模型的混合专家方法
DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving
DriveMoE 将 MoE 引入端到端自动驾驶的 VLA 框架，其视觉 MoE 通过路由器自适应选择相关相机视角，动作 MoE 通过路由器激活驾驶行为专家，这种按需激活专家的思路可复用于多视角感知与多模态动作生成任务，缓解模式平均问题。
DriveLaW：在潜空间驾驶世界中统一规划与视频生成
DriveLaW: Unifying Planning and Video Generation in a Latent Driving World
把视频生成器的潜变量直接接入扩散规划器，让未来预测与轨迹规划共享同一表征，为自动驾驶端到端规划提供了一种「生成即规划」的可复用范式；其潜变量注入与三阶段渐进训练策略也可迁移到其他需要预测-决策耦合的视觉任务。
DriveCombo：自动驾驶中组合式交通规则推理的基准评测
DriveCombo: Benchmarking Compositional Traffic Rule Reasoning in Autonomous Driving
为视觉语言模型在自动驾驶中的规则理解提供了分层认知评测协议与 Rule2Scene 规则到场景的生成管线，可直接用于诊断 MLLM 在多规则冲突下的推理失效，并作为微调数据来源提升下游规划。
走我的路：面向个性化驾驶的视觉-语言-动作模型偏好对齐
Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving
把驾驶风格编码为用户嵌入并作为规划策略的条件输入，再叠加自然语言指令做短期引导，为端到端驾驶中「个性化/风格可控」提供了一条可复用的条件化 VLA 思路；其个性化驾驶数据集与 Bench2Drive 闭环评测协议也可直接用于评估风格适配能力。
面向视觉跟踪的抗漂移时序先验
Drift-Resilient Temporal Priors for Visual Tracking
DTPTrack 提供了一种即插即用的时序可靠性校准与动态先验合成机制，可集成到现有跟踪器中抑制漂移，其 TRC 和 TGS 模块的设计思路可迁移到其他需要聚合历史帧信息的视频任务。
DreamingComics：基于视频模型的主体与布局定制化故事可视化流程
DreamingComics: A Story Visualization Pipeline via Subject and Layout Customized Generation using Video Models
RegionalRoPE 按目标布局对 token 位置索引重编码，配合 masked condition loss 把主体特征约束到指定区域，这套「区域感知位置编码 + 掩码条件损失」可直接迁移到任何基于 DiT 的布局可控图像/视频生成任务。
DreamStyle：视频风格化的统一框架
DreamStyle: A Unified Framework for Video Stylization
DreamStyle 将文本、风格图像和风格化首帧三种条件统一到基于 I2V 扩散模型的 LoRA 微调框架中，其 token 特定的 up 矩阵设计可缓解多条件 token 混淆，为多模态条件控制生成提供了可复用的参数高效适配思路。
DreamStereo：面向高清视频的实时立体修复
DreamStereo: Towards Real-Time Stereo Inpainting for HD Videos
Sparsity-Aware Stereo Inpainting 通过稀疏 token 选择把扩散推理的冗余计算削减 70% 以上，这一思路可直接迁移到任何只需局部修改的扩散式图像/视频编辑任务；Parallax-Based Dual Projection 则提供了一种无需真实立体视频即可合成几何一致训练对的构造方式。
DreamShot：基于视频扩散先验的个性化故事板合成
DreamShot: Personalized Storyboard Synthesis with Video Diffusion Prior
利用视频扩散先验进行多镜头故事板合成，通过多参考角色条件模块和角色注意力一致性损失显式约束参考与生成角色间的注意力，为可控视频生成中的角色一致性提供可复用技术。
DreamSR：基于感受野增强扩散 Transformer 的超高分辨率图像超分辨率
DreamSR: Towards Ultra-High-Resolution Image Super-Resolution via a Receptive-Field Enhanced Diffusion Transformer
针对大分辨率图像分块推理时全局提示词与局部图像块语义错位导致的过度生成问题，提出双分支 MM-ControlNet：用图像块级提示词生成局部文本特征、用全局提示词提供全局文本特征，并配合感受野增强训练策略；这套「全局-局部提示词对齐 + 感受野增强」思路可直接迁移到其他基于扩散模型的大图分块生成任务（如修复、编辑）。
DreamSAC：通过对称性探索学习哈密顿世界模型
DreamSAC: Learning Hamiltonian World Models via Symmetry Exploration
用自监督对比目标从视角相关的原始像素中提取不变物理状态，可作为视觉表征学习的一种思路：把守恒律/对称性作为监督信号，提升模型对未见物理属性的外推能力。
DreamOmni2：多模态指令驱动的生成与编辑
DreamOmni2: Multimodal Instruction-based Generation and Editing
提出多模态指令（文本+图像）编辑与生成任务，并设计索引编码与位置编码偏移方案处理多图输入，可复用于需要融合多张参考图的生成/编辑模型；数据合成管线（特征混合+提取模型）为构建此类训练数据提供可借鉴流程。
Drainage：一个应对类别不确定性的统一框架
Drainage: A Unifying Framework for Addressing Class Uncertainty
在分类网络输出端加一个可微的 drainage 节点，把概率质量重新分配给不确定性，为噪声标签、实例相关/非对称噪声和 OOD 样本提供统一的拒识出口；做噪声标签或开集识别时可直接替换 softmax 头，并顺带获得数据集清洗能力。
Dr.Occ：面向自动驾驶的深度与区域引导环视相机三维占用预测
Dr.Occ: Depth- and Region-Guided 3D Occupancy from Surround-View Cameras for Autonomous Driving
用 MoGe-2 的稠密深度先验监督 2D-to-3D 视角变换，可缓解纯视觉 BEV/占用方法中体素特征与几何错位的问题；区域引导的 MoE 专家分配则为处理空间类别不平衡提供了可复用的思路。
Dr. Seg：通过面向感知的设计重新审视视觉大语言模型的 GRPO 训练
Dr. Seg: Revisiting GRPO Training for Visual Large Language Models through Perception-Oriented Design
针对视觉感知任务（如推理分割）重新设计 GRPO 训练框架，提出 Look-to-Confirm 机制和 Distribution-Ranked Reward 模块，无需修改模型架构即可提升 VLLM 在复杂视觉场景下的感知性能，为将强化学习应用于视觉任务提供了可复用的训练策略。
智能降尺度：探究小型多模态模型中的感知与推理瓶颈
Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models
论文把多模态小模型的性能下降拆解为感知瓶颈与推理瓶颈，并提出 visual extraction tuning：先显式训练模型抽取与指令相关的视觉细节，再做分步推理。做 VLM 压缩、蒸馏或小模型部署的研究者可直接复用这一「先抽取视觉细节、再推理」的两阶段范式，并借用其感知/推理解耦的评测思路定位自身模型的失效环节。
不要展示像素，展示线索：通过感知程序解锁语言模型中的视觉工具推理
Don't Show Pixels, Show Cues: Unlocking Visual Tool Reasoning in Language Models via Perception Programs
提出将视觉工具输出（如深度、光流、对应关系）重写为紧凑、结构化的语言原生摘要，使多模态大模型能直接解析和推理，从而在BLINK等感知任务上大幅提升性能，为视觉-语言模型中的工具使用提供了免训练、模型无关的新范式。
域偏斜联邦学习中的特征解耦与校准
Domain-Skewed Federated Learning with Feature Decoupling and Calibration
把特征单元按域鲁棒性拆成域鲁棒/域相关两部分再校准，这套「解耦+校准」思路可直接迁移到视觉里的跨域表征学习与测试时域适应，用来防止表征坍缩到低维子空间。
基于 Fisher 信息剪枝的领域敏感联邦学习
Domain Sensitive Federated Learning with Fisher-Informed Pruning
把 Fisher 信息当作逐域通道重要性信号，在联邦场景下生成共享剪枝掩码并按域重激活通道，可迁移到视觉模型的多域个性化压缩与结构对齐；结构对比损失利用域原型增强域内一致性与域间可分性，对多域视觉表征学习有直接参考价值。
YOLO 真的需要在每个 epoch 看到每一张训练图像吗？
Does YOLO Really Need to See Every Training Image in Every Epoch?
AFSS 把「每张图的学习充分度」定义为检测召回率与精确率的最小值，并据此动态划分易/中/难样本、按连续复习方式稀疏重采样，可直接迁移到任意检测器或分割模型的训练循环中，作为降低每轮数据量、加速收敛的通用数据调度手段。
DocSeeker：面向长文档理解的结构化视觉推理与证据定位
DocSeeker: Structured Visual Reasoning with Evidence Grounding for Long Document Understanding
针对长文档理解中低信噪比和监督稀缺问题，提出结构化视觉推理流程与证据感知的强化学习优化方法，可复用于需要定位关键视觉证据的多模态任务。
DocPrune：通过背景、问题和理解感知的词元剪枝实现高效文档问答
DocPrune: Efficient Document Question Answering via Background, Question, and Comprehension-aware Token Pruning
针对文档图像中背景冗余和证据稀疏的特点，提出免训练的词元剪枝方法，可复用于其他视觉语言模型的长文档理解任务，提升推理效率。
你看到我指向哪里了吗？基于手势的第一人称视频问答
Do You See What I Am Pointing At? Gesture-Based Egocentric Video Question Answering
将3D手部关键点编码为离散token并与视频帧交错输入MLLM，为第一人称视频中的指向意图理解提供了可复用的空间-时序上下文注入方式；同时发布的EgoPointVQA数据集可用于评测模型的手势定位与指代推理能力。
你会即兴吗？通过音频控制的富有表现力的人形机器人运动
Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control
把音频当作隐式风格信号、跳过显式动作重建直接生成可执行的人形运动，这种「内容+风格」解耦的音频到运动扩散策略可迁移到视觉侧的音频驱动人体动作生成与动作重定向任务，避免级联误差与高延迟。
视觉语言模型达标了吗？用 MeasureBench 对视觉测量读数进行基准评测
Do Vision-Language Models Measure Up? Benchmarking Visual Measurement Reading with MeasureBench
提供了一个可程序化合成仪表图像（指针、刻度、字体、光照、杂乱可控）的流水线，以及一个诊断 VLM 细粒度空间定位能力的基准；做 VLM 数值感知或空间 grounding 的研究可直接用它构造训练/评测数据，并验证 RFT 在合成数据上的迁移效果。
视觉语言模型会泄露所学内容吗？自适应词元加权模型反演攻击
Do Vision-Language Models Leak What They Learn? Adaptive Token-Weighted Model Inversion Attacks
提出基于词元梯度加权的模型反演攻击方法 SMI-AW，可复用于评估视觉语言模型在训练数据隐私泄露方面的脆弱性，为隐私保护防御提供攻击基准。
VLM 是感知还是回忆？用经典视觉错觉探测视觉感知与记忆
Do VLMs Perceive or Recall? Probing Visual Perception vs. Memory with Classic Visual Illusions
提出 VI-Probe 框架，通过分级扰动和匹配视觉控制（无错觉诱导）来分离视觉感知与语言记忆，并引入极性翻转一致性、模板固定指数和错觉乘数等指标，为评估 VLM 的视觉感知敏感性提供了可复用的探测方法。
少做多得：扩散模型强化学习微调需要每一步优化吗？
Do Less, Achieve More: Do We Need Every-Step Optimization for RL Fine-tuning of Diffusion Models?
提出一种自适应确定RL微调最佳时间窗口的插件方法，可减少计算成本并提升生成质量，为扩散模型RL微调提供高效策略。
先分流，再定位：面向长视频理解的按查询类型自适应帧选择
Divide, then Ground: Adapting Frame Selection to Query Types for Long-Form Video Understanding
提出按查询类型（全局/局部）分流的免训练帧选择策略：全局查询用均匀采样、局部查询才启用查询感知检索，可直接嵌入现有 LMM 长视频推理管线，在 256 帧输入下仍稳定提升，为长视频 token 预算分配提供可复用思路。
分而治之与聚合：用于类别不平衡半监督医学图像分割的非对称专家
Divide, Conquer, and Aggregate: Asymmetric Experts for Class-Imbalanced Semi-Supervised Medical Image Segmentation
针对类别不平衡的半监督医学图像分割，提出非对称专家解码器与动态特征聚合模块，可复用于多器官分割中的尾类提升与伪标签质量优化。
多样性优于一致性：重新思考生成图像检测中的表征
Diversity over Uniformity: Rethinking Representation in Generated Image Detection
提出反特征坍缩学习框架，通过过滤任务无关成分并抑制伪造线索在表征空间中的过度重叠，保持多样化的判断视角，从而提升生成图像检测模型对未见生成机制的泛化能力。
DiverseGRPO：通过多样性感知GRPO缓解图像生成中的模式坍缩
DiverseGRPO: Mitigating Mode Collapse in Image Generation via Diversity-Aware GRPO
针对GRPO微调扩散模型时出现的模式坍缩问题，提出基于语义聚类的分布级奖励和结构感知正则化，可直接用于提升文生图模型的输出多样性，同时保持生成质量。
DiverseDiT：面向扩散 Transformer 中多样化表征学习
DiverseDiT: Towards Diverse Representation Learning in Diffusion Transformers
对做 DiT 图像生成的人，这篇给出了一个可直接插入任意 DiT 主干的正则手段：跨块长残差连接 + 表征多样性损失，用来替代或补充 REPA 式外部编码器对齐，并报告了收敛加速与一步生成下的收益。
基于行列式点过程引导策略优化的多样化视频生成
Diverse Video Generation with Determinantal Point Process-Guided Policy Optimization
把「一组采样的多样性」写成集合级奖励，用 DPP 对冗余样本施加递减收益、用 GRPO 做组内相对反馈，可直接套到任意 T2V/图像扩散模型的微调阶段，解决同一提示词多次采样结果雷同的问题。
面向鲁棒目标检测的分布对齐多模态融合
Distribution-Aligned Multimodal Fusion for Robust Object Detection
冻结预训练检测器、只训练轻量融合模块，并把融合特征对齐到检测器最优工作的预训练分布，这一思路可直接迁移到任何多模态或跨域检测的适配场景，避免针对训练退化过拟合。
极低码率下基于多模态侧信息的分布式图像压缩
Distributed Image Compression with Multimodal Side Information at Extremely Low Bitrates
将文本侧信息作为条件注入扩散解码器，并用多模态细粒度对齐任务监督特征掩码生成，为极低码率下的图像压缩与复原提供了可复用的多模态条件控制思路。
从3D高斯泼溅中蒸馏无符号距离函数用于表面重建
Distilling Unsigned Distance Function for Surface Reconstruction from 3D Gaussian Splatting
将基于合成代数曲面训练的 patch 级 UDF 先验蒸馏到 3D 高斯优化中，为开放表面重建提供近表面监督，可复用于其他隐式场与显式表示结合的几何学习任务。
蒸馏拟共形映射：一种可泛化且高效的广角校正方案
Distilling Quasi-Conformal Mapping: A Generalizable and Efficient Solution for Wide-Angle Correction
把拟共形映射的几何先验（Beltrami 能量 + 线结构/人体区域约束）做成无需标注的教师流程来生成校正光流标签，再用 Mamba 骨干 + soft-argmin 头蒸馏成单次前向的校正网络，可直接迁移到鱼眼/广角镜头畸变校正与光流式几何变换学习。
从有偏教师中蒸馏平衡知识
Distilling Balanced Knowledge from a Biased Teacher
把蒸馏目标拆成跨组损失与组内损失，并分别做组级校准与重加权，可直接用于任何长尾视觉分类任务中从有偏教师迁移平衡知识，也可迁移到检测/分割的长尾蒸馏。
解耦再耦合：解决主体驱动文生图生成中的相似性-可控性悖论
Disentangling to Re-couple: Resolving the Similarity-Controllability Paradox in Subject-Driven Text-to-Image Generation
把主体身份与修改指令在提示词层面解耦（实体词指代主体、代词指代修改对象），再用专门设计的奖励信号配合强化学习重新耦合，这套「先解耦再耦合」的流程可直接迁移到任何需要同时保真与可控的个性化生成/编辑管线中。
基于跨域流形共识的解耦式图像去雾
Disentanglement-wise Image Dehazing through Cross-Domain Manifold Consensus
提出跨域不变流形（CIM）对齐多域特征，并用共识密度驱动的对比学习优化，可复用于其他跨域底层视觉任务（如去雨、去噪）以消除域偏差；物理引导的HSV分解网络为颜色保真提供了解耦思路。
面向扩散图像超分辨率的解耦文本先验
Disentangled Textual Priors for Diffusion-based Image Super-Resolution
把文本先验按空间层级（全局/局部）与频率语义（低频/高频）解耦，并通过专用交叉注意力模块分阶段注入扩散采样过程，这一「解耦先验 + 频率感知负提示」的注入范式可直接迁移到其他条件扩散复原任务（去噪、去模糊、修复）以提升语义可控性。
解耦后对齐：基于跨尺度特征解耦的非迭代混合多模态图像配准
Disentangle-then-Align: Non-Iterative Hybrid Multimodal Image Registration via Cross-Scale Feature Disentanglement
提出跨尺度解耦与自适应投影模块（CDAP）抑制模态私有线索，结合混合参数预测模块（HPPM）实现非迭代的全局刚性参数与形变场联合估计，为多模态配准提供可复用的解耦-对齐框架。
通过锚定描述实现判别性感知以用于推理分割
Discriminative Perception via Anchored Description for Reasoning Segmentation
用描述性 caption 与上下文做语义对比来构造判别性奖励，可作为一种可复用的 RL 奖励设计思路，用于任何需要模型聚焦目标区域的 grounding/分割任务，同时产出与分割对齐的可解释理由。
发现自适应任务依赖以实现高效多任务表征压缩
Discovering Adaptive Task Dependencies for Efficient Multi-Task Representation Compression
对做多任务视觉表征学习的人，这篇给出了用可学习相关矩阵推断任务间可预测性、再按动态 DAG 条件编码来去除任务间冗余的思路，可迁移到多任务特征存储与传输、以及多任务模型的特征共享结构设计上。
发现、分割与选择：面向零样本伪装物体分割的渐进式机制
Discover, Segment, and Select: A Progressive Mechanism for Zero-shot Camouflaged Object Segmentation
把「发现-分割」两阶段换成「发现-分割-选择」三阶段：用视觉特征而非 MLLM 生成候选，再用 MLLM 做语义打分选掩码，这一「候选生成与语义筛选解耦」的思路可直接迁移到开放词表分割、指代分割等需要从多候选中挑最优掩码的任务。
Disco-GS：动态彩色光照下的高斯泼溅
Disco-GS: Gaussian Splatting in Dynamic Color Lighting
针对动态彩色光照下的3D重建，提出自监督估计逐像素瞬态光照的方法，可复用于任何需要从变化光照视频中分离本征外观与光照的GS或NeRF管线。
DisCa：面向视频扩散 Transformer 的蒸馏兼容可学习特征缓存加速
DisCa: Accelerating Video Diffusion Transformers with Distillation-Compatible Learnable Feature Caching
用轻量可学习神经预测器替代无训练启发式特征缓存，并与步数蒸馏联合优化，可直接迁移到任意视频扩散 Transformer 的少步推理管线中以降低采样开销。
方向感知的 3D 大型多模态模型
Direction-aware 3D Large Multimodal Models
PoseRecover 用 RGB-D 视频外参、物体视锥求交与 Z-buffer 可见性检查自动为点云基准补全自我位姿，PoseAlign 则直接变换点云坐标使其与位姿对齐——这套「把位姿注入数据而非提示词或投影层」的做法，可复用于任何需要空间/方向推理的 3D 视觉-语言任务。
DirectFisheye-GS：通过跨视角联合优化在高斯泼溅中实现原生鱼眼输入
DirectFisheye-GS: Enabling Native Fisheye Input in Gaussian Splatting with Cross-View Joint Optimization
将鱼眼相机模型直接集成进 3DGS 光栅化流程，避免去畸变预处理带来的信息损失与过拟合；其基于特征重叠的跨视角联合优化策略可迁移到现有针孔相机 3DGS 管线，用于抑制边缘浮空伪影。
面向免训练开放词表语义分割的免 logits 优化直接分割方法
Direct Segmentation without Logits Optimization for Training-Free Open-Vocabulary Semantic Segmentation
把视觉-语言 logits 与真值的分布差异直接取解析解当作语义图，省掉迭代训练和模型特定的注意力调制，可直接套用到任意 CLIP 类骨干的免训练开放词表分割流程中。
DiffusionHarmonizer：以在线扩散增强器连接神经重建与照片级真实感仿真
DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer
把预训练多步图像扩散模型蒸馏成单步、时序条件化的在线增强器，可直接套在 NeRF/3DGS 渲染结果之后做后处理，为神经重建的新视角伪影与插入物体光照不匹配提供可复用的实时修复方案。
DiffusionFF：基于扩散模型的联合人脸伪造检测与细粒度伪影定位框架
DiffusionFF: A Diffusion-based Framework for Joint Face Forgery Detection and Fine-Grained Artifact Localization
将预训练伪造检测器作为编码器、扩散模型作为解码器，利用多尺度伪造特征条件生成细粒度伪影定位图，再与高层语义特征融合提升检测性能；该思路可迁移到其他需要细粒度异常定位的视觉任务。
基于提示驱动噪声表示学习的扩散式 sRGB 真实噪声生成
Diffusion-Based sRGB Real Noise Generation via Prompt-Driven Noise Representation Learning
用扩散模型从输入噪声中学习高维提示词特征来合成真实噪声图像，摆脱对相机元数据的依赖，可直接作为真实去噪训练数据的增广手段，缓解 sRGB 域真实噪声配对数据稀缺问题。
基于扩散的原生对抗合成以增强医学分割泛化
Diffusion-Based Native Adversarial Synthesis for Enhanced Medical Segmentation Generalization
把扩散模型的初始噪声当作可优化变量来挖掘「原生对抗样本」，无需重训或改动扩散模型即可生成难例做数据增强；做医学分割或任何小样本分割任务时，这是一个可直接套用的合成增强插件。
基于扩散模型的面部区域感知妆容特征妆容迁移
Diffusion-Based Makeup Transfer with Facial Region-Aware Makeup Features
用可学习 token 查询微调后的 CLIP 编码器，提取眼、嘴等面部区域级妆容特征，并以注意力损失实现区域可控注入，为扩散编辑中的局部属性控制提供了可复用范式；同时用 GPT-o3 加文本驱动编辑模型合成带标注风格数据来微调领域编码器，可迁移到其他细粒度风格迁移任务。
以语言罗盘引导的扩散：为早期 MCI 转化预测生成临床合理的未来 sMRI 表征
Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction
把扩散模型的潜空间轨迹外推与 LLM 打分引导结合，用单次基线扫描合成未来 sMRI 表征；这套「潜变量外推 + 语言模型合理性筛选」的采样策略可迁移到任何需要从单帧预测时序演变的医学或视频表征任务。
扩散采样路径透露更多：一种高效的即插即用样本筛选策略
Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering
提出用 CFG 过程中条件与无条件分数的累积差异（ASD）作为样本质量的无监督代理指标，可在去噪早期直接拒绝低质量样本，无需外部奖励模型或重训练；做文生图采样加速与质量筛选时可直接嵌入现有采样循环。
扩散探针：使用 CNN 探针预测生成图像结果
Diffusion Probe: Generated Image Result Prediction Using CNN Probes
利用扩散模型早期去噪步骤的交叉注意力图统计特征，训练轻量级 CNN 探针预测最终图像质量，可用于提示词优化、种子选择与加速 RL 训练等需要早期质量引导的 T2I 工作流。
扩散心智平均
Diffusion Mental Averages
把「求平均」从像素空间搬到扩散模型的语义空间，用轨迹对齐优化多个噪声潜变量使其去噪轨迹收敛到同一原型——这提供了一个无需解码器即可在扩散潜空间做语义聚合/编辑的可复用手段，也可用于探测模型偏见与概念表征。
扩散磁共振 Transformer 与扩散空间旋转位置嵌入（D-RoPE）
Diffusion MRI Transformer with a Diffusion Space Rotary Positional Embedding (D-RoPE)
D-RoPE 把扩散梯度方向与强度编码进旋转位置嵌入，使 Transformer 能在任意数量扩散方向上共享权重；做多通道/多视角输入（如多光照、多视角图像）时，可借鉴这种把采集参数写进位置编码以摆脱固定通道数的做法。
扩散引导的链式视觉：面向大型自回归视觉模型
Diffusion Guided Chain-of-Vision for Large Autoregressive Vision Models
把预训练扩散模型的概率流当作无需任务标注的中间视觉推理步骤，为纯视觉自回归模型提供链式视觉监督；做视觉上下文学习或多步视觉推理时，可复用这一「沿扩散轨迹采样中间图作为推理链」的思路，而不必依赖文本 CoT。
扩散强制规划器：面向自动驾驶的历史退火规划与时变引导
Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving
把扩散模型的分段独立噪声水平与 CFG 结合，用退火历史作为引导信号来抑制时序抖动；做端到端轨迹生成或视频/序列预测的研究者可借鉴这种「历史段与未来段联合去噪」的异构扩散设定。
DiffuView：面向3D感知机器人操作的多视图扩散预训练
DiffuView: Multi-View Diffusion Pretraining for 3D Aware Robotic Manipulation
将多视图扩散模型的条件生成能力作为视觉骨干网络，通过隐式恢复场景几何来获得对视角变化鲁棒的3D一致表征，可直接用于提升视觉模仿学习在视角偏移下的泛化性。
差分隐私二维人体姿态估计
Differentially Private 2D Human Pose Estimation
将差分隐私训练引入2D人体姿态估计，通过梯度子空间投影和特征级隐私机制在形式化隐私约束下显著降低噪声方差，为视觉任务在敏感数据上的隐私保护部署提供了可复用的DP-SGD改进方案。
面向生成式图像压缩率失真优化的可微矢量量化
Differentiable Vector Quantization for Rate-Distortion Optimization of Generative Image Compression
把码本分布做可微松弛，让熵损失直接塑造潜变量先验，从而在极低码率下用轻量架构实现端到端率失真优化；这套可微信道建模思路也可迁移到其他需要离散潜变量的视觉生成/压缩流程。
面向高效高保真绘画创作的双参数化可微笔画规划
Differentiable Stroke Planning with Dual Parameterization for Efficient and High-Fidelity Painting Creation
提出离散折线与连续贝塞尔控制点的双向映射，使可微优化能同时利用局部梯度与结构感知的笔画提议；其受高斯泼溅启发的初始化策略支持高度并行的笔画优化，可迁移到其他基于笔画的矢量生成任务（如草图生成、字体设计）。
可微拉普拉斯矩阵引导的超像素分割
Differentiable Laplacian Matrix Guided Superpixel Segmentation
提供一种模型无关、完全可微的图拉普拉斯损失，可直接嵌入现有超像素网络训练中替代不可微的连通性后处理，做密集预测或区域划分的研究者可复用该正则项与新增的杂散像素/多余连通分量评测指标。
面向形状与反射率联合采集的可微自适应四维结构光照
Differentiable Adaptive 4D Structured Illumination for Joint Capture of Shape and Reflectance
把「下一次投什么光」变成可微优化问题：用像素级深度不确定性直方图模型驱动自适应结构光图案选择，再用测量-仿真一致性微调联合恢复深度与反射率，可复用到主动式三维扫描与光度立体采集策略设计。
关键差异：通过审计模型发现并修补能力缺口
Differences That Matter: Auditing Models for Capability Gap Discovery and Rectification
用强化学习训练一个 MLLM 审计器，主动生成反事实图像与困难问题来最大化目标模型间的分歧，从而无标注地定位视觉语言模型的失效模式，并把这些样本直接当作微调数据来修补能力缺口——这是一种可复用的模型诊断与数据自举流程。
DiffSoup：面向极端辐射场简化的三角形汤直接可微光栅化
DiffSoup: Direct Differentiable Rasterization of Triangle Soup for Extreme Radiance Field Simplification
用少量带神经纹理与二值不透明度的三角形汤替代数十万高斯球，并通过随机不透明度掩码让二值不透明度直接可微，从而绕开平滑光栅化；对需要把辐射场压到移动端、或想复用传统深度测试图形管线的视觉研究者，这是一条可复用的极端简化与可微渲染思路。
DiffGraph：面向真实场景文本到图像生成的自动化智能体驱动模型合并框架
DiffGraph: An Automated Agent-driven Model Merging Framework for In-the-Wild Text-to-Image Generation
提出基于图结构的自动化模型合并框架，通过节点注册与校准组织在线专家模型，并根据用户需求动态激活子图，为视觉生成中的模型复用与组合提供可扩展方案。
DiffDecompose：基于扩散 Transformer 的 Alpha 合成图像逐层分解
DiffDecompose: Layer-Wise Decomposition of Alpha-Composited Images via Diffusion Transformers
把扩散 Transformer 当作后验采样器来解 alpha 合成图像的逐层分解，其 In-Context Decomposition 与 Layer Position Encoding Cloning 可直接迁移到去遮挡、透明物体分离、图层化编辑等需要多图层一致输出的视觉任务。
DiffBMP：基于位图图元的可微渲染
DiffBMP: Differentiable Rendering with Bitmap Primitives
提供了一种可微的位图图元渲染引擎，视觉研究者可将其用于图像/视频的图层分解、基于位图的场景表示优化，或作为可微渲染管线中处理位图元素的替代方案。
Diff4Splat：复用视频扩散模型进行动态场景生成
Diff4Splat: Repurposing Video Diffusion Models for Dynamic Scene Generation
把视频扩散模型的生成先验直接前馈映射为可变形3D高斯场，单次前向即可从单图+相机轨迹得到动态场景，省去逐场景优化，可作为动态新视角合成与4D内容生成的免优化骨干。
Diff-SemiER：面向半透明眼镜去除的透明度感知自适应融合扩散模型与生成先验
Diff-SemiER: Transparency-Aware Adaptive Fusion Diffusion Model with Generative Prior for Semi-Transparent Eyeglasses Removal
针对半透明遮挡这一特殊编辑场景，提出软掩码感知的多尺度自适应融合机制，在生成先验与细节复原之间动态权衡；其透射率驱动的数据合成思路可迁移到其他半透明/部分遮挡的复原任务（如墨镜、面纱、玻璃反光去除）。
词典对齐的概念控制：面向多模态大语言模型的安全防护
Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs
对做多模态视觉语言模型的人，这篇给出了一个推理时无需重训的激活干预方案：用图像-描述刺激构建的概念词典初始化 SAE，并对 SAE 原子自动语义标注，从而在冻结模型上做细粒度概念级引导，可直接迁移到视觉模型的安全对齐或概念编辑。
DialogueVPR：迈向对话式视觉地点识别
DialogueVPR: Towards Conversational Visual Place Recognition
把语言引导的地理定位从静态单样本检索改写为多轮对话式推理，其 DQ-pilot 提问器与 PRG 奖励可直接迁移到任何需要主动消解文本歧义的跨模态检索/定位任务（如文本检索行人、指令式导航）。
Diagram2Structure：通过 DiagramDiff 解锁大语言模型的图表理解能力——一个面向离线图表结构化的框架
Diagram2Structure: Unlocking LLMs' Diagram Comprehension through DiagramDiff, a Framework for Structuring Offline Diagrams
把离线图表图像重建为标准化结构化数据（元素实例+关系），再交给 LLM 做语义推理与编辑，为视觉-语言模型处理结构化图形提供了一条「先结构化、后推理」的可复用管线，也给出了图表重建与元素识别的评测设定。
通过因果发现与双模态安全子空间投影诊断并修复视觉语言模型中的不安全通道
Diagnosing and Repairing Unsafe Channels in Vision-Language Models via Causal Discovery and Dual-Modal Safety Subspace Projection
提供了一套可复用的诊断-修复范式：先用因果中介分析定位导致不安全行为的神经元与层，再通过广义特征分解在良性与恶意激活之间学习视觉/文本双模态安全子空间，并在推理时动态投影激活。做多模态安全对齐或激活引导的研究者可直接借用该子空间构造与混合融合机制来抑制不安全特征而不损伤语义保真度。
通过视觉符号诊断、纠正并学习操作失败
Diagnose, Correct, and Learn from Manipulation Failures via Visual Symbols
用显式视觉符号（如箭头、标记）作为中间表示来标注和生成纠正动作，为 VLA 失败恢复提供了一种可复用的视觉提示与数据构造范式；ViFailback-Bench 的 11 项细粒度 VQA 任务也可直接用于评测 VLM 的具身失败诊断能力。
DiT360：通过混合训练实现高保真全景图像生成
DiT360: High-Fidelity Panoramic Image Generation via Hybrid Training
针对全景图像生成中边界不连续和畸变问题，提出在 VAE 前后分别进行域间转换与域内增强的混合训练策略，包括循环填充、偏航损失和立方体损失，可复用于其他需要保持几何一致性的生成任务。
DiT-IC：面向高效图像压缩的对齐扩散 Transformer
DiT-IC: Aligned Diffusion Transformer for Efficient Image Compression
把多步文本到图像 DiT 通过自蒸馏对齐与方差引导重建流改造成单步、32 倍下采样潜空间中的重建器，为视觉研究者提供了一个可复用的思路：用预训练扩散先验做极低分辨率潜空间的高效解码，可迁移到超分、修复等图像复原任务。
DiT-Distill：通过生成式课程知识实现开放集细粒度检索
DiT-Distill: Open-Set Fine-Grained Retrieval via Generative Curriculum Knowledge
把 DiT 多时间步的生成式知识通过课程对齐损失蒸馏进轻量骨干网络，实现免 DiT 推理，为视觉检索/表征学习提供了一条「用生成模型当教师、按扩散时间步组织课程」的可复用蒸馏范式。
DiP：在像素空间中驯服扩散模型
DiP: Taming Diffusion Models in Pixel Space
把高分辨率像素空间扩散拆成「大图像块上的全局结构 + 轻量细节检测头恢复局部细节」两阶段，可在不依赖 VAE 的前提下把像素空间扩散的推理成本压到 LDM 水平，做高分辨率图像生成或想摆脱 VAE 信息损失时可直接复用这一解耦范式。
DiGraphHal-Bench：评估多模态大语言模型在复杂有向图上的表现
DiGraphHal-Bench: Evaluating Multimodal Large Language Models on Complex Directed Graphs
该论文提出的有向图VQA基准和两阶段自动数据整理流程，可用于评估和提升多模态大模型在结构化视觉信息（如图表、流程图）上的细粒度推理与幻觉抑制能力，为视觉-语言模型在复杂图结构理解方向提供可复用的评测方法和数据构建思路。
DiG：差分视觉定位——增强多模态大语言模型的细粒度感知
DiG: Differential Grounding for Enhancing Fine-Grained Perception in Multimodal Large Language Models
把「找出两张相似图的全部差异并定位」做成无需标注数量的代理任务，配合3D渲染自动造配对数据，可直接用于增强MLLM的细粒度定位与空间推理，并可迁移到RefCOCO系列指代定位。
灵巧世界模型
Dexterous World Models
将静态3D场景渲染与第一人称手部网格渲染作为条件输入视频扩散模型，实现动作驱动的场景交互视频生成，为具身交互与数字孪生提供可复用的条件生成框架。
DextER：具备具身推理的语言驱动机器人灵巧抓取生成
DextER: Language-driven Dexterous Grasp Generation with Embodied Reasoning
把「哪根手指连杆接触物体表面何处」作为具身感知的中间表示，用自回归 token 生成桥接任务语义与物理约束；这一接触 token 化的思路可迁移到其他手-物交互、可供性预测与可控操作生成任务。
基于能量分离的未知目标检测用于开放世界目标检测
Detecting Unknown Objects via Energy-based Separation for Open World Object Detection
用 ETF 构造正交子空间、并同时利用已知/未知两个空间的能量分数来分离未知目标，这一思路可直接迁移到开放词表检测与 OOD 目标发现中的未知判别头设计；EKD 损失对旧/新分类器施加分离约束，也可用于缓解增量检测中的新旧类知识干扰。
通过相位谱鲁棒性检测压缩后的AI生成图像
Detecting Compressed AI-Generated Images via Phase Spectrum Robustness
利用压缩下仍稳定的相位谱作为跨模态线索，并通过多域调制适配器实现参数高效微调，为视觉取证类任务提供了一条不依赖原图-压缩图配对与压缩标签的鲁棒特征融合思路。
通过迭代流形偏离放大检测AI生成伪造
Detecting AI-Generated Forgeries via Iterative Manifold Deviation Amplification
把冻结的MAE重建残差当作「真实性先验」，并用粗定位结果反向提示MAE解码器放大可疑区域的重建失败，这一闭环思路可直接迁移到任意需要「偏离正常流形」检测的视觉任务（如异常检测、深度伪造定位）。
DetectSCI：面向高分辨率视频快照压缩成像的目标引导感兴趣区域重建
DetectSCI: Toward Object-Guided ROI Reconstruction for High-Resolution Video Snapshot Compressive Imaging
将目标检测引入SCI重建流程，仅对检测到的ROI进行高分辨率重建，为高分辨率视频SCI提供了一种可扩展的按需重建范式；其Mamba-隐式模块与频率Mamba查询选择机制可复用于其他需要从混叠测量中恢复判别性特征的底层视觉任务。
通过下一词元预测检测一切
Detect Anything via Next Point Prediction
将目标检测重新表述为多模态大语言模型的下一词元预测，用特殊词元表示量化坐标，并通过GRPO强化学习后训练弥合离散到连续的坐标预测差距，为视觉感知提供语言感知的统一框架。
检测任意AI伪造文本图像
Detect Any AI-Counterfeited Text Image
DanceText 提供了覆盖全图生成、区域擦除与编辑三类伪造范式的十万级文本图像伪造数据集，并首次纳入多模态大模型与商用软件产物；DS-Net 的取证解耦编码器提取与生成器无关的伪影特征、协同去噪解码器联合图像级分类与实例级定位，可直接迁移到通用 AIGC 图像取证与篡改区域定位任务。
DetAny4D：在流式 RGB 视频中时序检测任意 4D 目标
DetAny4D: Detect Anything 4D Temporally in a Streaming RGB Video
把预训练基础模型的多模态特征与几何感知的时空解码器结合，在流式 RGB 视频上端到端直接回归 3D 边界框，为视频 3D 检测提供了可复用的时序一致性建模方案，可缓解逐帧预测带来的抖动问题。
为遗忘而设计：用于机器遗忘的深度半参数模型
Designing to Forget: Deep Semi-parametric Models for Unlearning
把「遗忘」从改参数的后处理问题转成架构设计问题：用融合模块聚合每个训练样本的信息，测试时直接删除样本即可完成遗忘，无需重训或微调，为视觉模型的数据删除合规与版权数据移除提供可复用范式。
通过REINFORCE与James-Stein收缩设计实例级采样时间表
Designing Instance-Level Sampling Schedules via REINFORCE with James-Stein Shrinkage
提出一种模型无关的后训练方法，通过单次Dirichlet策略学习实例级采样时间表，并利用James-Stein估计器构建奖励基线以降低梯度方差，可即插即用地提升冻结文本到图像扩散模型的文本对齐和少步生成质量。
设计你的广告：基于统一自回归模型的个性化广告图像与文本生成
Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models
把图像与文本放进同一个自回归框架联合生成，并用粗到细的偏好理解模块从噪声多模态历史行为中抽取用户兴趣作为生成条件，为视觉生成中的个性化条件注入提供了可复用的范式；其前景感知模块与产品背景相似度指标也可直接用于电商图像生成的质量控制。
描述任何事物在任何地点任何时刻
Describe Anything Anywhere At Any Moment
提出基于优化的前端，将局部描述模型（如 DAM）批量处理以加速推理，并构建分层 4D 场景图作为全局时空一致记忆，为视觉语言导航与具身智能提供可查询的 4D 表示。
DepthFocus：面向透视场景的可控深度估计
DepthFocus: Controllable Depth Estimation for See-Through Scenes
把立体深度估计从静态前馈改为以物理参考深度为条件的可控计算，用双条件机制动态调制特征，可直接借鉴到透明/反射场景的多层深度恢复与意图驱动感知。
面向高保真高斯增强面元渲染的深度剥离
Depth Peeling for High-Fidelity Gaussian-Enhanced Surfel Rendering
用 Depth Peeling 为 2D 不透明面元做逐像素精确排序，从而在无排序的高斯泼溅框架下正确调制透射率，消除走样与 popping；这套「面元+边界半透明+周围高斯补细节」的混合表示可直接迁移到任何需要正确混合顺序的实时神经渲染管线。
深度假设引导的迭代细化用于事件-图像单目深度估计
Depth Hypothesis Guided Iterative Refinement for Event-Image Monocular Depth Estimation
把连续深度回归转成基于离散深度假设体积的约束搜索，并用轻量多尺度相关代价体积做全局到局部的迭代残差细化，这一思路可直接迁移到其他病态回归任务（如光流、法向、表面重建）以及事件-图像融合的稠密预测中。
Depth Any Panoramas：面向全景深度估计的基础模型
Depth Any Panoramas: A Foundation Model for Panoramic Depth Estimation
以 DINOv3-Large 为骨干、配合可插拔 range mask head 与几何一致性优化，构建跨室内外、跨合成/真实的全景度量深度基础模型；其三级伪标签清洗流程与 UE5+文生图合成数据构造方式，可直接迁移到其他缺乏真值的深度/几何任务。
Depth Any Endoscopy：面向单目内窥镜自监督可泛化深度估计
Depth Any Endoscopy: Towards Self-Supervised Generalizable Depth Estimation in Monocular Endoscopy
把视觉基础模型通过双层 MoE（内部 LoRA/Adapter、外部域专家）适配到内窥镜深度估计，并用可学习梯度协调平衡深度与位姿网络优化，可直接迁移到其他跨域自监督单目深度任务。
面向稀疏直接飞行时间传感器的稠密度量深度补全
Dense Metric Depth Completion from Sparse Direct Time-of-Flight Sensors
提出深度引导的双分支ViT编码器与掩码联合注意力，防止稀疏深度token被图像特征覆盖，为稀疏深度补全提供可复用的融合机制；同时开源dToF仿真管线，支持在合成数据上训练后零样本迁移到真实设备。
去噪，快与慢：面向图像生成的难度感知自适应采样
Denoising, Fast and Slow: Difficulty-Aware Adaptive Sampling for Image Generation
提出图像块级时间步采样与难度感知自适应计算分配，可复用于扩散/流匹配模型的训练与推理加速，并可与表示对齐、引导方法正交结合。
去噪即路径规划：基于 DPCache 的扩散模型免训练加速
Denoising as Path Planning: Training-Free Acceleration of Diffusion Models with DPCache
把扩散采样中「跳过哪些时间步」从局部启发式升级为基于路径代价张量 + 动态规划的全局调度，可直接套用到 DiT/FLUX/视频扩散等任意迭代采样器的免训练加速上，是缓存类加速方法（DeepCache、TeaCache 等）的通用改进思路。
去噪与对齐：面向鲁棒全景语义分割的无源无监督域自适应
Denoise and Align: Towards Source-Free UDA for Robust Panoramic Semantic Segmentation
针对全景分割中的几何畸变和域偏移，提出无源域自适应框架，通过置信度引导的伪标签去噪和跨分辨率对抗对齐来提升伪标签质量与类别平衡性，可直接复用于其他密集预测任务的无源域自适应场景。
Den-TP：面向轨迹预测的密度均衡数据筛选与评测框架
Den-TP: A Density-Balanced Data Curation and Evaluation Framework for Trajectory Prediction
把「场景密度」当作与数据集无关的交互复杂度代理，用梯度子模选择做密度均衡的数据子集筛选，并配套密度条件评测协议；做自动驾驶轨迹预测或任何长尾感知任务的人可以直接借用这套数据筛选与分桶评测思路，暴露被平均误差掩盖的高密度失效模式。
DemoFunGrasp：基于示范编辑强化学习的通用灵巧功能抓取
DemoFunGrasp: Universal Dexterous Functional Grasping via Demonstration-Editing Reinforcement Learning
将功能抓取条件分解为抓取风格与可供性，并用单条示范编辑重构强化学习问题，为视觉驱动的机器人操作提供样本高效的多任务学习范式；结合视觉语言模型进行规划，实现指令跟随的自主抓取。
Demo2Tutorial：从人类经验到多模态软件教程
Demo2Tutorial: From Human Experience to Multimodal Software Tutorials
论文将屏幕录制与交互日志转化为结构化图文教程，其多模态动作解析与步骤规划思路可迁移到视觉-语言模型中的指令生成与GUI智能体训练，为利用无标注人类交互数据提供了一种可复用的表征蒸馏方法。
通过视觉基础模型探究医学图像分割中的偶然不确定性
Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models
利用视觉基础模型解码特征的奇异值能量定义语义感知尺度来量化偶然不确定性，可迁移到其他密集预测任务中做样本筛选和损失加权。
DeltaQuant：基于时空差分平滑的 4 比特视频扩散模型
DeltaQuant: 4-bit Video Diffusion Models with Spatiotemporal Delta Smoothing
DeltaQuant 将视频扩散模型中的激活值按 3D 时空立方体分组，仅对差分词元做 4-bit 量化，核心词元保留 FP8，为视频生成模型在消费级 GPU 上的低比特推理提供了可复用的量化范式。
用于文本到图像编辑的 Delta 整流流采样
Delta Rectified Flow Sampling for Text-to-Image Editing
DRFS 提出一种基于蒸馏的无反转编辑方法，通过显式建模源与目标速度场差异并引入时间相关偏移项，缓解过平滑伪影，可复用于 rectified flow 模型的文本引导编辑，无需架构修改。
Dejavu：面向具身智能的经验反馈学习
Dejavu: Towards Experience Feedback Learning for Embodied Intelligence
对做 VLA/具身策略的视觉研究者，这篇给出一种不改动冻结策略权重的部署后增强范式：用检索到的历史动作经验作为条件输入，并通过强化学习加语义相似度奖励训练一个轻量 EFN，可直接套用到现有 VLA 上提升成功率与鲁棒性。
Dehallu3D：通过循环视图一致性细化缓解幻觉的单图三维生成
Dehallu3D: Hallucination-Mitigated 3D Generation from a Single Image via Cyclic View Consistency Refinement
针对单图生成3D网格中的结构幻觉问题，提出即插即用的循环视图一致性优化模块，通过相邻一致性约束和自适应平滑约束在稠密中间视角上平衡几何连续性与细节保留，并引入离群风险度量（ORM）指标量化几何保真度，为3D生成质量评估提供新思路。
退化鲁棒融合：一种用于任意退化场景下多模态图像融合的高效退化感知扩散框架
Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios
提出一种隐式去噪的扩散框架，通过直接回归融合图像而非预测噪声，并设计联合观测模型校正机制在采样中同时施加退化与融合约束，可复用于任意退化场景下的多模态图像融合任务。
面向一体化图像复原的退化一致性测试时自适应
Degradation-Consistent Test-Time Adaptation for All-in-One Image Restoration
把「同一场景的多种退化版本应映射到同一干净图像」作为自监督一致性约束，配合扩散生成器合成伪退化-干净对，为图像复原模型在测试时做无源域自适应提供了可复用的伪监督构造思路；其按退化敏感性选择参数更新的策略也可迁移到其他复原/增强模型的稳定微调。
基于形变的上下文学习用于点云理解
Deformation-based In-Context Learning for Point Cloud Understanding
用任务提示引导的形变场替代掩码点建模来预测目标点云，为点云 ICL 提供显式几何先验并消除训练-推理目标不一致，可直接迁移到补全、去噪、配准等点云处理任务。
可变形高斯占用：以因子化蒸馏解耦刚性与非刚性运动
Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation
将高斯原语的刚性与非刚性形变解耦，并用 VGGT 4D 基础模型做因子化跨相机/跨帧蒸馏，为自动驾驶占用预测中的人体等非刚性目标提供可复用的形变建模与蒸馏监督思路。
通过双阶段权重保护防御未授权模型合并
Defending Unauthorized Model Merging via Dual-Stage Weight Protection
对做模型合并、多任务权重插值（如 task arithmetic、TIES-merging）的视觉研究者，这篇给出了一个可复用的防御视角：通过 L2 正则化重分布层间任务信息并注入结构化扰动错开任务子空间，使合并后的权重落入破坏性干涉区；反过来也可用于诊断自己合并流程对权重几何的敏感性。
面向少样本异常检测的缺陷线索保留结构特征细化
Defect Cue-Preserved Structural Feature Refinement for Few-Shot Anomaly Detection
把「深层特征提取过程中缺陷线索逐渐衰减」作为异常检测失败的主因，并用早期异常线索图作为重建式定位的注意力锚点，这一「线索保留+锚定」思路可直接迁移到任何基于重建或特征比对的无监督/少样本缺陷检测流程中。
DeepfakeImpact：一个具有现实世界影响力的两阶段深度伪造检测基准
DeepfakeImpact: A Two-Stage Benchmark with Real-World Impact in Deepfake Detection
提出社会误判影响（SMI）指标，将误分类视频的社会危害纳入评估，为视觉检测模型提供超越准确率的伦理感知评测框架，可复用于其他安全敏感检测任务。
思深则视弱：理解与缓解多模态大语言模型推理过程中的感知损伤
Deeper Thought, Weaker Aim: Understanding and Mitigating Perceptual Impairment during Reasoning in Multimodal Large Language Models
提出免训练的视觉区域引导注意力（VRGA）框架，通过熵-聚焦准则选择视觉头并重加权注意力，缓解多模态大模型在推理时的注意力分散问题，可直接用于提升VQA和视觉定位任务的性能。
DeepScan：面向大型视觉语言模型视觉定位推理的免训练框架
DeepScan: A Training-Free Framework for Visually Grounded Reasoning in Large Vision-Language Models
提出免训练的分层扫描与重聚焦机制，可即插即用地增强LVLM的视觉定位与细粒度理解能力，为视觉证据提取与推理提供可复用框架。
DeepProtect：利用身份混合与属性失真的主动式换脸防御
DeepProtect: Proactive Face-Swapping Defense using Identity Blending and Attribute Distortion
在潜空间做通道级身份混合、并用文本提示导出的语义方向嵌入不可见对抗水印，可在不产生可见伪影的前提下破坏身份特征提取，为换脸防御与身份隐私保护提供可复用的扰动生成范式。
DeepAlign：通过模态特定对齐缓解模态冲突
DeepAlign: Mitigating Modality Conflict through Modality-Specific Alignment
针对视觉-语言表征错位与模态细节流失，提出表征干预加结构诱导知识蒸馏的对齐框架，可直接用于改进任意 MLLM 的视觉编码器到语言模型的投影对齐环节，并解锁交错图文序列上的多模态上下文学习。
深度特征变形权重
Deep Feature Deformation Weights
把深度视觉特征的邻近性直接当作网格变形权重，并用重心特征蒸馏让蒸馏复杂度与网格分辨率解耦——这套思路可迁移到任何需要从2D渲染信号反推3D表面稠密属性的任务（如表面属性场、可变形重建、实时蒙皮权重预测）。
解耦视觉与语言：码本锚定的视觉自适应
Decoupling Vision and Language: Codebook Anchored Visual Adaptation
用离散码本把视觉编码器输出锚定到稳定词元空间，使编码器可独立微调而不改动投影器或 LLM，为视觉侧域自适应提供了一种与语言架构解耦的可复用方案。
解耦稳定性与可塑性以实现多模态测试时自适应
Decoupling Stability and Plasticity for Multi-Modal Test-Time Adaptation
针对多模态模型在测试时分布漂移下的适配，提出用特征维度间冗余度诊断偏置模态，并对各模态适配器做稳定/可塑解耦的非对称更新；做视觉-语言模型在线部署或跨域适配时，可直接复用该诊断信号与解耦适配器结构来抑制负迁移与灾难性遗忘。
解耦防御策略的鲁棒图像水印
Decoupling Defense Strategies for Robust Image Watermarking
提出两阶段解耦防御框架：第一阶段通过主要微调编码器、条件更新解码器的对抗训练，将图像移入不可攻击区域而非修改决策边界，从而保持干净精度；第二阶段用带理论保证的约束图像损失和品质感知早停直接优化图像，兼顾失真与再生攻击鲁棒性。该解耦思路可迁移至其他需要同时抵御对抗与失真攻击的视觉任务。
解耦偏置、对齐分布：面向深度伪造检测的协同公平性优化
Decoupling Bias, Aligning Distributions: Synergistic Fairness Optimization for Deepfake Detection
在模型架构层面解耦对人口统计属性敏感的通道、在特征层面对齐整体分布与各群体分布，这套「结构解耦+分布对齐」的双机制可直接迁移到人脸属性识别、人脸验证等易受群体偏置影响的视觉任务中，在不牺牲精度的情况下提升群体公平性。
面向高效跨模态迁移的解耦可复用适配
Decoupled and Reusable Adaptation for Efficient Cross-Modal Transfer
把跨模态迁移拆成「一次性任务无关的模态知识迁移（自监督 + 结构重建得到可复用 LoRA）」与「轻量任务知识注入（Task-Prompted MoE 融合）」两段，视觉研究者可把 Stage 1 的模态 LoRA 当作可插拔资产，在深度/事件/热成像等非 RGB 输入上复用同一套 RGB 基础模型，避免每个下游任务重训重存。
解耦残差去噪扩散模型：面向统一且数据高效的图像到图像翻译
Decoupled Residual Denoising Diffusion Models for Unified and Data Efficient Image-to-Image Translation
把扩散过程拆成「随机噪声扩散做域对齐+流形提升」与「确定性残差扩散学语义映射」两段，且噪声阶段只用大量无配对目标域图像训练，为少配对数据的统一 I2I 翻译提供了可复用的训练范式。
面向人-物交互合成的解耦生成建模
Decoupled Generative Modeling for Human-Object Interaction Synthesis
将 HOI 合成解耦为「轨迹生成 + 动作生成」两阶段，并用关注远端关节动力学的判别器做对抗训练，可复用于人体动作生成与具身控制中的接触真实性问题。
解耦以泛化：面向数据稀缺视觉语言推理的上下文优先自进化学习
Decouple to Generalize: Context-First Self-Evolving Learning for Data-Scarce Vision-Language Reasoning
把 RL 后训练中的奖励信号按「理解上下文」与「解题」两个角色解耦，并配合迭代演化的种子题池做课程学习，可直接迁移到视觉推理类 VLM 的数据稀缺微调场景，缓解奖励黑客与策略熵坍塌。
在持续广义类别发现中解耦发现与记忆
Decouple Your Discovery and Memory in Continual Generalized Category Discovery
双分支解耦思路可迁移到任何需要「边学新类边保旧类」的视觉识别场景：把发现分支与记忆分支分开，避免过度保护旧类压制新类发现，并可作为插件叠加到现有增量/开放世界识别框架上。
解构理想噪声校正的失败：三重诊断
Deconstructing the Failure of Ideal Noise Correction: A Three-Pillar Diagnosis
对做噪声标签/弱监督训练的视觉研究者：即使给定 oracle 噪声转移矩阵，基于 T 的校正方法仍会训练崩溃，说明不应再把精力放在提升 T 估计精度上，而应关注校正过程中的优化动力学与信息论上限，可据此重新设计损失或训练调度。
分解、混合、适配：参数高效神经网络重组与压缩的统一框架
Decompose, Mix, Adapt: A Unified Framework for Parameter-Efficient Neural Network Recombination and Compression
提出一种统一的权重分解与重组框架，可同时实现参数高效微调（PEFT）和模型压缩（MC），为视觉模型（如ViT）在边缘设备上的部署提供了一种可复用的技术方案。
分解与迁移：思维链提示增强的对齐用于开放词表时序动作检测
Decompose and Transfer: CoT-Prompting Enhanced Alignment for Open-Vocabulary Temporal Action Detection
利用大语言模型的思维链推理将动作标签分解为阶段级描述，并通过文本引导的前景过滤和自适应阶段对齐实现细粒度视觉-文本匹配，为开放词表时序动作检测提供可迁移的语义先验。
通过 BrainSSD 解码三维感知：静态与动态视觉流脑电表征的协同融合
Decoding 3D Perception via BrainSSD: Synergistic Fusion of EEG Representations from Static and Dynamic Visual Streams
对做视觉表征学习的人，这篇提供了用 EEG 信号作为监督/对齐目标来反推 3D 物体表征的思路：静态视图与旋转序列两路信号经 PAC 引导融合后，再用多级对齐损失映射回视觉域，可作为研究「视觉模型表征是否与大脑 3D 感知一致」的探针与对齐范式。
DecoVLN：解耦观测、推理与纠正的视觉语言导航
DecoVLN: Decoupling Observation, Reasoning, and Correction for Vision-and-Language Navigation
长时记忆构建被形式化为对统一评分函数的迭代优化（语义相关性、视觉多样性、时序覆盖），可直接迁移到任何需要从历史帧池中挑选关键帧的视觉导航或视频理解流水线；状态-动作对级纠错微调利用测地距离筛选可信区域样本，为视觉导航中的复合误差问题提供了可复用的数据筛选思路。
面向长尾学习的决策边界感知生成
Decision Boundary-aware Generation for Long-tailed Learning
把扩散生成增强从「补数量」推进到「补位置」：通过生成靠近决策边界的样本缓解头尾迁移带来的潜变量非局部特征混合，可直接复用到任何长尾分类或检测的生成式数据增强流程中。
基于知识引导多模态图学习从高内涵图谱解析基因型-表型机制
Deciphering Genotype-Phenotype Mechanisms from High-Content Profiling via Knowledge-Guided Multi-modal Graph Learning
把高内涵细胞形态学表型当作图上的关系信号而非节点特征，并学习逐边置信度与知识门控，这一思路可迁移到视觉中需要将图像特征嵌入结构化知识图谱的任务（如场景图推理、视觉-知识联合推理），也为细胞成像的表征学习提供了可解释的图建模范式。
面向噪声标签学习的去偏样本选择
Debiased Sample Selection for Learning with Noisy Labels
针对小损失假设下的类别级与实例级确认偏差，MDA 通过调整预测类别分布使其趋于均匀来公平选样，CCS 利用训练动力学剔除疑似真实标签以抑制错误记忆；两者均为即插即用模块，可直接嵌入现有样本选择器或 LNL 流程，用于提升含噪数据训练的图像分类模型。
DeX-Portrait：基于显式与隐式运动表征的解耦且富有表现力的肖像动画
DeX-Portrait: Disentangled and Expressive Portrait Animation via Explicit and Latent Motion Representations
把头部姿态建模为显式全局变换、表情建模为隐式潜变量，并通过双分支条件注入扩散模型，为需要解耦控制的人像/视频生成提供了一套可复用的条件注入与引导方案。
DeRVOS：解耦一致轨迹生成与多模态理解用于指代视频目标分割
DeRVOS: Decoupling Consistent Trajectory Generation and Multimodal Understanding for Referring Video Object Segmentation
将 RVOS 解耦为预训练实例轨迹生成与多模态理解两个分支，并用 TAIS 模块做跨帧对齐与隐式轨迹选择，为视频分割中轨迹一致性与语言对齐的分离建模提供了可复用范式。
DeDelayed：通过设备端校正消除远程推理延迟
DeDelayed: Deleting Remote Inference Delay via On-Device Correction
提出一种端云协同推理框架，将远程模型（处理延迟帧）与本地模型（处理当前帧）联合优化，并利用自编码器压缩传输比特率，为实时视频理解任务在资源受限平台上的低延迟部署提供了可复用的系统级方案。
DeCo：面向端到端图像生成的频率解耦像素扩散
DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation
把高频细节交给轻量像素解码器、让 DiT 专注低频语义的频率解耦思路，可直接迁移到任何在像素空间做扩散/流匹配的生成框架，用来降低训练与采样成本；配套的频率感知流匹配损失也可复用于其他扩散模型的损失设计。
DeAR：通过分解注意力头角色实现细粒度 VLM 适配
DeAR: Fine-Grained VLM Adaptation by Decomposing Attention Head Roles
把 VLM 适配的粒度从「层」下沉到「注意力头」，用 Concept Entropy 给每个头打上属性/泛化/混合的角色标签，再用 Role-Based Attention Mask 隔离任务知识与泛化能力——做提示词学习或参数高效微调时，可直接复用这套头级角色划分与掩码控制信息流的思路，缓解适配与零样本泛化的权衡。
基于影响匹配的数据集蒸馏
Dataset Distillation by Influence Matching
用可微的样本级影响估计器替代逐步梯度/轨迹匹配来学习合成数据，视觉研究者可将其作为数据压缩与高效预训练的数据构造手段，并可直接迁移到图文检索等跨模态蒸馏场景。
数据中心元学习实现鲁棒少样本泛化
Data-Centric Meta-Learning for Robust Few-Shot Generalization
提出一种在元训练阶段就引入可学习视觉提示词来对齐任务输入分布、缓解梯度冲突的元学习框架，为视觉少样本跨域泛化提供了一种数据中心的训练策略，且测试时仅更新轻量提示词和分类器，骨干网络冻结，便于在视觉任务中复用。
大规模地理空间图像数据集中的数据泄漏检测与去重
Data Leakage Detection and De-duplication in Large Scale Geospatial Image Datasets
提出基于感知哈希的数据验证流水线，可自动检测大规模视觉数据集中的重复与泄漏问题，为训练可靠模型提供数据质量保障。
DarkShake-DVS：低光照与相机抖动条件下基于事件相机的人体动作识别
DarkShake-DVS: Event-based Human Action Recognition under Low-light and Shaking Camera Conditions
用事件相机+IMU的非线性warping做运动补偿，把6-DoF抖动下的低光事件流重建为稳定输入，再接四阶段混合时空特征提取；对做事件视觉、视频动作识别和抖动视频稳定化的研究者提供了可复用的补偿前端与配套基准。
DarkAct：面向多模态低光照动作识别的 RGB-热成像数据集与融合框架
DarkAct: A RGB-Thermal Dataset and Fusion Framework for Multimodal Low-Light Action Recognition
提供了低光照下配对的 RGB-热成像视频基准，并给出以人体为中心表征增强加自适应跨模态融合的 DarkAct-Net 框架，可直接迁移到夜间监控、机器人等需要跨模态融合的时序动作识别场景。
Dark3R：在黑暗中学习运动恢复结构
Dark3R: Learning Structure from Motion in the Dark
将大规模3D基础模型通过教师-学生蒸馏适配到极低光照原始图像，实现鲁棒的特征匹配与相机姿态估计，可直接用于暗光下的运动恢复结构和新视角合成。
跨越偏移的舞蹈：通过动态风格桥接实现前向促进式持续测试时自适应
Dance Across Shifts: Forward-Facilitation Continual Test-Time Adaptation through Dynamic Style Bridging
用预先生成的类原型配合多层级风格桥接（输入/统计/表征层）替代源域伪标签，为持续测试时自适应提供可靠监督信号，可直接迁移到任何需要在线适应分布偏移的视觉识别流程中。
D^3FER：双通道双分支网络用于双重挑战下的鲁棒面部表情识别
D^3FER: Dual Channel and Dual Branch Network for Robust Facial Expression Recognition under Dual Challenges
动态队列机制从预测置信度自适应估计噪声阈值，可用于任何存在标签噪声的视觉分类任务；双通道弱/强视图增强与动量更新的Query-Key双分支结构，为半监督学习提供可靠伪标签和稳定推理。
DVGT：面向自动驾驶的视觉几何 Transformer
DVGT: Driving Visual Geometry Transformer
无需相机内外参、直接从无位姿多视角图像序列回归首帧自车坐标系下的全局稠密点图与逐帧自车位姿，这种「无显式几何先验 + 度量尺度直接预测」的设定可复用于任意相机配置下的在线建图与占用/深度预训练。
DVAR：面向图像超分的动态视觉自回归建模
DVAR: Dynamic Visual Autoregressive Modeling for Image Super-Resolution
把 VAR 的绝对尺度调度换成与目标尺寸解耦的相对缩放动态，使单一自回归模型可服务任意分辨率超分；其动态采样调度利用码本中视觉 token 的几何邻近性模拟预测误差分布，可迁移到其他自回归生成模型的训练-推理鸿沟缓解。
DUO-VSR：面向单步视频超分辨率的双流蒸馏
DUO-VSR: Dual-Stream Distillation for One-Step Video Super-Resolution
把分布匹配蒸馏与对抗监督（RFS-GAN）结合成双流蒸馏，可将任意多步扩散 VSR 模型压缩到单步推理；其渐进式引导蒸馏初始化与偏好引导精修流程，也可迁移到其他扩散复原任务（去噪、去模糊）的少步加速上。
DUET-VLM：面向视觉语言模型训练与推理的双阶段统一高效词元缩减
DUET-VLM: Dual stage Unified Efficient Token reduction for VLM Training and Inference
提供一种即插即用的双阶段视觉词元压缩方案：先在视觉编码器输出端做冗余感知合并，再在语言骨干网络内按层用文本显著性引导丢弃视觉词元，可直接嵌入 LLaVA/Video-LLaVA 类 VLM 的端到端训练与推理以大幅降低视觉词元数而几乎不掉点。
DTG-Restore：面向生成式视频超分辨率的免训练扩散精炼
DTG-Restore: Training-Free Diffusion Refinement for Generative Video Super-Resolution
提出解耦时间引导（DTG），在采样时让无条件分支在更干净的扩散时间步上评估，为视频复原提供可复用的无训练先验利用手段，可迁移到其他基于扩散的复原任务。
DSO：面向偏见缓解的直接引导优化
DSO: Direct Steering Optimization for Bias Mitigation
对做 VLM 公平性与推理时可控生成的人，这篇给出了一个可复用的手段：用强化学习直接优化激活空间中的线性引导向量，而不是依赖人工设定的启发式方向，从而在推理阶段按需调节公平性与能力的权衡。
DSFlash：实时全景场景图生成的全方位方案
DSFlash: Comprehensive Panoptic Scene Graph Generation in Realtime
对需要把场景图生成部署到边缘设备或视频流的研究者，DSFlash 提供了一个低延迟、可单卡训练的实时全景场景图生成基线，其「不牺牲性能换速度」且输出完整（非仅显著）关系的设定，可直接作为下游具身推理的中间表示模块复用。
DSERT-RoLL：面向多样驾驶条件的鲁棒多模态感知——立体事件-RGB-热成像相机、4D雷达与双LiDAR
DSERT-RoLL: Robust Multi-Modal Perception for Diverse Driving Conditions with Stereo Event-RGB-Thermal Cameras, 4D Radar, and Dual-LiDAR
为事件相机、4D雷达、热成像等新传感器提供了带2D/3D框与轨迹ID的多模态驾驶数据与统一基准，可直接用于研究跨传感器家族的融合策略与恶劣天气下的3D检测鲁棒性。
DSCA：面向终身VLM编辑的动态子空间概念对齐
DSCA: Dynamic Subspace Concept Alignment for Lifelong VLM Editing
为视觉语言模型提供了一种基于正交语义子空间分解的持续知识编辑方法，可复用于需要顺序更新多模态知识的场景，避免编辑间的相互干扰。
DRiffusion：草稿-精炼过程轻松并行化扩散模型
DRiffusion: Draft-and-Refine Process Parallelizes Diffusion Models with Ease
通过 skip transition 并行生成未来时间步的草稿状态再统一去噪精炼，是一种与具体扩散骨干解耦的并行采样加速手段，可直接套用到图像/视频扩散模型的推理管线中以降低延迟。
DRS-GUI：面向免训练 GUI 视觉定位的动态区域搜索
DRS-GUI: Dynamic Region Search for Training-Free GUI Grounding
把 MCTS 驱动的 Focus/Shift/Scatter 区域搜索作为免训练插件接到现成 MLLM 上，用于高分辨率截图中的小目标定位，可直接迁移到任意需要从大图中裁剪出相关区域再交给 VLM 的视觉定位任务。
面向野外环境的 DROID-SLAM
DROID-SLAM in the Wild
把逐像素不确定性从多视角特征不一致性中估计出来，并嵌入可微 Bundle Adjustment，为动态场景下的跟踪与建图提供了一种可复用的鲁棒加权机制，可直接迁移到其他需要剔除动态干扰的视觉里程计或重建流程。
DRM：基于扩散模型并带逐步引导的奖励模型
DRM: Diffusion-based Reward Model With Step-wise Guidance
把预训练扩散模型本身当作奖励骨干，利用其对含噪中间潜变量的逐步评估能力，为扩散模型对齐提供密集的每步奖励与推理时的路径引导，可直接迁移到任意扩散/流匹配模型的偏好优化与采样搜索。
DREAM：基于显式自适应记忆的文档识别
DREAM: Document Recognition with Explicit Adaptive Memory
把显式的多尺度原型记忆作为即插即用模块接入编码器-解码器，让局部区域稀疏检索可解释的结构原型（如边框、倾斜文本），为文档/手写识别等视觉-语言任务提供显式区域级结构上下文，可迁移到任何需要布局先验的视觉编码器。
DRAMA：面向动态环境中弹性多智能体生态的下一代动态编排
DRAMA: Next-Gen Dynamic Orchestration for Resilient Multi-Agent Ecosystems in Flux
DRAMA 的多层架构与事件触发重调度机制可被视觉研究者用于设计动态多机器人协作系统，其集体空间智能模块整合分布式观测进行预测推理，为多视角视觉感知与决策融合提供可复用框架。
DPL：解耦原型学习以增强视觉-语言 Transformer 对缺失模态的鲁棒性
DPL: Decoupled Prototype Learning for Enhancing Robustness of Vision-Language Transformers to Missing Modalities
对做多模态视觉-语言模型的人，DPL 提供了一种可插拔的预测头设计：按当前缺失模态情形选择类原型并分解为图像/文本分量，可直接替换现有提示词框架后的全连接检测头，用于提升图像缺失时的推理鲁棒性。
DPGF-Net：用于联合评估 AI 生成图像感知质量与语义一致性的双先验引导融合网络
DPGF-Net: Dual-Prior Guided Fusion Network for Joint Assessment of Perceptual Quality and Semantic Consistency in AI-Generated Images
面向 AI 生成图像的联合质量与语义一致性评估，用图像侧先验把渲染失真与内容解耦、再与提示词模板交互，可作为 T2I 生成模型评测与数据筛选的自动化打分器。
DPAR：面向高效自回归视觉生成的动态图像块划分
DPAR: Dynamic Patchification for Efficient Autoregressive Visual Generation
用轻量无监督自回归模型的下一词元预测熵作为信息量准则，动态合并词元为大图像块，可直接迁移到任何 decoder-only 视觉自回归生成器中以降低注意力计算并加速收敛。
DP-FedAdamW：面向差分隐私联邦大模型的高效优化器
DP-FedAdamW: An Efficient Optimizer for Differentially Private Federated Large Models
为在隐私约束下用视觉 Transformer/ResNet 做联邦训练提供可直接替换的优化器：修正二阶矩估计的隐私噪声偏差并抑制客户端漂移，视觉研究者可在 DP 联邦微调大模型时直接套用该优化器与收敛分析框架。
DNF-SR：面向真实世界图像超分辨率的双输入与负样本感知特征微调
DNF-SR: Dual-Input and Negative-Aware Feature Fine-Tuning for Real-World Image Super-Resolution
把预训练扩散图像编辑模型当作单步 Real-ISR 的生成先验，用「原始 LR + 加噪 LR」双输入拼接来同时保住保真度与感知质量，并用正/负样本分组的后训练偏好优化（NF²T）在图像与特征空间定义隐式策略改进方向——这套「负样本感知微调」思路可直接迁移到其他一步扩散复原/编辑任务的输出筛选与对齐上。
DMGD：扩散模型中基于语义-分布匹配的无训练数据集蒸馏
DMGD: Train-Free Dataset Distillation with Semantic-Distribution Matching in Diffusion Models
用条件似然优化替代辅助分类器实现语义匹配，并以最优传输做分布匹配，为扩散模型中的无训练引导提供可复用方案；其分布近似匹配与贪心渐进匹配策略可迁移到任何需要低成本分布对齐的生成流程。
DMAligner：通过基于扩散模型的视图合成增强图像对齐
DMAligner: Enhancing Image Alignment via Diffusion Model Based View Synthesis
用扩散模型做面向对齐的新视图合成，替代传统光流 warping，能处理遮挡和光照变化；DMP 模块动态区分前景背景，思路可迁移到其他需要条件生成的视觉任务。
DLWM：双潜变量世界模型实现自动驾驶中全面的高斯中心预训练
DLWM: Dual Latent World Models enable Holistic Gaussian-centric Pre-training in Autonomous Driving
提出以3D语义高斯为场景表示的双潜变量世界模型预训练框架，可复用于基于高斯表示的感知与规划任务，其高斯流引导的潜变量预测思路对时序特征学习有借鉴意义。
DLVP-CLIP：通过动态局部视觉提示增强细粒度零样本异常检测
DLVP-CLIP: Enhancing Fine-Grained Zero-Shot Anomaly Detection via Dynamic Local Visual Prompting
用语义感知的局部特征选择器从图像关键区域动态抽取视觉提示词 token，替代预定义文本提示词模板来补足 CLIP 的局部细节感知，这一动态视觉提示思路可直接迁移到其他需要细粒度局部判别的 CLIP 下游任务（如缺陷检测、病灶定位）。
DK-DDIL：面向医学影像动态领域增量学习的自适应知识保持
DK-DDIL: Adaptive Knowledge Retention for Dynamic Domain-Incremental Learning in Medical Imaging
面向医学影像的免回放领域增量学习框架：用动态秩选择+自适应正则化在域漂移下分配容量，再用选择性适配器融合与原型级对比精炼稳定跨域知识迁移，可直接迁移到视觉基础模型的持续适配场景。
DINO 吞下 CLIP：面向开放集三维物体检索的超越已知类适配
DINO Eats CLIP: Adapting Beyond Knowns for Open-set 3D Object Retrieval
把冻结 DINO 的多视图特征做分块动态聚合（CAM）替代均值池化，并用 CLIP 的图文对齐空间合成未见类虚拟特征（VFS）来正则化适配，这套「冻结基础模型 + 虚拟类特征正则」思路可直接迁移到其他开放集/开放词表的 3D 或多视图识别任务。
DIMOS：解耦实例级运动目标分割
DIMOS: Disentangling Instance-level Moving Object Segmentation
双解耦特征提取把图像与事件模态各自拆成外观流和运动流，再配合多粒度跨模态对齐做融合；这套「先解耦再对齐」的流程可直接迁移到其他事件-图像融合任务（如事件辅助的检测、深度估计），也为小目标运动分割提供了可复用的特征增密思路。
DICArt：在离散状态空间中推进类别级铰接物体姿态估计
DICArt: Advancing Category-level Articulated Object Pose Estimation in Discrete State-Spaces
将类别级铰接物体姿态估计建模为离散扩散过程，利用分层运动学耦合和流决策器在离散状态空间中逐步去噪，为复杂铰接物体的 6D 姿态估计提供了新思路。
DGS：用于类增量学习的双梯度与语义漂移引导的低秩适配
DGS: Dual Gradient and Semantic-Shift Guided Low-Rank Adaptation for Class Incremental Learning
对视觉研究者而言，这篇论文给出了在预训练视觉模型上做类增量学习时，用双梯度融合（基子空间投影 + 任务 LoRA 梯度插值融合）替代刚性正交约束的思路，并配合分类器对齐与 patch 级对齐损失，可直接迁移到 ViT 类骨干的持续学习/多任务微调流程中。
DGGT：使用无位姿图像对动态驾驶场景进行前馈4D重建
DGGT: Feedforward 4D Reconstruction of Dynamic Driving Scenes using Unposed Images
将相机位姿作为模型输出而非输入，用前馈网络从稀疏无位姿图像直接预测逐帧3D高斯图和相机参数，并引入动态头与寿命头解耦动态、保持时序一致性，为自动驾驶场景的快速4D重建与重仿真提供了可复用的无位姿前馈范式。
DF^2-VB：面向多视图多标签分类的双层模糊融合与视图特定提升
DF^2-VB: Dual-level Fuzzy Fusion with View-specific Boosting for Multi-view Multi-label Classification
论文提出的特征级与决策级双层融合框架（模糊动态融合 + 视图特定提升）可直接迁移到多模态/多视图视觉任务中，例如多视角图像分类、多传感器融合识别，为如何联合利用互补特征与各视图预测提供可复用的融合范式。
DFD-HR：通过层级路由学习实现可泛化的深度伪造检测
DFD-HR: Generalizable Deepfake Detection via Hierarchical Routing Learning
把 PEFT 从「少调参数」推进到「调对参数」：层级的自适应早退剪枝加词元级 Spearman 排序筛选，可直接迁移到任何基于 CLIP 的伪造/异常检测或细粒度分类任务中，作为提升跨域泛化的通用微调策略。
DEVA：面向视觉感知任务的多模态大语言模型微调
DEVA: Fine-tuning Multimodal Large Language Models for Visual Perception Tasks
对做视觉感知任务的 MLLM 微调者，这篇给出了 GRPO 训练动力学的失效分析（多样性下降、探索受限、奖励聚合次优），并给出可插拔的改进：基于流的训练目标提升多样性、全局熵正则扩大探索、以对齐度作为非可验证奖励配合调和聚合，可直接套用到检测/定位等视觉感知的 RL 微调流程中。
DETACH：面向外视角视频与环境传感器的分解式时空对齐与分阶段学习
DETACH : Decomposed Spatio-Temporal Alignment for Exocentric Video and Ambient Sensors with Staged Learning
论文把外视角视频分解为空间与时序分量，并用在线聚类把环境传感器的隐式通道激活转成显式空间原型，从而建立跨模态空间视觉定位；这套「分解+原型视觉定位+加权对比」的流程可直接迁移到视频-音频、视频-IMU 等跨模态时序对齐任务，尤其是需要抑制假负样本的细粒度时序对齐场景。
DENALI：一个利用低成本激光雷达实现非视域空间推理的数据集
DENALI: A Dataset Enabling Non-Line-of-Sight Spatial Reasoning with Low-Cost LiDARs
提供了首个大规模真实世界低成本的消费级激光雷达时空直方图数据集，可用于训练和评测数据驱动的非视域感知方法，并揭示了仿真到真实迁移的差距，为后续研究提供基准。
DDiT：面向高效扩散 Transformer 的动态图像块调度
DDiT: Dynamic Patch Scheduling for Efficient Diffusion Transformers
把 DiT 固定的图像块划分换成随去噪时间步与内容复杂度变化的动态图像块尺寸，是一种无需训练、即插即用的推理加速手段，可直接套用到 FLUX、Wan 等基于 Transformer 的扩散生成模型上，在几乎不损失生成质量的前提下减少 token 数量。
DDT：解耦扩散 Transformer
DDT: Decoupled Diffusion Transformer
把扩散 Transformer 的编码器与速度解码器解耦，让编码器专注低频语义、解码器专注高频细节，可直接迁移到任何 DiT 类骨干（如 DiT、SiT、UViT）以加速收敛；其相邻去噪步共享自条件的统计动态规划策略，也为少步推理与缓存复用提供了可复用的调度思路。
DDSF：基于解耦子空间与行列式点过程的鲁棒少样本学习
DDSF: Robust Few-Shot Learning via Disentangled Subspaces with Determinantal Point Process
用行列式点过程（DPP）的体量最大化来筛选样本、引导扩散增强并构造解耦子空间，可作为提升原型类方法在噪声与难正样本下稳定性的通用插件。
DCoAR：面向个性化文本到图像生成的统一自回归模型深度概念注入
DCoAR: Deep Concept Injection into Unified Autoregressive Models for Personalized Text-to-Image Generation
对做个性化/定制化生成的人，这篇给出了在完全冻结的统一自回归模型上做深层概念注入的路线：逐层多模态上下文学习 + 双重先验保持与上下文感知自正则化，可在不微调主干的前提下实现主体定制与用户风格迁移，是替代适配式微调的低参数方案。
DC-Merge：利用方向一致性改进模型合并
DC-Merge: Improving Model Merging with Directional Consistency
对做多任务/多领域视觉模型部署的人，DC-Merge 提供了一种无需额外训练、仅靠奇异值平滑与共享正交子空间投影就能把多个微调模型（含 LoRA）合并成一个的通用后处理手段，可直接用于把多个视觉任务适配器压成单模型。
DBMSolver：面向高质量图像到图像翻译的免训练扩散桥采样器
DBMSolver: A Training-free Diffusion Bridge Sampler for High-Quality Image-to-Image Translation
把扩散桥 SDE/ODE 的半线性结构用指数积分器求解，得到免训练的一阶/二阶采样器，可直接替换现有 DBM 的采样环节，在 20 NFE 内把 FID 降低一半以上，适合需要低延迟的 I2I 翻译与修复流程。
DASH：一种合成有效且隐蔽对抗样本的元攻击框架
DASH: A Meta-Attack Framework for Synthesizing Effective and Stealthy Adversarial Examples
DASH 提供了一种可微元攻击框架，通过可学习权重组合多个 Lp 攻击来生成感知对齐的对抗样本，可直接用于评估视觉模型在感知度量约束下的鲁棒性，并为对抗训练提供更贴近人类感知的扰动样本。
DARC：面向可信胸部X光分类的双重调整反事实推理
DARC: Dual Adjustment Reasoning with Counterfactuals for Trustworthy Chest X-ray Classification
把因果推断中的后门调整与反事实推理引入胸部X光多标签分类，用于解耦病理共现与非病理视觉混杂带来的虚假相关；其像素级混杂标注数据集CheXconf与双流因果学习结构，可迁移到其他存在捷径学习的医学影像乃至自然图像分类任务。
DAGE：面向高效细粒度几何估计的双流架构
DAGE: Dual-Stream Architecture for Efficient and Fine-Grained Geometry Estimation
用低分辨率全局流负责跨视图一致性与相机估计、高分辨率逐帧流保留细节，再以轻量适配器跨注意力融合，为高分辨率长序列的深度/点图与位姿联合估计提供了可复用的解耦式双流范式。
DABO：基于扩散学习先验的难度感知贝叶斯优化
DABO: Difficulty-Aware Bayesian Optimization with Diffusion-Learned Priors
对视觉研究者而言，DABO 提供了一套可直接复用的超参数搜索框架：用条件扩散模型在真实学习曲线上生成合成数据，训练难度感知代理模型与采集函数，从而在有限算力预算下更高效地调参（如检测、分割、生成模型的训练超参），减少在简单区域浪费的搜索预算。
DA-VAE：通过细节对齐为扩散模型提供可插拔的潜变量压缩
DA-VAE: Plug-in Latent Compression for Diffusion via Detail Alignment
提出一种可插拔的潜空间压缩方案，通过显式潜变量布局和细节对齐正则，在几乎不重新训练扩散模型的情况下将 token 数减少 4 倍，为高分辨率扩散生成提供高效路径。
DA-Mamba：学习域感知状态空间模型用于域自适应目标检测中的全局-局部对齐
DA-Mamba: Learning Domain-Aware State Space Model for Global-Local Alignment in Domain Adaptive Object Detection
用线性复杂度的状态空间模型（Mamba）替代 Transformer 的二次注意力，在骨干网络和检测头中分别插入图像级与实例级的全局建模模块，为跨域目标检测提供了一种可复用的全局-局部对齐范式，也可迁移到其他需要长程依赖的密集预测任务。
D3D-VLP：面向具身视觉定位与导航的动态三维视觉-语言-规划模型
D3D-VLP: Dynamic 3D Vision-Language-Planning Model for Embodied Grounding and Navigation
把规划、视觉定位、导航与问答统一进单个 3D-VLM 的 3D 思维链管线，并用掩码自回归损失从部分标注的混合数据中互相隐式监督，对做具身导航与 3D 场景理解的人提供了一个可复用的多任务联合训练范式。
D2T2——面向近距离放射治疗的多模态自动规划
D2T2 - Multimodal Automated Planning for Brachytherapy
把物理前向模型（剂量核线性组合）作为可微网络层嵌入端到端预测，并用可学习的代理指标（gamma index 预测器）构造损失，这一「物理模型嵌入 + 代理指标损失」范式可迁移到其他需要输出物理可行结果的医学影像回归任务。
D2FANet：基于双域特征聚合网络的视频目标检测增强
D2FANet: Enhancing Video Object Detection with Dual-Domain Feature Aggregation Network
将频域特征聚合引入视频目标检测，通过分解高低频分布捕捉周期性运动模式，并与时空域重要性引导聚合协同，为视频时序建模提供新思路。
D2Dewarp：基于双维度几何表示学习的文档图像矫正
D2Dewarp: Dual Dimensions Geometric Representation Learning Based Document Image Dewarping
提出基于水平-垂直双维度线特征的细粒度形变感知模型，并利用渲染引擎自动生成带线标注的大规模畸变数据集，可复用于其他需要几何结构先验的文档或场景图像矫正任务。
D2Cache：面向更高视频扩散加速的二阶差分缓存
D2Cache: Second-Order Delta Caching for Higher Video Diffusion Acceleration
D2Cache 提出一种免训练的二阶残差缓存机制，通过利用一阶残差的时序差分（二阶残差）来更准确地预测未来时间步的输出，并基于时间步嵌入估计误差来自适应缩放二阶残差。该技术可直接用于加速视频扩散模型的推理，在 Latte、Open-Sora、LTX-video 和 Wan2.1 上均优于 TeaCache，且在高加速比下增益更大。
D-Prism：面向结构化动态建模的可微图元
D-Prism: Differentiable Primitives for Structured Dynamic Modeling
把 3DGS 绑定到可微图元表面并用变形网络驱动图元运动，为动态物体重建提供了「结构化几何 + 精确运动」的可复用范式；自适应图元数量控制策略可直接迁移到其他基于图元的场景表示中。
D-Convexity：面向数据驱动图像分割的、基于拟凹性的统一可微凸形状先验
D-Convexity: A Unified Differentiable Convex Shape Prior via Quasi-Concavity for Data-driven Image Segmentation
把凸性先验转成无需阈值的可微卷积损失（基于拟凹性与超水平集凸性），可直接嵌入任意分割网络输出端，用于视网膜血管等管状/凸结构分割的形状正则化，替代离散线约束或图割凸性建模。
D$^2$-FOSA：双扩散引导的频域语义对齐脑电到图像重建
D$^2$-FOSA: Dual-Diffusion Guided EEG-to-Image Reconstruction with Frequency-Oriented Semantic Alignment
论文提出的双扩散潜变量生成器（DDLG）与频域导向的Mamba编码器，为跨模态生成（如EEG到图像）提供了可复用的双向条件扩散框架和频域特征建模思路，可启发视觉-脑信号对齐及基于扩散的语义重建研究。
CycleManip：通过有效历史感知与理解实现基于周期的操作
CycleManip: Enabling Cycle-based Manipulation via Effective History Perception and Understanding
面向视觉-语言-动作（VLA）模仿策略的即插即用历史感知模块：用代价感知采样挑选历史帧、用多任务学习增强历史理解，可直接嵌入现有 VLA 策略以处理需要精确终止时刻的周期性操作任务。
CycleBEV：通过视图循环一致性正则化视图变换网络用于鸟瞰图语义分割
CycleBEV: Regularizing View Transformation Networks via View Cycle Consistency for Bird's-Eye-View Semantic Segmentation
提出一种仅训练期使用的逆视图变换（IVT）网络与视图循环一致性损失，可作为即插即用正则化手段提升任意 PV→BEV 视图变换模型的语义分割精度，且不增加推理开销；其将循环一致性扩展到几何空间与表征空间的思路，可迁移到其他跨视角表征学习任务。
循环一致性调优用于分层图像分解
Cycle-Consistent Tuning for Layered Image Decomposition
利用扩散基础模型和低秩适配进行图层分解，循环一致性训练策略可推广到其他图像分离任务；渐进自改进过程为数据增强提供新思路。
直击要点：基于事件链的免训练多模态摘要
Cut to the Chase: Training-free Multimodal Summarization via Chain-of-Events
把分层事件图当作免训练的结构化推理骨架，为视频-文本-图像融合提供显式的跨模态视觉定位与时序事件转移建模，可复用于视频问答、视频描述等需要事件级时序推理的视觉-语言任务。
定制化融合：面向自适应多任务感知红外-可见光图像融合的闭环动态网络
Customized Fusion: A Closed-Loop Dynamic Network for Adaptive Multi-Task-Aware Infrared-Visible Image Fusion
把下游任务的反馈以闭环方式回传到融合网络，并用基向量库+架构自适应注入按任务定制网络结构，为多任务图像融合提供了一种无需重训即可切换任务语义的融合框架，可迁移到其他多任务底层视觉问题。
CustomTex：基于多参考定制的高保真室内场景纹理生成
CustomTex: High-fidelity Indoor Scene Texturing via Multi-Reference Customization
提出双蒸馏框架（语义级+像素级）结合变分分数蒸馏，实现基于参考图像的实例级3D场景纹理生成，可复用于可控3D外观编辑与高保真纹理合成。
面向显存高效测试时自适应的曲率感知零阶优化
Curvature-Aware Zeroth-Order Optimization for Memory-Efficient Test-Time Adaptation
用仅前向的零阶梯度估计替代反向传播来做测试时自适应，并借助对角 Hessian 的滑动平均构造各向异性扰动协方差，为显存受限的端侧视觉模型提供了一条可复用的免 BP 适配路径。
曲率感知描述：利用测地注意力进行3D场景理解
Curvature-Aware Captioning: Leveraging Geodesic Attention for 3D Scene Understanding
将双曲几何中的洛伦兹空间与斜空间注意力引入3D稠密描述任务，为点云-语言跨模态对齐提供了一种保持层次语义的几何先验，可复用于其他需要建模场景实例间层级关系的视觉-语言任务。
课程组策略优化：自适应采样释放文生图生成潜力
Curriculum Group Policy Optimization: Adaptive Sampling for Unleashing the Potential of Text-to-Image Generation
把 GRPO 训练中的提示词采样从均匀改为按组奖励方差自适应加权，可直接迁移到扩散/流匹配模型的强化学习后训练，用来提升提示词对齐与训练效率；类别校准的比例公平思路也可用于多类别文生图数据配比。
立方离散扩散：基于高维表征词元的离散视觉生成
Cubic Discrete Diffusion: Discrete Visual Generation on High-Dimensional Representation Tokens
把预训练高维语义表征（768-1024 维）直接离散化后做掩码扩散生成，使同一套离散词元既能用于理解又能用于生成，为视觉生成与语言模型共享词元预测范式提供了可复用的路径；其「任意维度任意位置可掩码、生成步数固定为 T」的机制可直接迁移到高维特征上的生成式建模。
CubeComposer：从透视视频时空自回归生成 4K 360 度视频
CubeComposer: Spatio-Temporal Autoregressive 4K 360deg Video Generation from Perspective Video
把高分辨率全景视频生成拆成立方体贴图六面 + 时间窗的自回归序列，配合稀疏上下文注意力与立方体感知位置编码，为在有限显存下原生生成超高分辨率视频提供了可复用的时空自回归分解范式。
CryoKRAQEN：面向冷冻电镜异质重建中量化嵌入网络的核正则化退火方法
CryoKRAQEN: Kernel-Regularized Annealing for Quantized Embedding Networks in Cryo-EM Heterogeneous Reconstruction
把三平面隐式表示与核引导的量化潜变量分配结合，做成无编码器的解码器框架，可迁移到其他需要从极噪、连续变化观测中恢复潜结构的逆问题（如动态场景重建、低剂量成像），其避免码本坍缩的退火式量化分配策略也值得借鉴。
CryoHype：用基于 Transformer 的超网络重建上千个冷冻电镜结构
CryoHype: Reconstructing a thousand cryo-EM structures with transformer-based hypernetworks
把超网络与隐式神经表示结合，用输入结构索引动态生成 INR 权重，为视觉中「一次前向重建大量不同实例」的摊销式重建提供了可复用范式；固定位姿下从混合粒子图像中分离上千个结构，也可迁移到多目标、多实例的逆渲染与神经场重建。
CrowdGaussian：从单张图像重建高保真3D高斯人体人群
CrowdGaussian: Reconstructing High-Fidelity 3D Gaussians for Human Crowd from a Single Image
提出自监督适应流程，使预训练人体模型能从严重遮挡的单张图像中重建完整3D人体，并利用自校准学习策略微调单步扩散模型以提升多人3DGS表示质量，可直接用于拥挤场景的三维重建与渲染。
CrossVL：面向跨视角视觉语言检测的复杂度感知特征路由与配对课程学习
CrossVL: Complexity-Aware Feature Routing and Paired Curriculum for Cross-View Vision-Language Detection
CPA 用多模态统计量估计场景复杂度并据此把视觉特征路由到不同通路，这一「按复杂度动态选择融合路径」的思路可直接迁移到任意 VLM 检测器的视觉-语言融合层；PCL 用同步地空图像对的语义一致性做早期稳定监督、再逐步转向随机采样，为跨域/跨视角微调提供了一种可复用的课程调度策略。
CrossHOI：面向单目三维人体-物体交互重建的跨视角表征学习
CrossHOI: Learning Cross-View Representations for Monocular 3D Human-Object Interaction Reconstruction
用单目输入合成新视角特征作为先验，再以双向跨视角 Transformer 融合多视角顶点特征来估计接触并精修网格——这套「无额外输入的新视角特征先验 + 顶点级跨视角融合」思路可直接迁移到遮挡严重的人体/物体/手部重建与接触建模任务。
CrossHOI-Bench：跨视觉语言模型与 HOI 专用方法的统一 HOI 评测基准
CrossHOI-Bench: A Unified Benchmark for HOI Evaluation across Vision-Language Models and HOI-Specific Methods
用带显式正例与精选负例的多项选择协议替代 HICO-DET 的精确标签匹配，可直接用于公平比较 VLM 与专用 HOI 模型，并暴露多动作并发与动作-人物绑定这两类失败模式。
CrossEarth-Gate：面向跨域遥感语义分割高效适配的 Fisher 引导自适应调优引擎
CrossEarth-Gate: Fisher-Guided Adaptive Tuning Engine for Efficient Adaptation of Cross-Domain Remote Sensing Semantic Segmentation
把 Fisher 信息当作模块重要性的度量，在空间/语义/频率三类适配模块组成的工具箱上做动态稀疏激活，为视觉基础模型跨域适配提供了一种可复用的「按梯度流贡献选模块」的 PEFT 思路，可直接迁移到其他密集预测任务的域偏移场景。
面向扩散生成图像检测的跨模态表征学习
Cross-modal Representation Learning for Diffusion-generated Image Detection
提出跨模态对比学习与互蒸馏，将RGB与邻域像素关系模态的特征对齐，学习伪造感知嵌入空间，可直接用于提升扩散生成图像检测的泛化性。
跨模态恒等映射：通过强化学习最小化模态转换中的信息损失
Cross-modal Identity Mapping: Minimizing Information Loss in Modality Conversion via Reinforcement Learning
提出用图文检索相似度作为强化学习奖励信号，无需人工标注即可优化LVLM的图像描述，减少模态转换中的信息损失；该奖励设计可迁移到其他需要细粒度视觉理解的生成任务。
跨模态模糊对齐网络用于文本-航拍行人检索及大规模基准
Cross-modal Fuzzy Alignment Network for Text-Aerial Person Retrieval and A Large-scale Benchmark
针对无人机视角下视觉信息退化导致的跨模态对齐难题，提出用模糊隶属度函数动态量化词元级可靠性，并引入地面视角图像作为桥接代理，为跨模态检索中的噪声抑制和模态鸿沟弥合提供了可复用的对齐思路。
面向稀疏标注 PET 脑疾病预测的跨域双流特征解耦
Cross-domain Dual-stream Feature Disentanglement for Brain Disorder Prediction with Sparsely Labeled PET
在 PET 标注稀疏时用 MRI 做跨模态域自适应，其「先显式解耦关键/非关键脑区、再分别做拓扑加权对齐与高置信融合」的差异化解耦思路，可迁移到任何源域充足、目标域标注稀缺的跨模态医学分类任务。
跨视角泼溅：基于地理参考图像的前馈视角合成
Cross-View Splatter: Feed-Forward View Synthesis with Georeferenced Images
把正射卫星影像当作全局几何先验，与 GPS 标注的地面照片在统一三维坐标系下对齐特征并前馈预测像素对齐高斯泼溅，为稀疏地面覆盖的户外大场景新视角合成提供了可复用的跨视角融合范式。
面向不完整多视图多标签分类的跨视图蒸馏与自适应掩码
Cross-View Distillation and Adaptive Masking for Incomplete Multi-View Multi-Label Classification
跨视图蒸馏把高质量视图的表征作为教师信号对齐低质量视图，配合自适应掩码在融合前剔除不可靠表征，这套「先蒸馏再掩码」的流程可直接迁移到多模态/多视图视觉任务（如多相机、RGB-D、多传感器融合）中处理模态缺失与质量不均衡。
跨被试脑电到视频重建及超越
Cross-Subject EEG-to-Video Reconstruction and Beyond
SAM-Net 的跨被试对齐思路（中心渐进式对抗 + New2Source 映射）可迁移到其他需要跨域泛化的视觉生成任务，如跨摄像头行人重识别或跨模态视频生成；其 HRT 编码器对多通道时序信号的区域引导交互设计，对处理多传感器时序数据有参考价值。
面向空间基因表达推断的掩码多模态异构图对比学习跨切片知识迁移
Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference
把病理基础模型提取的图像嵌入当作跨切片相似度度量，再用掩码图对比学习在切片间迁移知识——这套「基础模型嵌入 + 异构图对比」的范式可直接迁移到其他需要跨样本/跨域迁移的病理与医学图像预测任务。
基于 ScaleFormer 的跨尺度全色锐化与 PanScale 基准
Cross-Scale Pansharpening via ScaleFormer and the PanScale Benchmark
把跨分辨率泛化重构成跨序列长度泛化，用可变长度图像块序列加 RoPE 外推到未见尺度，这一思路可直接迁移到超分、去噪等需要在不同分辨率间泛化的底层视觉任务。
跨模态引导的视觉合成用于数据高效的多模态抑郁识别
Cross-Modal Guided Visual Synthesis for Data-Efficient Multimodal Depression Recognition
对视觉研究者而言，可复用其「用音频/文本条件生成视觉特征来扩充训练分布，并以识别器性能闭环反馈驱动生成」的思路，用于视觉样本稀缺时的多模态表征增强。
面向说话人脸视频情感编辑的跨模态情感迁移
Cross-Modal Emotion Transfer for Emotion Editing in Talking Face Video
用大规模预训练音频编码器与解耦表情编码器在跨模态空间中学习情感语义向量，把「情感」从语音内容中剥离出来，为语音驱动的可控人脸动画提供了一种可迁移的条件控制手段，尤其适合处理未见过的扩展情感类别。
面向 LVLM 幻觉缓解的跨模态注意力校准
Cross-Modal Attention Calibration for LVLM Hallucination Mitigation
提供了一种免训练的推理期干预手段：通过掩蔽跨模态注意力权重较大的 value 向量构造失真对比分支，并对图像 token 做位置校准，可直接插入现有 LVLM 的解码流程以抑制幻觉，无需重训练。
跨实例高斯泼溅配准：基于几何感知特征引导的对齐
Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment
提出一种基于视角引导球面图特征和迭代绝对定向求解器的3DGS配准框架，可处理不同物体间的相似变换估计，为3DGS模型对齐和类别级配准提供了可复用技术。
面向视觉-语言-动作模型的跨手部潜表征
Cross-Hand Latent Representation for Vision-Language-Action Models
把不同灵巧手的关节动作映射到共享的具身无关潜动作空间，可直接插入标准 VLA 架构，为视觉研究者提供一种跨具身数据复用与动作表征对齐的即插即用方案。
基于多视图渐进自适应的跨域少样本分割
Cross-Domain Few-Shot Segmentation via Multi-view Progressive Adaptation
把「渐进增强 + 多视图预测一致性」作为无标注目标域自适应的通用手段，可直接迁移到其他跨域密集预测任务（如跨域检测、跨域深度估计）的目标域微调阶段。
跨域演示到代码：基于神经符号反事实推理的方法
Cross-Domain Demo-to-Code via Neurosymbolic Counterfactual Reasoning
把视频演示抽象为符号轨迹、再用反事实状态搜索做可验证的程序修订，这一「感知→符号→可验证改写」的管线可迁移到视觉演示学习与跨域操作策略生成中，为 VLM 驱动的机器人编程提供可验证的中间表示。
面向文本驱动三维人体运动编辑的跨轴特征融合与关节级运动差异预测
Cross-Axis Feature Fusion with Joint-Wise Motion Difference Prediction for Text-Based 3D Human Motion Editing
把运动序列沿关节轴与时间轴分别用 Transformer 编码再做跨轴融合，并用 Soft-DTW 回归作为辅助任务定位「哪些关节该改」，这套轴分解+关节级差异预测的思路可直接迁移到人体动作生成、姿态序列编辑与细粒度时序定位任务。
跨架构适配：面向云边持续测试时自适应的动态采样与异构蒸馏
Cross-Architecture Adaptation: Cloud-Edge Continual Test-Time Adaptation with Dynamic Sampling and Heterogeneous Distillation
把云端大 Transformer 教师与边缘轻量 CNN 学生的异构蒸馏用于持续测试时自适应，为视觉模型在分布漂移下的在线部署提供了可复用的跨架构知识迁移与样本筛选方案。
从左脑到右脑：面向视觉语言导航的自适应文本想象器
Cross from Left to Right Brain: Adaptive Text Dreamer for Vision-and-Language Navigation
用 LLM 以语言形式想象未来场景语义、替代视觉合成来缓解 VLN 的部分可观测性，并给出 decoder-free 潜空间接口把想象结果注入导航专家模块，这套「文本想象 + 潜空间对齐」思路可迁移到其他需要预测未来观测的具身导航与探索任务。
面向边缘持续学习的关键图像块感知稀疏提示与解耦训练
Critical Patch-Aware Sparse Prompting with Decoupled Training for Continual Learning on the Edge
把「关键图像块采样」作为任务感知的词元削减手段，配合提示词与分类器解耦训练来降低反向传播开销，为在显存受限的边缘设备上做视觉模型的持续适配提供了可复用的训练期效率方案。
CraftMesh：基于泊松无缝融合的高保真生成式网格操控
CraftMesh: High-Fidelity Generative Mesh Manipulation via Poisson Seamless Fusion
把三维网格编辑拆成「二维图像编辑 + 局部三维生成 + 泊松无缝融合」的流水线，其中混合 SDF/网格表示配合法向混合做几何融合、泊松纹理协调做外观融合，这两步可直接迁移到任何需要把新生成的三维局部拼回已有网格的任务（如三维补全、局部重生成、资产编辑）。
CrackSSM：通过动态扫描让状态空间模型重焕生机用于裂缝分割
CrackSSM: Reviving SSMs for Crack Segmentation via Dynamic Scanning
把 SSM 的静态多向扫描换成由高层语义方向响应驱动的动态词元重排，使裂缝相关区域在序列中相邻，这一思路可直接迁移到其他细长/不规则结构（血管、道路、裂纹）的分割与序列化建模；小波高频引导的解码也可作为边缘细化模块复用。
面向相机视角选择的覆盖度优化
Coverage Optimization for Camera View Selection
提出一种轻量、可解释的覆盖度指标 CONVERGE，用于主动视角选择：它用费舍尔信息增益的可解近似替代昂贵的透射率估计，可直接接入 Nerfstudio 的采集流程，提升 NeRF 类辐射场在固定或具身采集场景下的重建质量。
Cov2Pose：利用空间协方差实现流形感知的 6-DoF 物体姿态直接估计
Cov2Pose: Leveraging Spatial Covariance for Direct Manifold-aware 6-DoF Object Pose Estimation
用协方差池化把卷积特征分布编码成 SPD 矩阵、再经 Cholesky 分解做连续姿态编码，并在黎曼几何约束下回归，可直接替换现有直接姿态回归头中的全局池化层，提升遮挡下的稳定性。
耦合液态时间常数编码器与现代霍普菲尔德记忆
Coupling Liquid Time-Constant Encoders with Modern Hopfield Memory
把现代霍普菲尔德网络当作内容寻址记忆，与连续时间编码器并联，可作为一种通用的时序特征聚合模块，用于视频动作识别或事件相机等需要同时保留快速变化与长程上下文的视觉时序建模；其梯度收缩、降低 Hessian 迹的分析也为视觉模型优化提供思路。
面向免训练多视图图像编辑的耦合扩散采样
Coupled Diffusion Sampling for Training-Free Multi-View Image Editing
提出耦合扩散采样：同时从多视图生成分布与2D编辑分布采样两条轨迹并用耦合项连接，使预训练2D编辑模型在采样过程中引导多视图生成模型，从而免训练地获得跨视图一致的编辑结果，可复用于视频/多视图一致生成。
反事实 VLA：具备自适应推理的自反思视觉-语言-动作模型
Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning
把反事实自反思作为 VLA 执行前的推理环节，并配合 rollout-filter-label 数据挖掘管线，可为视觉驱动的端到端规划提供「先想后做」的可复用范式，尤其适合需要安全约束的轨迹生成任务。
CountGD++：面向开放世界计数的泛化提示
CountGD++: Generalized Prompting for Open-World Counting
把计数任务重新表述为开放词表的提示词条件定位问题：用文本或视觉示例指定目标，用负向提示词排除干扰，并在推理时自动生成伪示例，省去人工标注；这套提示词接口可直接迁移到开放词表检测与基于示例的目标定位。
面向多视角扩散模型的对应注意力对齐
Correspondence-Attention Alignment for Multi-View Diffusion Models
把跨视角几何对应作为注意力图的显式监督信号，只需监督单层注意力即可显著加速多视角扩散模型收敛并提升新视角合成质量，这一思路可直接迁移到任何以参考图为条件的扩散生成/编辑模型中，用于增强结构保持与视角一致性。
复制-变换-粘贴：视觉语言与几何约束引导的零样本物体-物体对齐
Copy-Transform-Paste: Zero-Shot Object-Object Alignment Guided by Vision-Language and Geometric Constraints
提出一种无需训练的测试时优化框架，利用 CLIP 梯度与可微渲染直接优化两个网格的相对位姿，并引入软 ICP 与穿透损失等几何约束，可复用于语言引导的三维场景组装与物体摆放任务。
面向非平衡分子表征学习的坐标去噪
Coordinate Denoising for Non-Equilibrium Molecular Representation Learning
把「坐标去噪分数等价于原子力」这一等变图网络中的经典假设推广到非平衡构象，用二阶有限差分构造辅助去噪目标；对做3D点云/等变网络预训练的人，这是一个可复用的、无需预训练即可插入监督流程的辅助损失设计思路。
CoordSpeaker：利用手势描述实现协调描述赋能的多语音手势生成
CoordSpeaker: Exploiting Gesture Captioning for Coordinated Caption-Empowered Co-Speech Gesture Generation
提出基于运动-语言模型的手势描述生成框架，为扩散模型提供细粒度语义条件；其统一跨数据集运动表示与分层控制去噪器可复用于其他条件运动生成任务。
CoopDiff：一种面向退化条件下协同的扩散引导方法
CoopDiff: A Diffusion-Guided Approach for Cooperation under Corruptions
把扩散去噪器当作特征级净化模块，用教师-学生范式在体素早期融合阶段生成干净监督，并用自我引导交叉注意力在退化条件下平衡融合两路特征；做车路协同/多智能体感知且需应对传感器与环境退化时可直接借鉴该去噪-融合结构。
内容相似度驱动的卷积神经网络
Convolutional Neural Networks Driven by Content Similarity
提出一种基于内容相似度的卷积聚合机制，通过排序操作将特征相似度转化为相对位置信息，使卷积能像自注意力一样聚合信息，为改进CNN的表征能力提供了可复用的技术思路。
凸性感知噪声校准：面向噪声水平未知图像去噪的自监督框架
Convexity-Aware Noise Calibration: A Self-Supervised Framework for Noise-Level-Unknown Image Denoising
把噪声水平估计转化为「去噪后方差随噪声水平变化」的单调关系，并用三分搜索加深度模型求解，可直接复用于盲去噪、真实噪声数据合成训练对以及任何需要估计未知噪声强度的复原流程。
对话式图像分割：以可扩展监督对抽象概念进行视觉定位
Conversational Image Segmentation: Grounding Abstract Concepts with Scalable Supervision
把「意图/可供性/物理常识」这类抽象概念作为分割查询，并用无需人工标注的数据引擎自动生成 prompt-mask 对，为语言引导分割提供了可扩展的监督构造范式，可直接迁移到开放词表与指令式分割的数据扩增。
测试时的可控联邦提示词学习
Controllable Federated Prompt Learning at Test Time
对做 CLIP 类视觉语言模型落地的人来说，这篇给出了一个测试时无需标签、仅靠置信度与模型-数据对齐指标动态加权全局/个性化/冻结三种提示词的方案，可直接迁移到跨域部署时的提示词自适应。
面向多实例学习全切片图像分类的对比跨袋增强
Contrastive Cross-Bag Augmentation for Multiple Instance Learning-based Whole Slide Image Classification
C2Aug 的跨袋增强与袋级/组级对比学习框架可迁移到其他弱监督密集预测任务（如组织病理分割、遥感场景分类），用于提升伪包多样性和特征判别性。
连续曝光时间建模用于真实大气湍流合成
Continuous Exposure-Time Modeling for Realistic Atmospheric Turbulence Synthesis
提出曝光时间相关的调制传递函数（ET-MTF）和倾斜不变的点扩散函数（PSF），用于生成物理精确的大气湍流模糊，可复用于图像复原任务的合成数据生成与泛化性评估。
基于功能连接矩阵生成式回放的fMRI脑部疾病诊断持续学习框架
Continual Learning for fMRI-Based Brain Disorder Diagnosis via Functional Connectivity Matrices Generative Replay
提出结构感知变分自编码器生成逼真的功能连接矩阵，并结合多级知识蒸馏与分层上下文赌博机自适应回放采样，为视觉领域处理非欧几里得图结构数据的持续学习提供可复用方案。
面向来自不同领域教师的持续蒸馏
Continual Distillation of Teachers from Different Domains
把「教师模型流式到达、且无法访问旧教师与教师训练数据」的持续蒸馏设定引入视觉模型压缩，用外部无标签数据上的 logits 保持来缓解跨域知识遗忘，可直接用于多源教师（如不同域检测/分割模型）合并到单一学生网络的场景。
Context-Nav：面向实例导航的上下文驱动探索与视角感知三维空间推理
Context-Nav: Context-Driven Exploration and Viewpoint-Aware 3D Spatial Reasoning for Instance Navigation
把长文本描述编码成稠密文本-图像对齐的价值图来给前沿点排序，作为探索先验；再用采样观察位姿、对齐局部坐标系做三维空间关系校验来判定候选，这套「价值图引导探索 + 视角感知关系验证」的零训练流程可直接迁移到具身导航与开放词表目标定位中。
面向隐式神经表示的内容感知频率编码与傅里叶-切比雪夫特征
Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
CAFE 用多个并行线性层经 Hadamard 积合成可学习的频率基，替代固定傅里叶基，可直接替换 NeRF、SIREN 类隐式表示中的位置编码模块，缓解谱偏置、提升高频细节重建；CAFE+ 再叠加切比雪夫特征作为互补，为视觉中的坐标型 MLP 提供更稳定的频率表征方案。
面向高效视频扩散的内容感知动态图像块划分
Content-Aware Dynamic Patchification for Efficient Video Diffusion
把「固定图像块划分」换成由轻量 router 从 3D VAE latent 预测每个时空区域的 patch 大小，并配可学习的 patchify/unpatchify 层，可直接插到现有 DiT 骨干上；做视频/图像扩散加速时，这是一个无需改架构就能减少词元数的即插即用方案，其注意力引导的显著性对齐损失也可迁移到其他词元压缩方法。
面向神经视频编码的内容自适应分层超先验
Content-Adaptive Hierarchical Hyperprior for Neural Video Coding
把「分层超先验」当作从当前帧提取的内容自适应信号，用来同时决定质量分配与参考帧选择；做视频压缩、码率控制或任何需要按内容动态分配比特/参考的视觉任务，都可借鉴这种用超先验引导结构决策而非固定 GOP 配置的思路。
接触感知神经动力学
Contact-Aware Neural Dynamics
把现成物理仿真器当作基础先验、用真实触觉接触信号学习残差式神经动力学模型，这一思路可直接迁移到视觉驱动的机器人操作策略评估与精修，也可为视觉接触状态估计提供监督信号设计参考。
一致实例场：面向动态场景理解
Consistent Instance Field for Dynamic Scene Understanding
将实例身份与可见性解耦，用可变形3D高斯联合编码辐射与语义，并通过可微光栅化从RGB和掩码直接学习，为动态场景的新视角全景分割和开放词表4D查询提供了连续概率表示方案。
超越对比的一致性：通过上下文一致性学习增强开放词表目标检测鲁棒性
Consistency Beyond Contrast: Enhancing Open-Vocabulary Object Detection Robustness via Contextual Consistency Learning
提出上下文一致性学习框架，通过生成同一物体在不同背景下的图像并施加特征一致性损失，提升开放词表检测器对背景变化的鲁棒性，可直接用于增强现有开放词表检测模型的泛化能力。
ConsistCompose：面向图像合成的统一多模态布局控制
ConsistCompose: Unified Multimodal Layout Control for Image Composition
把布局坐标直接嵌入语言提示、并用坐标感知的无分类器引导实现空间控制，为视觉研究者提供了一种无需任务专用分支即可复用到底层生成模型上的布局可控多实例生成方案，同时配套的 3.4M 布局与身份标注数据集可用于训练与评测布局条件生成。
ConsisVLA-4D：面向机器人操作，在高效三维感知与四维推理中推进时空一致性
ConsisVLA-4D: Advancing Spatiotemporal Consistency in Efficient 3D-Perception and 4D-Reasoning for Robotic Manipulation
对做视觉研究的人，这篇提供了不依赖额外深度传感器、仅从多视角 2D 观测构建紧凑潜变量几何 token 的思路（CO-Fuser），以及用跨视角物体身份对齐来保证语义一致性的做法（CV-Aligner），可直接迁移到需要多视角一致表征的 VLA 或具身操作策略中。
共识与争议：刻画架构产生分歧的决策空间
Consensus vs. Controversy: Mapping the Decision Space Where Architectures Diverge
提供了一种按图像分歧程度划分分布尾部（高分歧 vs 低分歧）的分析框架，可用于指导模型选择与集成构建——在争议图像子集上挑选互补架构，比在整体精度上做集成更能带来收益。
共识熵：利用多 VLM 一致性实现自验证与自改进的 OCR
Consensus Entropy: Harnessing Multi-VLM Agreement for Self-Verifying and Self-Improving OCR
提出一种无需训练、模型无关的「共识熵」指标，用多个 VLM 在输出空间的一致性来估计单样本可靠性；做 VLM 输出筛选、伪标签清洗或集成解码时可直接复用该打分与自适应路由策略。
ConsID-Gen：视角一致且身份保持的图像到视频生成
ConsID-Gen: View-Consistent and Identity-Preserving Image-to-Video Generation
用无位姿辅助视角增强首帧、经双流视觉-几何编码器与文本-视觉连接器融合语义与结构线索，为 Diffusion Transformer 提供统一条件，可直接借鉴到任何需要多视角一致性的条件视频生成任务中。
面向长尾识别的混淆感知谱正则化器
Confusion-Aware Spectral Regularizer for Long-Tailed Recognition
把混淆矩阵的谱范数当作可微正则项来压低类间混淆，为长尾分类中「最差类精度」这一可靠性指标提供了有理论上界支撑的训练手段，可直接嵌入现有长尾训练流程。
面向多模态情感分析的冲突感知自适应交叉重建
Conflict-Aware Adaptive Cross-Reconstruction for Multimodal Sentiment Analysis
对做多模态（视觉-音频-文本）融合的视觉研究者，这篇提供了用「跨模态重建」替代相似度损失来做共享表征隐式对齐的思路，并给出按模态冲突程度自适应加权、抑制冲突模态的具体机制，可直接迁移到视觉主导的多模态融合任务中。
置信度引导的多尺度聚合用于稀疏视角高分辨率三维高斯泼溅
Confidence-Guided Multi-Scale Aggregation for Sparse-View High-Resolution 3D Gaussian Splatting
把输入分辨率当作稀疏视角 3DGS 的一个可控变量来量化其稳定性与细节之间的权衡，并用跨尺度一致性加权聚合把高分辨率重建锚定到低分辨率的稳定几何上；这套由粗到细的多尺度聚合与伪视角正则化可直接嵌入现有 3DGS 管线，用于缓解高分辨率下的漂浮伪影与过拟合。
ConeSep：面向组合图像检索的基于锥体的鲁棒噪声遗忘组合网络
ConeSep: Cone-based Robust Noise-Unlearning Compositional Network for Composed Image Retrieval
针对组合图像检索中三元组标注噪声（尤其是参考图与目标图高度相似但修改文本错误的“硬噪声”）提出噪声边界估计与定向遗忘机制，可复用于任何依赖图文三元组监督的检索/对齐训练流程，用于清洗错误对应关系。
通过共形采样实现带泛化证书的条件事实性受控大语言模型
Conditional Factuality Controlled LLMs with Generalization Certificates via Conformal Sampling
为 VLM 输出提供带条件覆盖保证的集合值预测：用特征条件化的分位数回归学习连续接受阈值，在推理时以不动点规则给出预测集合，可直接用于 Flickr8k 这类图文任务上按难度分组控制幻觉与集合大小。
面向动作识别的 VLM 精简测试时自适应
Condensed Test-Time Adaptation of VLMs for Action Recognition
提出免训练的 ConDA 适配器，用视觉-文本对齐的概率做语义图像块筛选，再按图像块级视觉相似度构建时空管，绕开记忆缓存两步模态映射链的非传递性问题；做视频 VLM 下游适配时可直接复用这套「文本引导视觉聚合」的免训练流程。
ConceptPrism：通过残差词元优化实现个性化扩散模型中的概念解耦
ConceptPrism: Concept Disentanglement in Personalized Diffusion Models via Residual Token Optimization
通过跨图像比较与残差词元优化实现概念解耦，可直接用于个性化 T2I 中抑制参考图像里与用户提示冲突的无关属性，提升概念保真度与文本对齐的平衡。
ConceptPose：基于概念向量的免训练零样本物体姿态估计
ConceptPose: Training-Free Zero-Shot Object Pose Estimation using Concept Vectors
用 VLM 的显著性图构造逐点概念向量的 3D 概念图，再靠 3D-3D 对应做无训练 6DoF 相对姿态估计，为无 CAD 模型、无数据集训练的物体姿态估计提供了一条可复用的表征与匹配思路。
概念引导微调：引导 ViT 远离虚假相关以提升鲁棒性
Concept-Guided Fine-Tuning: Steering ViTs away from Spurious Correlations to Improve Robustness
用 LLM 无标签提出类相关概念、VLM 分割成概念掩码，再以微调目标把 ViT 的内部相关性图对齐到这些概念区域并抑制背景，是一种可直接复用的、无需人工标注的鲁棒性微调手段，也可用来提升模型可解释性。
概念感知低秩适配用于域对齐的分割数据集生成
Concept-Aware LoRA for Domain-Aligned Segmentation Dataset Generation
CA-LoRA 通过选择性更新与目标域概念（如风格、视角）相关的权重，在微调 T2I 模型时保留预训练知识，从而生成多样且对齐的分割数据集；该思路可复用于其他需要域对齐数据生成的视觉任务，并提升域泛化性能。
概念感知批采样改进语言-图像预训练
Concept-Aware Batch Sampling Improves Language-Image Pretraining
CABS 把「批采样」当作可在线定制的数据筛选手段：按目标概念分布动态组批（多样性最大化或频次最大化），可直接嵌入 CLIP 类对比学习训练循环，用于缓解长尾概念偏置，且无需额外模型过滤器。
概念区域至关重要：一种基于聚类重要性的 CLIP 基准测试方法
Concept Regions Matter: Benchmarking CLIP with a New Cluster-Importance Approach
CCI 利用 CLIP 自身的图像块嵌入做聚类并掩码评估预测变化，为视觉研究者提供了一种无需额外训练即可定位模型决策依据的归因工具；结合 GroundedSAM 可自动区分前景/背景驱动预测，COVAR 基准则系统解耦前景与背景变化，可用于诊断和提升 VLM 的鲁棒性。
Conan：在多尺度视觉证据上像侦探一样推理的渐进式学习
Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence
把「帧级证据定位」显式建模为推理轨迹的一部分（识别-推理-动作），并用 RLVR 分阶段冷启动训练，可直接迁移到需要视觉 grounding 的多步 VQA、长视频问答与视频 agent 决策场景。
基于超像素化相机的计算机视觉
Computer Vision with a Superpixelation Camera
把超像素分割前移到相机端做在线自适应压缩，为边缘设备上的分割、检测、单目深度估计提供低内存输入；做端侧视觉系统的人可以借鉴这种「传感器-算法协同」的降数据量思路，替代在图像域事后压缩。
计算散斑图案干涉术
Computational Speckle Pattern Interferometry
将散斑干涉的成像模型分解为空间与时间因子，并借鉴 Horn-Schunck 光流框架从单帧图像恢复亚微米级位移与振动，为无精密仪器的单帧相位测量提供了可复用思路。
通过服务器端梯度冲突缓解与表达实现计算与通信高效的联邦遗忘
Computation and Communication Efficient Federated Unlearning via On-server Gradient Conflict Mitigation and Expression
为视觉模型在联邦场景下提供可撤销数据贡献的机制：通过服务器端梯度冲突缓解与特征编码实现遗忘，视觉研究者可将其用于隐私合规的分布式训练（如医疗影像联邦模型）中移除特定客户端数据的影响。
压缩域感知的在线视频超分辨率
Compressed-Domain-Aware Online Video Super-Resolution
把压缩码流里的运动矢量、残差图、帧类型当作免费先验来替代昂贵的运动估计：运动矢量做粗对齐、网络只学局部残差偏移，可显著降低在线视频超分辨率的对齐开销，这套「压缩域引导对齐+按帧类型分配算力」的思路可直接迁移到其他视频复原/增强任务。
面向组合视频检索的组合式变换推理
Compositional Transformation Reasoning for Composed Video Retrieval
把组合式图文查询拆成实体、动作、场景三个推理维度，并用多模态大模型做成对候选推理，这套零样本流程可直接迁移到视频-文本检索与视频时序变化理解任务中，避免依赖噪声三元组训练。
基于区域感知双模态直接偏好优化的组合式文本到图像生成
Compositional Text-to-Image Generation Via Region-aware Bimodal Direct Preference Optimization
提出区域感知的双模态直接偏好优化（BIDPO），可复用于提升扩散模型对复杂组合提示词的遵循能力，尤其是属性绑定、对象关系和计数等细粒度对齐任务。
通过概念-提示词绑定组合来自图像和视频的概念
Composing Concepts from Images and Videos via Concept-prompt Binding
提出通过绑定视觉概念与提示词词元，在扩散 Transformer 的交叉注意力中实现单样本概念组合，可复用于个性化生成与视频编辑中的概念解耦控制。
Complet4R：几何完整的四维重建
Complet4R: Geometric Complete 4D Reconstruction
用 decoder-only Transformer 在整段视频上做全局注意力，把其他帧可见的遮挡区域直接累积到当前帧，从而在单次前向中同时完成动态场景重建与几何补全；这一「重建即补全」的范式可迁移到动态 NeRF/高斯泼溅的遮挡补全与长时序点跟踪。
面向高效多模态异常检测的互补原型映射
Complementary Prototype Mapping for Efficient Multimodal Anomaly Detection
提出互补原型映射框架，通过共识原型和补充原型动态引导跨模态特征映射，解决无监督多模态异常检测中的映射歧义问题，可复用于工业质检和医学影像的缺陷定位任务。
CompetitorFormer：通过竞争策略缓解查询冲突的 3D 实例分割
CompetitorFormer: Mitigating Query Conflicts for 3D Instance Segmentation via Competitive Strategy
针对基于 Transformer 的 3D 实例分割中多个查询同时瞄准同一实例导致掩码碎片化的问题，提出查询竞争层与排序交叉注意力，可复用于任何基于查询的 3D/2D 分割框架以加速收敛并提升精度。
CompBench：面向复杂指令引导图像编辑的基准
CompBench: Benchmarking Complex Instruction-guided Image Editing
做指令引导图像编辑的研究者可以直接用 CompBench 的细粒度指令与四维解耦（位置/外观/动态/物体）来诊断模型在复杂场景下的精确操控短板，也可借鉴其 MLLM-人工协同构建流程来造自己的评测数据。
常见修复物体的上下文内外数据集
Common Inpainted Objects In-N-Out of Context
用扩散修复在 COCO 上系统性地替换物体，构造出上下文一致与不一致的受控样本，为上下文推理、上下文预测和伪造检测提供了可复用的评测床；做图像取证或上下文理解的研究者可以直接用这套数据做零微调评测。
ComPose：面向鲁棒类别级物体姿态估计的统一补全-姿态框架
ComPose: A Unified Completion-Pose Framework for Robust Category-Level Object Pose Estimation
将点云补全与类别级姿态估计统一到一个端到端框架中，通过渐进式关键点补全和几何关系一致性损失，避免了两阶段方法的误差累积，为处理不完整点云的姿态估计提供了可复用的设计思路。
ColorFLUX：一种用于老照片上色的结构-颜色解耦框架
ColorFLUX: A Structure-Color Decoupling Framework for Old Photo Colorization
将结构保持与颜色恢复解耦，并利用视觉语义提示替代文本提示来消除老照片的颜色偏差，为图像上色和可控生成提供了可复用的条件控制思路。
面向高速体积场景重建的颜色编码照明
Color-Encoded Illumination for High-Speed Volumetric Scene Reconstruction
用快速顺序彩色照明把高速时序信息编码进普通低帧率相机的图像颜色中，再借助动态高斯泼溅从多视角彩色编码图像中解码时序并重建高速体积场景；这为用低成本多相机阵列突破带宽限制、做动态场景重建提供了可复用的编码-解码思路。
关键时刻用彩色：灰度引导的在线触发用于常开流式视频感知
Color When It Counts: Grayscale-Guided Online Triggering for Always-On Streaming Video Sensing
提出灰度常开、彩色按需的传感范式，利用轻量二次规划在线检测彩色冗余，并配合动态词元路由降低推理成本，为边缘设备上的流式视频理解提供可复用的触发与调度机制。
面向视觉语言模型的协同多模式剪枝
Collaborative Multi-Mode Pruning for Vision-Language Models
对需要在边缘设备部署 VLM 的视觉研究者，这篇给出了参数剪枝与词元剪枝联合进行的框架：CIM 把词元显著性纳入参数重要性打分、并反向抑制已剪参数对词元打分的影响，MPS 用剪枝代价驱动的多阶段调度自适应切换剪枝模式，可直接迁移到 BLIP、LLaVA 类多模态模型的压缩流程中。
ColaVLA：利用认知潜变量推理实现自动驾驶中的层级并行轨迹规划
ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving
把 VLM 的文本思维链推理迁移到统一潜空间，并用层级并行解码器一次前向输出多尺度轨迹，为视觉研究者提供了「潜变量推理 + 并行轨迹头」这一可复用范式，可显著降低 VLM 规划器的自回归延迟。
CogniVerse：以认知反思与几何推理革新多模态检索增强生成
CogniVerse: Revolutionizing Multi-Modal Retrieval-Augmented Generation with Cognitive Reflection and Geometric Reasoning
为视觉语言模型的知识密集型问答提供了一种基于黎曼流形对齐和谱图优化的多模态检索增强生成框架，其认知反思模块可动态判断检索必要性，对构建高效可靠的视觉问答系统有直接参考价值。
CogniEdit：面向细粒度图像编辑的稠密梯度流优化
CogniEdit: Dense Gradient Flow Optimization for Fine-Grained Image Editing
把 GRPO 的稀疏步级奖励改为跨连续去噪步传播梯度的稠密奖励，为扩散编辑提供轨迹级监督；该思路可直接迁移到任何需要细粒度指令遵循的扩散采样优化中。
CogDriver：融合认知惯性实现自动驾驶中的时序连贯规划
CogDriver: Integrating Cognitive Inertia for Temporally Coherent Planning in Autonomous Driving
对做自动驾驶端到端规划的人，这篇给出了用稀疏时序记忆维持稳定内部状态、并用时空知识蒸馏显式监督决策连贯性的做法，可直接迁移到基于 VLM 的闭环规划器中抑制决策抖动。
Coded-E2LF：从事件重建编码孔径光场
Coded-E2LF: Coded Aperture Light Field Imaging from Events
用编码孔径 + 纯事件相机采集并重建 4D 光场，为事件相机做稠密 4D 光场/新视角重建提供了无需强度图像的硬件方案与重建思路，可迁移到事件驱动的新视角合成与深度估计。
CodeV：以图像代码实现忠实视觉推理的工具感知策略优化
CodeV: Code with Images for Faithful Visual Reasoning via Tool-Aware Policy Optimization
对做多模态视觉推理智能体的人，这篇提供了可复用的过程级奖励设计思路：把奖励直接定义在图像裁剪等工具输入/输出上而非思维链 token 上，并用可执行 Python 代码表示视觉工具，从而抑制奖励作弊、提升工具使用的证据一致性；其忠实性评测协议也可直接用于诊断自家 VLM 的"猜对答案但推理不忠实"问题。
CodePercept：面向多模态大模型的代码接地视觉STEM感知
CodePercept: Code-Grounded Visual STEM Perception for MLLMs
将可执行代码作为视觉感知的监督信号，通过图像到代码的生成任务迫使模型进行精确的视觉理解，为评估和增强多模态大模型的细粒度感知能力提供了新范式。
CodeMMR：统一自然语言、代码与图像的统一检索
CodeMMR: Bridging Natural Language, Code, and Image for Unified Retrieval
把图像（网页界面、数据可视化、SVG、示意图、UML）与自然语言、代码嵌入同一语义空间做跨模态检索，其指令驱动的多模态对齐与统一嵌入思路可直接迁移到视觉侧的图文检索、视觉定位与多模态 RAG 场景。
CodeDance：一种用于可执行视觉推理的动态工具集成多模态大语言模型
CodeDance: A Dynamic Tool-integrated MLLM for Executable Visual Reasoning
将可执行代码作为视觉推理的通用求解器，通过动态组合工具（如检测、绘图）并渲染中间视觉产物，实现透明、可自检的推理过程；其强化学习训练中涌现的工具组合与跨任务迁移能力，为视觉语言模型的可解释推理与工具增强提供了新范式。
CoWTracker：以变形替代相关性的跟踪方法
CoWTracker: Tracking by Warping instead of Correlation
用基于当前跟踪估计的特征变形（warping）替代代价体做跨帧匹配，把复杂度从空间分辨率的平方降到线性，并用 Transformer 对所有轨迹做联合时空推理；做视频对应、光流或长程跟踪的工作可以直接复用这一迭代变形框架，并把它当作统一稠密点跟踪与光流估计的骨干设计。
CoVFT：面向多模态大模型的上下文感知视觉微调
CoVFT: Context-aware Visual Fine-tuning for Multimodal Large Language Models
对做 MLLM 视觉侧适配的人，这篇给出了一个可复用的思路：把多模态上下文显式抽成 context vector 并送入 MoE 来分解视觉编码器在不同上下文下的冲突梯度，从而让视觉微调稳定超过冻结基线；其配置对齐的基准也提示视觉微调实验必须控制训练配置变量。
CoV-Align：以连贯视觉语义优先的高效细粒度跨模态对齐
CoV-Align: Efficient Fine-grained Cross-Modal Alignment with Cohesive Visual Semantics Priority
用无文本引导的语义收敛注意力先聚合视觉 patch，再与文本对齐，可把图文检索/跨模态检索中的 patch-word 冗余相关性计算量降下来，3-5x 加速对大规模多模态训练与推理有直接复用价值。
CoT-Edit：让思维链引导指令式视频编辑
CoT-Edit: Let CoT Guide Instruction Video Editing
用 CoT 增强的 MLLM 作为规划器输出边界框序列与属性化编辑指令，再把全局文本检索转成框条件掩码生成，为指令式视频编辑提供可复用的「先规划空间先验、再局部精修」范式。
CoSMo3D：通过 LLM 引导的规范空间建模实现开放世界提示式 3D 语义分割
CoSMo3D: Open-World Promptable 3D Semantic Segmentation through LLM-Guided Canonical Spatial Modeling
把 3D 语义分割从输入传感器位姿空间搬到数据驱动的规范参考系中，用 LLM 引导构建跨类别规范数据集、再用规范图锚定与规范框校准的双分支把位姿与对称性坍缩成稳定嵌入——这套「先规范再分割」的思路可直接迁移到任意位姿敏感的点云/网格部件分割与开放词表 3D 任务。
CoRoGS：面向鲁棒大偏差视角合成的上下文高斯泼溅
CoRoGS: Contextual Gaussian Splatting for Robust Large-Deviation View Synthesis
将高斯泼溅中的高斯图元视为图节点，通过消息传递建模高斯间依赖关系，并采用渐进式图扩展策略自适应增删高斯，从而在大视角偏差下保持几何一致性；该思路可迁移到任何需要结构化场景表示的NVS任务中。
CoRiM：面向动态多模态融合的冲突驱动风险最小化
CoRiM: Conflict-driven Risk Minimization for Dynamic Multimodal Fusion
提出一种基于模态冲突风险最小化的动态融合范式，其可微风险函数与 Frank-Wolfe 优化框架可被视觉多模态任务（如多模态检测、分割）直接复用，以提升在模态冲突或噪声环境下的鲁棒性。
CoMo：从互联网视频中学习连续潜运动以实现可扩展的机器人学习
CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning
用早期时序差分与时间方向反转构造正负样本的时序对比学习，从互联网视频中无监督地提取连续潜运动表征，可直接为视觉策略学习生成伪动作标签，是一种可复用的视频表征预训练手段。
CoLoR：大规模视觉定位中场景坐标回归的关键所在
CoLoR: The Devil is in Scene Coordinate Regression for Large-Scale Visual Localization
针对大场景下稀疏共视与局部外观歧义问题，提出将场景点划分为多视图/单视图集的两阶段自举监督，以及统一全局与局部特征的图像级/像素级多粒度检索特征，可直接用于提升基于 SCR 的大规模视觉定位精度，同时保持紧凑地图。
CoLoGen：面向统一图像生成的概念—定位二元性渐进学习
CoLoGen: Progressive Learning of Concept-Localization Duality for Unified Image Generation
把「语义理解」与「空间定位」两类异质表征显式解耦，再用混合专家式路由（PRW）按阶段融合，为统一条件生成中多任务表征冲突提供了一种可复用的架构思路，可直接迁移到编辑、可控生成与个性化生成的统一模型设计。
CoLC：结合激光雷达补全的通信高效协同感知
CoLC: Communication-Efficient Collaborative Perception with LiDAR Completion
在带宽受限下用前景感知点采样加激光雷达补全重建稠密 pillar 再做早期融合，为多智能体协同感知提供了一条兼顾互补性与通信开销的路线，可直接迁移到车路协同与多车 BEV 感知系统。
CoIn：面向高效大型多模态模型的覆盖度与信息量引导词元削减
CoIn: Coverage and Informativeness-Guided Token Reduction for Efficient Large Multimodal Models
把视觉词元裁剪建模为「信息量 + 覆盖度」的联合最优子集选择，用基于体积的覆盖度准则保证特征空间全局代表性，且与 kernel 级推理加速器兼容——做 LMM 推理加速或多模态 token 压缩时可直接替换 importance-only 或 pairwise 去冗余的选 token 策略。
CoIn3D：重新审视配置不变的多相机3D目标检测
CoIn3D: Revisiting Configuration-Invariant Multi-Camera 3D Object Detection
针对多相机3D检测在相机内参、外参和阵列布局变化下的跨平台泛化问题，提出将焦距、地面深度、地面梯度与 Plücker 坐标四类空间先验注入特征调制，并用免训练的动态新视角合成做相机感知数据增强；这套「空间先验显式建模 + 配置扰动增强」思路可直接迁移到任何需要跨传感器配置部署的 BEV/透视图 3D 感知模型。
CoFiDA-M：面向跨域自适应且仅需图像推理的概念感知特征调制
CoFiDA-M: Concept-Aware Feature Modulation for Cross-Domain Adaptation with Image-Only Inference
把只在训练期可得的稠密概率元数据（MONET 概念分数）经 FiLM 调制教师特征，再让学生回归被『编辑』后的特征空间而非仅拟合 logits，这一特权信息蒸馏范式可迁移到任何测试时缺失辅助模态的视觉任务。
CoD：面向图像压缩的扩散基础模型
CoD: A Diffusion Foundation Model for Image Compression
CoD 提供了一个从零训练、面向压缩的扩散基础模型，可替代 Stable Diffusion 作为下游扩散编解码器的骨干，尤其在超低码率下提升压缩效率；其像素空间扩散实现 VTM 级 PSNR 与高感知质量的发现，为图像压缩与生成联合优化提供了新思路。
CoCoVideo：面向AI生成视频检测的基于商用模型的高质量对比基准
CoCoVideo: The High-Quality Commercial-Model-Based Contrastive Benchmark for AI-Generated Video Detection
提供了基于13个商用生成器的语义对齐真假视频对，可用于训练和评测高保真AIGC视频检测器；其「R3D-18时空特征+置信度门控路由到MLLM推理物理合理性」的框架，为在视觉检测中引入多模态大模型推理提供了可复用的设计范式。
Co-Me：面向视觉几何 Transformer 的置信度引导词元合并
Co-Me: Confidence Guided Token Merging for Visual Geometric Transformers
对做多视图/流式几何 Transformer（VGGT、Pi3）的人，这是一种即插即用的免训练加速手段：用轻量置信度预测器给词元排序并合并低置信词元，在保持空间覆盖的同时把序列长度带来的算力开销压下来，可直接用于实时 3D 感知与重建的部署。
ClusterMark：面向自回归图像生成器、基于视觉词元聚类的鲁棒水印
ClusterMark: Towards Robust Watermarking for Autoregressive Image Generators with Visual Token Clustering
对做自回归图像生成的人，这篇给出了在词元序列上嵌入可检测水印的具体做法：按视觉词元聚类划分红/绿集合来偏置下一词元预测，并证明聚类比逐词元划分更能抵抗图像扰动与再生攻击，可直接复用到 VQ 词元序列的生成框架中。
面向多视图聚类的簇感知锚框学习
Cluster-aware Anchor Learning for Multi-View Clustering
把锚框数量从全局固定改为按簇自适应分配，并用 l2,1 列稀疏自动决定每簇保留多少锚框，这一思路可直接迁移到视觉中的大规模聚类、检索与表征压缩场景，例如对多视图/多模态视觉特征做可扩展聚类时替代固定锚框的 k-means 类方法。
面向高效视频-语言预训练的簇级时空掩码
Cluster-Wise Spatio-Temporal Masking for Efficient Video-Language Pretraining
提出按帧内语义聚类、每簇保留时序密度最高词元的掩码策略，可直接迁移到任何视频-语言或视频自监督预训练流程中，在极高掩码率下同时缓解视觉信息丢失与帧间信息泄漏，并配合视频-文本相关性重建目标提升跨模态语义对齐。
面向视觉语言模型长尾泛化的聚类感知神经坍缩提示词微调
Cluster-Aware Neural Collapse Prompt Tuning for Long-Tailed Generalization of Vision-Language Models
把神经坍缩的 ETF 几何约束引入提示词微调，用聚类级局部约束替代全局约束，为在类不平衡数据上微调 VLM 时保住尾类判别力提供了一个可复用的损失设计思路。
换装与姿态
Clothe and Pose
把「换装」与「姿态重定向」合并为单一条件生成任务，输入单张人像、多件服装图和目标姿态，输出同时满足服装与姿态约束的人体图像；其评测框架对做虚拟试衣和姿态迁移的研究者可直接复用，用于联合评估服装保真度与姿态一致性。
基于双重投影的闭式概念擦除
Closed-Form Concept Erasure via Double Projections
提供一种无需训练、几秒内即可对预训练扩散/流匹配模型做权重级线性编辑的闭式投影工具，可直接用于概念擦除、风格去除等模型安全编辑场景，并可作为研究生成模型表征方向几何结构的探针。
克隆确定性世界：潜空间几何在长时程世界模型中的关键作用
Cloning Deterministic Worlds: The Critical Role of Latent Geometry in Long-Horizon World Models
论文揭示潜空间几何结构是长时程世界模型保真度的瓶颈，并提出时序对比学习作为几何正则化手段，可无缝集成到标准自编码器中。这对视觉世界模型、视频预测等任务中表征学习的设计具有直接启发，即通过对比约束塑造反映物理状态流形的潜空间。
ClipGStream：面向任意长度与任意运动多视角动态场景重建的片段流高斯泼溅
ClipGStream: Clip-Stream Gaussian Splatting for Any Length and Any Motion Multi-View Dynamic Scene Reconstruction
把动态高斯泼溅的优化粒度从帧级提升到片段级，用片段独立的时空场加残差锚框补偿建模局部运动，并通过跨片段继承锚框与解码器保持长序列一致性——这套「Clip-Stream」思路可直接迁移到长视频新视角合成与流式动态重建，兼顾显存与闪烁抑制。
面向医学视频诊断的临床依据反事实推理
Clinically-Grounded Counterfactual Reasoning for Medical Video Diagnosis
用扩散模型合成反事实组织演变视频，并通过时序一致性、病理可分性与反事实对齐三项约束学习表征，为数据稀缺下的视频诊断提供可复用的反事实增强与对比预测范式。
ClimaOoD：通过物理真实的合成数据改进异常分割
ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data
ClimaDrive 的语义引导图像到图像框架可生成物理真实、天气多样的 OoD 驾驶数据，为异常分割模型提供高质量训练数据；其结构引导多天气生成与提示驱动异常修复的统一思路，可复用于其他需要合成异常样本的视觉任务。
清洗池子：深度主动学习中未标注池的渐进式过滤
Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning
对视觉研究者而言，REFINE 提供了一种无需预先知道哪种采样策略最优的集成式主动学习流程：先用多策略集成对未标注池做渐进式过滤，再用覆盖度选择挑批，可直接套用到视觉基础模型（如 CLIP、DINOv2）的标注预算受限微调场景，且过滤后的池子能提升任意单一 AL 策略的表现。
从黏土到岩石：面向单目关节手物操作建模的分阶段 3D 高斯泼溅
Clay-to-Stone: Phase-wise 3D Gaussian Splatting for Monocular Articulated Hand-Object Manipulation Modeling
把单目视频中的关节手物交互建模拆成「柔性形变探索 + 刚性结构固化」两阶段，用 3D 高斯泼溅表示并显式估计关节运动参数，可复用于关节物体重建与手物交互追踪中缓解形状-运动耦合歧义。
明暗对照：一种光照感知的真实世界图像矢量化方法
Clair Obscur: an Illumination-Aware Method for Real-World Image Vectorization
将本征图像分解（albedo/shade/light）引入矢量域，用可微渲染做两阶段优化，为图像矢量化提供光照感知的表示，可复用于需要可编辑矢量表示或光照解耦的视觉任务。
Circular-DPO：通过偏好反馈循环对齐多阶段 3D 生成模型
Circular-DPO: Aligning Multi-Stage 3D Generative Models via Preference Feedback Loop
将 DPO 扩展到多阶段 3D 生成流程，通过采样-解码构造跨阶段偏好对，绕过不可微操作实现端到端偏好对齐；质量感知加权机制可复用于其他带噪声偏好数据的对齐训练。
扩散 Transformer 中空间关系生成的电路机制
Circuit Mechanisms for Spatial Relation Generation in Diffusion Transformers
用电路级（cross-attention head 级）机制分析拆解 DiT 如何从文本 token 读取空间关系，为诊断和修复文生图模型的空间关系失败提供了可复用的分析范式：从零训练受控小模型、按文本编码器类型对比内部电路，并据此解释 OOD 鲁棒性差异。
利用视觉线索的电影音频源分离
Cinematic Audio Source Separation Using Visual Cues
把视觉线索作为条件注入条件流匹配生成过程，为视觉研究者提供了一个可复用的范式：用视频帧（人脸、场景）作为条件信号去引导音频生成/分离，可迁移到其他以视觉为条件的生成任务（如视觉引导的语音增强、音效合成）。
CineScene：以隐式三维作为电影级视频生成的有效场景表示
CineScene: Implicit 3D as Effective Scene Representation for Cinematic Video Generation
用 VGGT 把静态场景图像编码成隐式三维感知特征，再以额外上下文拼接的方式注入预训练文生视频模型，实现相机轨迹可控且场景一致的视频合成；这套「隐式三维先验 + 上下文拼接」的条件注入思路可迁移到任何需要几何一致性的可控视频生成任务。
CineSRD：利用视觉、声学与语言线索的开放世界视觉媒体说话人日志
CineSRD: Leveraging Visual, Acoustic, and Linguistic Cues for Open-World Visual Media Speaker Diarization
将说话人日志任务扩展到影视剧等开放世界视觉媒体场景，提出视觉锚框聚类注册说话人、结合音频语言模型检测说话人轮次的统一多模态框架，为长视频中跨模态异步条件下的说话人标注提供了可复用的技术路线。
CineBrain：用于脑条件视频生成的大规模多模态视听脑数据集
CineBrain: A Large-Scale Multi-Modal Audiovisual Brain Dataset for Brain-Conditioned Video Generation
该工作提出的多模态脑信号融合编码器与神经潜变量解码器，为视觉解码提供了可复用的跨模态对齐与融合范式；其同步fMRI-EEG数据集可用于研究听觉皮层激活如何增强视觉解码，对脑机接口和视觉神经科学交叉方向有直接参考价值。
ChronoGS：解耦多期场景中的不变量与变化
ChronoGS: Disentangling Invariants and Changes in Multi-Period Scenes
把多期采集的图像集合统一到一套锚点支架上的时序调制高斯表示，并显式解耦稳定几何与变化成分，为长期、非连续变化场景（城市重扫描、施工进度、环境监测）的新视角合成提供了可复用的表示与评测基准。
Chorus：面向整体 3D 高斯场景编码的多教师预训练
Chorus: Multi-Teacher Pretraining for Holistic 3D Gaussian Scene Encoding
把 2D 基础模型（语言对齐、通用、物体感知教师）的互补信号蒸馏进一个共享的前馈 3DGS 场景编码器，得到可直接用于开放词表分割、线性探测和 LLM 问答的通用 3D 高斯特征；其 render-and-distill 适配与仅用高斯中心/颜色/法向的变体，为点云等非 3DGS 表示提供了可复用的预训练迁移路径。
编排动态物体世界
Choreographing a World of Dynamic Objects
把 2D 视频生成模型中的欧拉表示蒸馏成拉格朗日运动信息，从而无需类别专属数据即可合成多体 4D 动态；这一「从视频先验提取运动」的蒸馏思路可直接迁移到动态场景重建、运动迁移与机器人策略生成。
ChordEdit：面向图像编辑的单步低能量传输
ChordEdit: One-Step Low-Energy Transport for Image Editing
把文本引导编辑重构成源/目标提示分布之间的动态最优传输问题，得到低能量、方差缩减的平滑编辑场，使单步大积分即可完成编辑；对做单步 T2I 模型（如单步扩散/流匹配）上做免训练编辑的人，这是一个可直接复用的控制场构造思路。
ChimeraLoRA：多头LoRA引导的合成数据集
ChimeraLoRA: Multi-Head LoRA-Guided Synthetic Datasets
提出将LoRA分解为类共享A和图像特定B，并用狄利克雷系数混合生成兼具多样性与细节的合成数据，可直接用于少样本/长尾视觉任务的数据增强。
ChartR：评估图表问答中的推理准确性与鲁棒性
ChartR: Evaluating Reasoning Accuracy and Robustness in Chart Question Answering
对做多模态大模型视觉推理的人，它提供了把问题拆成 4-10 步子问题、并对同一图表施加模糊/加噪/水印/去标注四种视觉扰动来定位「哪一步开始错、错误如何向后传播」的评测协议与八项指标，可直接用于诊断自家模型是依赖文本线索还是真正读图。
ChartNet：面向鲁棒图表理解的百万级高质量多模态数据集
ChartNet: A Million-Scale, High-Quality Multimodal Dataset for Robust Chart Understanding
对做图表理解或多模态文档理解的视觉研究者，ChartNet 提供了百万级、五元对齐（绘图代码/图像/数据表/摘要/带推理问答）的监督信号，可直接用于微调 VLM 并检验其在几何图形与结构化数值联合推理上的泛化能力。
Chart-FR1：面向稠密图表的视觉聚焦驱动细粒度推理
Chart-FR1: Visual Focus-Driven Fine-Grained Reasoning on Dense Charts
Focus-CoT 把推理步骤显式锚定到局部图像区域与 OCR 信号上，配合带信息效率奖励的 Focus-GRPO 压缩冗余视觉 token，这套「视觉聚焦+自适应推理深度」的机制可直接迁移到文档、图表、密集标注场景的多模态推理，也为视觉 token 冗余问题提供了 RL 层面的解法。
Charge：一个统一绑定所有任务的全新视角合成综合基准与数据集
Charge: A Comprehensive Novel View Synthesis Benchmark and Dataset to Bind Them All
该数据集同时提供深度、表面法线、分割与光流等多模态真值，并设置稠密多视角、稀疏相机与单目视频三种基准场景，可直接用于评测4D重建与新视角合成方法在不同数据稀疏度下的鲁棒性，也为多模态监督训练提供了现成的配对数据。
实时变化：基于多视角融合的在线场景变化检测
Changes in Real Time: Online Scene Change Detection with Multi-View Fusion
将 3D 高斯泼溅作为在线场景表示，配合 PnP 快速位姿估计与变化引导的增量更新，为视觉研究者提供了一套可复用的「在线、位姿无关、多视角一致」的 3D 场景变化检测框架，可直接迁移到机器人探索、AR 与长期建图等需要实时更新的任务。
ChangeBridge：面向遥感的多模态控制时空图像生成
ChangeBridge: Spatiotemporal Image Generation with Multimodal Controls for Remote Senisng
扩散桥（diffusion bridge）用给定前事件图像作为起点替代噪声初始化，并用像素级漂移图区分事件变化与时序变化，这一「从观测状态出发、按漂移量差异化生成」的框架可直接迁移到视频预测、时序遥感与变化检测的数据增广。
思维链引导的多模态目标重识别
Chain-of-Thought Guided Multi-Modal Object Re-Identification
把 MLLM 的思维链文本推理作为锚框条件，在早期特征、跨模态一致性和决策三个层级约束视觉特征学习，为视觉-语言检索类任务提供了一种可复用的「文本逻辑引导视觉表征」范式。
模型链预训练：重新思考视觉基础模型的训练加速
Chain-of-Models Pre-Training: Rethinking Training Acceleration of Vision Foundation Models
CoM-PT 提出在模型家族层面按规模递增顺序进行链式预训练，仅最小模型独立训练，其余模型通过参数空间与特征空间的逆向知识迁移从更小模型高效获得性能，为视觉基础模型的大规模预训练提供了一种可复用的加速范式。
帧链：通过帧感知推理提升多模态大语言模型的视频理解能力
Chain-of-Frames: Advancing Video Understanding in Multimodal LLMs via Frame-Aware Reasoning
提出单阶段帧感知推理链（Chain-of-Frames），让视频LLM在推理中显式引用关键帧，无需辅助模块即可提升时序定位与视频理解性能；其构建的CoF-Data数据集和合成数据增强策略可复用于视频推理任务。
世界之链：潜运动中的世界模型思维
Chain of World: World Model Thinking in Latent Motion
把预训练视频 VAE 显式分解出的结构/运动潜变量当作「潜运动链」来预测，替代逐帧重建未来画面，为视觉研究者提供了一种在潜空间做时序世界建模、并与动作序列联合自回归的紧凑方案，可直接迁移到机器人策略学习与视频预测任务。
面向物理合理视频生成的以事件为中心的因果思维链
Chain of Event-Centric Causal Thought for Physically Plausible Video Generation
把物理现象拆成因果相连的事件单元，再用思维链加物理公式约束推理，并转成时序对齐的视觉-语言提示与关键帧，为视频扩散模型提供可复用的因果进展条件注入方式，可直接迁移到需要长时序物理一致性的视频生成任务。
ChArtist：统一空间与主体控制生成图案化图表
ChArtist: Generating Pictorial Charts with Unified Spatial and Subject Control
提出基于骨架的空间控制表示与 Spatially Gated Attention，用于在 DiT 中解耦空间结构与主体外观，可复用于需要同时控制布局和参考外观的生成任务。
细胞类型原型引导的神经网络用于病理图像基因表达估计
Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images
将单细胞RNA测序数据构建的细胞类型原型作为结构正则，引导从病理图像预测基因表达，为计算病理中的弱监督回归与可解释性提供了新思路。
视频扩散模型中的因果性可与去噪分离
Causality in Video Diffusers is Separable from Denoising
把视频扩散模型中的时序因果推理与多步去噪解耦：用因果 Transformer 编码器每帧只做一次时序建模，再用轻量扩散解码器做逐帧多步渲染，可直接迁移到自回归视频扩散的加速与架构改造。
CausalVAD：通过因果干预去混淆的端到端自动驾驶
CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
提出稀疏因果干预模块（SCIS），可即插即用地嵌入端到端驾驶模型，通过原型字典对稀疏查询做后门调整，消除数据集偏差导致的因果混淆，提升规划安全性与鲁棒性。
CausalLens：敏感度引导的多头因果干预用于大型视觉语言模型幻觉缓解
CausalLens: Sensitivity-Guided Multi-Head Causal Intervention for Hallucination Mitigation in Large Vision-Language Models
提出一种免训练、单次前向的推理时干预：按视觉、文本、系统提示词三条通路分解注意力头，用敏感度度量挑出视觉可靠的注意力头并调整其中层隐状态贡献，再以投影对齐校正稳定多头融合后的状态。做 LVLM 幻觉缓解或视觉 grounding 的研究者可直接复用这套注意力头级敏感度分析与隐状态校正流程，替代多遍/对比解码以降低延迟。
面向自回归动作生成的因果动作扩散模型
Causal Motion Diffusion Models for Autoregressive Motion Generation
把因果扩散强制（causal diffusion forcing）与逐帧采样调度引入潜空间扩散 Transformer，为视觉领域实现流式、低延迟的自回归序列生成（如视频、动作序列）提供了可复用的时序因果去噪范式。
Catalyst4D：通过动态传播实现高保真 3D 到 4D 场景编辑
Catalyst4D: High-Fidelity 3D-to-4D Scene Editing via Dynamic Propagation
把静态 3D 编辑结果迁移到动态 4D 高斯场景时，可用「锚点 + 最优传输建立区域级对应」来传播形变，避免跨区域干扰与运动漂移；再用逐高斯颜色不确定性引导选择性外观精修，抑制遮挡导致的时序闪烁。这套锚点对应传播 + 不确定性引导精修的组合可直接复用到任何需要把编辑从规范帧扩散到整段序列的 4D/视频编辑管线。
CaricHarmony：用于身份保持漫画合成的对比扩散路径
CaricHarmony: Contrastive Diffusion Paths for Identity-Preserving Caricature Synthesis
提出免训练的并行扩散路径与基于交叉注意力特征的能量函数，用于解决多条件生成中的信号污染问题，可复用于其他需要平衡多个冲突条件的可控生成任务。
CaptionQA：你的描述能像图像本身一样有用吗？
CaptionQA: Is Your Caption as Useful as the Image Itself?
把「图像描述能否替代图像」转化为可用 LLM 直接作答的多选题效用探针，为评估 captioning 与多模态描述模型提供了可复用的下游效用评测协议，也提示视觉研究者关注 caption 在检索、推荐、agent 流水线中的信息保真度。
CaptionFormer：面向时空目标的统一分割、跟踪与描述
CaptionFormer: Unified Segmentation, Tracking, and Captioning for Spatio-Temporal Objects
用现成 VLM 为视频中时空定位的实体自动生成描述，把 LVIS/LV-VIS 扩成带描述的预训练数据，再用一个端到端模型联合做检测、分割、跟踪与描述；对做视频-语言任务的人，这是一条用合成字幕绕开人工标注瓶颈的可复用数据构造与预训练路线。
Captain Safari：具有位姿对齐3D记忆的世界引擎
Captain Safari: A World Engine with Pose-Aligned 3D Memory
提出位姿对齐的持久世界记忆与检索器，为长时程、6-DoF可控视频生成提供可复用机制；OpenSafari数据集与几何/运动学验证流程可用于评估相机轨迹跟随与3D一致性。
CapNav：面向能力条件化室内导航的视觉语言模型基准
CapNav: Benchmarking Vision Language Models on Capability-conditioned Indoor Navigation
为视觉语言模型引入「智能体物理能力」这一条件变量，并给出 45 个真实室内场景、473 个任务的能力条件化导航基准，可直接用于评测和训练 VLM 的空间尺寸推理与具身决策能力。
CanonCGT：基于规范枢轴表示的参考图引导色彩分级
CanonCGT: Reference-Based Color Grading via Canonical Pivot Representation
用「风格中立的规范枢轴」作为中间表示，把色调迁移拆成去偏规范化与参考匹配两步，可缓解参考图引导编辑中色调映射不稳定、颜色过冲的问题，这一中间表示思路可迁移到其他参考引导的图像到图像任务。
第二视角图像能否充当一种语言？面向 X 射线违禁品检测的几何与语义跨模态推理
Can a Second-View Image Be a Language? Geometric and Semantic Cross-Modal Reasoning for X-ray Prohibited Item Detection
把第二视角图像当作「类语言模态」与文本语义联合对齐，并用结构化思维链（top→side→conclusion）组织跨视角几何与跨模态语义的推理，这一设定可迁移到任何多视角+文本的检测或问答任务中。
没有图像也能学会看？视觉Transformer的程序化预热
Can You Learn to See Without Images? Procedural Warm-Up for Vision Transformers
提出用程序化生成的无视觉语义数据对ViT进行预热预训练，绕过图像块嵌入，可作为一种新的数据高效预训练策略，用于提升下游视觉任务的数据效率和收敛速度。
我们能构建而非分类场景图吗？FlowSG：基于流匹配的渐进式图像条件场景图生成
Can We Build Scene Graphs, Not Classify Them? FlowSG: Progressive Image-Conditioned Scene Graph Generation with Flow Matching
把流匹配从图像生成迁移到结构化图输出：用连续速度场搬运框几何、用离散流更新类别 token，为视觉中「结构化预测当作生成任务」提供了可复用的混合离散-连续生成范式，且可插拔到现有检测器/分割器上。
自然图像自编码器能否紧凑地词元化 fMRI 体积以进行长程动力学建模？
Can Natural Image Autoencoders Compactly Tokenize fMRI Volumes for Long-Range Dynamics Modeling?
把预训练的 2D 自然图像自编码器当作 fMRI 体数据的词元化器，将每个 3D 体积压成少量连续词元，从而用普通 Transformer 编码器在有限显存下做长程时空建模；这套「自然图像编码器跨域复用 + 掩码词元建模预训练」的思路可直接迁移到其他高维医学/科学体数据的序列化建模。
基于专家协作的伪装感知图像-文本检索
Camouflage-aware Image-Text Retrieval via Expert Collaboration
针对伪装场景中目标与背景高度相似导致跨模态对齐困难的问题，提出双分支视觉编码器与置信度条件图注意力机制，可复用于其他低对比度或复杂背景下的视觉-语言检索任务。
通过学习视角token实现文本到图像生成的相机控制
Camera Control for Text-to-Image Generation via Learning Viewpoint Tokens
把相机位姿编码为可学习的视角token注入扩散模型，使文本到图像生成获得精确的相机控制；其用3D渲染图做几何监督、用真实感增强补外观多样性的数据构造方式，以及验证视角token可跨物体类别迁移的解耦性，对做可控生成与3D感知生成的研究者可直接复用。
CamPI：通过相机电源信号注入实现物理对抗样本
CamPI: Physical Adversarial Examples through Camera Power Signal Injection
揭示了一种全新的物理对抗攻击面：通过向相机供电线路注入调制信号，在成像中产生不可见的结构性条纹扰动，并给出白盒/黑盒端到端优化注入参数的方法；对做物理世界视觉系统安全评测的研究者，这提供了一个可仿真的注入扰动模型和一套可复用的攻击参数优化流程。
CamDirector：面向长期连贯的视频轨迹编辑
CamDirector: Towards Long-Term Coherent Video Trajectory Editing
用混合 warping（静态区域渐进融合进 world cache 再按目标位姿渲染、动态区域直接 warp）生成全局一致的粗帧作为扩散精修的条件，可迁移到任何需要精确相机控制与长程一致性的视频生成/新视角合成任务。
CaliTex：面向视图一致 3D 纹理生成的几何校准注意力
CaliTex: Geometry-Calibrated Attention for View-Coherent 3D Texture Generation
把注意力路由与语义部件对齐、几何条件绑定，是解决多视图扩散生成中跨视图不一致的可复用思路；做 3D 纹理/多视图生成的人可直接借鉴 Part-Aligned 与 Condition-Routed 两个注意力改造模块。
CaTok：驯服平均流实现一维因果图像分词
CaTok: Taming Mean Flows for One-Dimensional Causal Image Tokenization
把图像压缩成一维因果词元序列并用 MeanFlow 解码器做一步/多步采样，可直接作为视觉自回归生成的前端分词器替换方案；REPA-A 用视觉基础模型特征对齐编码器，是一种可复用的稳定训练正则化手段。
CaT-GS：基于帧间缓存与瓦片调度的大规模场景高效3DGS渲染
CaT-GS: Efficient 3DGS Rendering for Large-Scale Scenes with Inter-frame Caching and Tile Scheduling
针对3DGS大规模场景渲染中的冗余计算与瓦片负载不均衡问题，提出帧间缓存与专用光栅化内核，可直接用于加速现有3DGS管线而无需重训练。
CaST-Bench：面向视频问答的因果链视觉定位时空推理基准
CaST-Bench: Benchmarking Causal Chain-Grounded Spatio-Temporal Reasoning for Video Question Answering
该基准要求模型在视频中定位因果链的时空证据（时序片段和边界框轨迹），为视觉语言模型的可解释推理和减少虚假关联提供了可评估的测试平台，其标注管线和评估指标可直接用于训练和评测更透明的视频问答模型。
CaReFlow：用于多模态融合的循环自适应整流流
CaReFlow: Cyclic Adaptive Rectified Flow for Multimodal Fusion
把整流流当作跨模态分布映射器，用一对多映射让源模态每个样本看到目标模态全局分布，配合自适应松弛对齐与循环整流流约束，可作为视觉-文本/视觉-音频特征对齐的通用预对齐模块，替代扩散或对抗式一对一对齐。
C^2FG：通过分数差异分析控制无分类器引导
C^2FG: Control Classifier-Free Guidance via Score Discrepancy Analysis
把 CFG 的引导权重从固定/启发式改为随扩散时间步指数衰减的控制函数，且免训练、即插即用，可直接替换现有条件扩散采样器中的 guidance 调度，用于提升条件生成质量并与其他引导策略正交叠加。
CVA：面向视频时序定位的上下文感知视频-文本对齐
CVA: Context-aware Video-text Alignment for Video Temporal Grounding
QCD 的「只混入语义无关片段」的替换池构造方式，可直接迁移到任何视频-文本对比学习（如视频检索、片段定位）中，用来避免 query-agnostic 混合带来的假负样本；CBD 损失在时序边界处强制语义一致性，是提升边界敏感任务的通用手段。
CURVE：面向文化与多语言长视频推理的基准
CURVE: A Benchmark for Cultural and Multilingual Long Video Reasoning
提供了一个以原生语言、区域文化视频构建的长视频推理基准，并给出基于推理链构建证据图来定位细粒度推理错误的迭代评测策略，可直接用于诊断 Video-LLM 在视觉文化感知环节的失效点。
CURE：面向可靠解剖定位报告生成的课程引导多任务训练
CURE: Curriculum-guided Multi-task Training for Reliable Anatomy Grounded Report Generation
把错误感知的课程学习用在多模态指令微调上，按模型当前表现动态调整短语定位与报告生成样本的采样权重，为视觉-语言模型提升空间对齐、抑制幻觉提供了一个无需额外数据的可复用训练策略。
CUPID：联合物体与位姿建模的生成式三维重建
CUPID: Generative 3D Reconstruction via Joint Object and Pose Modeling
将相机位姿估计与物体生成联合建模为两阶段流模型，利用2D-3D对应关系鲁棒估计位姿，再以像素对齐特征条件化精化生成，为单图/多视图三维重建提供无需后优化的统一生成框架。
CUE：概念感知的多标签扩展以缓解长尾学习中的概念混淆
CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning
把单标签监督换成由 CLIP 零样本视觉线索与 LLM 类级语义线索构成的多标签概念监督，并用加权 Logit Adjustment 辅助损失注入，可直接迁移到任何长尾识别/分类微调流程中缓解头类主导与类间判别性被破坏的问题。
CUBic：协调统一的双臂感知与控制框架
CUBic: Coordinated Unified Bimanual Perception and Control Framework
把双臂协调建模为共享 token 化表征问题，用两个共享映射的码本实现双向感知协调，再接扩散策略输出动作；对做视觉运动策略的人，这是一套可复用的「感知表征统一 + 扩散动作头」范式，可直接迁移到其他多智能体或多末端操作设定。
CTCal：通过跨时间步自校准重新审视文本到图像扩散模型
CTCal: Rethinking Text-to-Image Diffusion Models via Cross-Timestep Self-Calibration
把扩散模型内部小时间步的交叉注意力图当作显式监督信号，去校准大时间步的表征学习，是一种无需额外标注、模型无关的训练期对齐增强手段，可直接插入 SD 系列或 flow matching 模型以提升文本-图像细粒度对齐。
CSF：基于组合语义的文生图模型黑盒指纹方法
CSF: Black-box Fingerprinting via Compositional Semantics for Text-to-Image Models
提出一种仅靠查询访问即可对微调文生图模型进行谱系归因的黑盒指纹方法，其组合语义探测思路可迁移到模型溯源、版权保护与微调检测等视觉安全场景。
CROWn：面向三维医学分割的抗混叠下采样与相位校准融合统一框架
CROWn: A Unified Framework for Anti-Aliased Downsampling and Phase-Calibrated Fusion in 3D Medical Segmentation
把采样理论引入分割网络的降采样与跳连环节：用多相分解+子带共注意力在抽取时抑制混叠，用空间到深度重排+相位注意力对齐高分辨率跳连，可直接迁移到任何带各向异性体素或跨尺度融合的 3D 分割/检测骨干。
CRIT：基于图的自动数据合成以增强跨模态多跳推理
CRIT: Graph-Based Automatic Data Synthesis to Enhance Cross-Modal Multi-Hop Reasoning
提供了一套基于图自动生成跨模态多跳推理训练/评测数据的流水线，可直接用于构造需要图文互补才能作答的 VLM 训练数据，缓解模型推理链缺乏视觉依据的幻觉问题。
CRFT：用于跨模态图像配准的一致性循环特征流Transformer
CRFT: Consistent-Recurrent Feature Flow Transformer for Cross-Modal Image Registration
提出基于特征流学习的统一粗到细跨模态配准框架，其迭代差异引导注意力与空间几何变换循环细化流场的设计，可复用于多模态空间对应任务（如遥感、医学影像配准），为处理大仿射和尺度变化下的对齐提供可借鉴的Transformer架构。
CREward：一种按类型划分的创意奖励模型
CREward: A Type-Specific Creativity Reward Model
提供了一种按类型（几何/材质/纹理）分解的创意奖励模型，可直接作为扩散或生成模型的偏好奖励信号，并通过 LoRA 微调引导生成更具创意的图像；其用 LVLM 标注替代人工标注构建奖励模型的流程也可迁移到其他主观属性（如美学、风格）的奖励建模。
CREval：面向复杂指令下创意图像编辑的自动化可解释评估
CREval: An Automated Interpretable Evaluation for Creative Image Manipulation under Complex Instructions
提供了一套基于问答的自动化评估流程和包含800多个样本、13K查询的基准，可用于系统评估图像编辑模型在复杂创意指令下的表现，替代不透明的MLLM直接打分。
CRAFT：对齐扩散模型，微调比你想象的更容易
CRAFT: Aligning Diffusion Models with Fine-Tuning Is Easier Than You Think
用复合奖励过滤构造小而一致的偏好数据集，再做增强版 SFT，就能以 100 个样本超越数千对偏好数据的 DPO 类方法；做扩散模型人类偏好对齐时，可把数据筛选环节当作主要杠杆，而不是堆偏好对数量。
CRAFT-LoRA：通过秩约束适配与无训练融合实现内容-风格个性化
CRAFT-LoRA: Content-Style Personalization via Rank-Constrained Adaptation and Training-Free Fusion
把多个 LoRA 权重在推理时无训练地组合起来，并通过秩约束微调让内容与风格落在解耦子空间，可直接用于视觉生成中的多概念个性化与风格迁移；其按时间步调整噪声预测的无分类器引导方案也可迁移到其他扩散采样流程以提升稳定性。
COT-FM：簇级最优传输流匹配
COT-FM: Cluster-wise Optimal Transport Flow Matching
把目标样本聚类并为每个簇反演一个专属源分布，从而拉直流匹配的向量场——这是一个与模型架构无关的即插即用模块，可直接套到已有的图像生成/编辑流匹配模型上以减少采样步数、提升样本质量。
CORE：以紧凑目标中心表征作为 LVLM 词元合并的新范式
CORE: Compact Object-centric REpresentations as a New Paradigm for Token Merging in LVLMs
用轻量分割解码器产出的物体掩码作为高层语义先验来指导视觉词元合并，并配合质心引导排序恢复合并后词元的空间顺序——这套「语义先验引导压缩 + 位置重排」思路可直接迁移到任何需要削减视觉词元数量的 VLM 推理管线中。
CopyLens：通过版权感知提示词学习实现受版权保护角色的侵权检测
COPYLENS: Towards Copyrighted Characters Infringement Detection via Copyright-Aware Prompt Learning
把 LVLM 检测器与 LLM 元提示闭环结合，用人类标注一致性作为反馈信号自动优化检测提示词，这一「提示词自动搜索 + 人类判断对齐」的范式可迁移到任何需要与人类主观判断对齐的视觉判别任务（如审美、安全、真实性评估）。
COPO：面向多模态大语言模型幻觉的因果导向策略优化
COPO: Causal-Oriented Policy Optimization for Hallucinations of MLLMs
COPO 通过因果完备性奖励和 token 级充分性/必要性约束，在 GRPO 框架内构造因果感知的优势函数，为视觉语言模型提供了一种可复用的幻觉缓解训练策略，可直接用于改进多模态对齐与生成忠实度。
COPE：面向遮挡行人重识别的一致遮挡与提示词增强网络
COPE: Consistent Occlusion and Prompt Enhancement Network for Occluded Person Re-identification
针对遮挡行人重识别，CICO 在不同身份上施加相同遮挡并拉近同一遮挡区域的特征，PBF 用视觉-语言对齐生成前景热图做随机背景填充，PSS 用提示词引导的可靠性分数修正检索相似度——这套「一致遮挡 + 提示词可靠性打分」思路可直接迁移到其他存在遮挡或背景干扰的检索/匹配任务。
COG：面向无监督单参考新物体姿态估计的置信度感知最优几何对应
COG: Confidence-aware Optimal Geometric Correspondence for Unsupervised Single-reference Novel Object Pose Estimation
把跨视角对应从不可微的一对一硬匹配换成带逐点置信度的最优传输软匹配，并用视觉基础模型的语义先验做正则，这套「置信度作为 OT 边缘分布」的做法可直接迁移到任何需要鲁棒特征匹配的位姿/配准任务。
CMR-RD：面向可解释心脏磁共振诊断的长尾自适应视觉语言模型
CMR-RD: Long-Tailed Adaptive VLM for Explainable CMR Diagnosis
把在线多阶段强化学习与自适应采样（GPPO）用于视觉语言模型的后训练，让模型主动探索稀有类别，这套长尾偏置缓解思路可直接迁移到其他医学或长尾视觉-语言诊断任务。
CME-CAD：面向 CAD 代码生成的异构协同多专家强化学习
CME-CAD: Heterogeneous Collaborative Multi-Expert Reinforcement Learning for CAD Code Generation
把 CAD 建模转成可执行的 CADQuery 代码生成，并用多专家协同的强化学习范式提升精度与可编辑性；对视觉研究者而言，它提供了从正交投影图到参数化三维模型的代码化重建路线，以及带精确尺寸标注与思维链的 17,299 条基准，可用于评测图像到可编辑三维结构的生成。
CLiViS：借助语言-视觉协同释放认知地图以赋能具身视觉推理
CLiViS: Unleashing Cognitive Map through Linguistic-Visual Synergy for Embodied Visual Reasoning
提出免训练的 LLM 规划 + VLM 开放世界感知协同框架，并用动态认知地图作为结构化场景表示，可复用于长时第一人称视频的逐步组合推理与长程视觉依赖建模。
CLaD：通过跨模态潜变量动力学进行有据前瞻的规划
CLaD: Planning with Grounded Foresight via Cross-Modal Latent Dynamics
把本体感知与语义状态用非对称交叉注意力对齐成统一的潜空间动力学，并用自监督预测未来潜变量来条件化扩散策略；做视觉-动作联合建模或机器人操作策略学习时，这套『预测有据的潜变量前瞻 + 扩散动作生成』结构可直接复用。
CLP：面向鲁棒语义分割的真实世界受污染镜头保护罩数据集
CLP: A Real-World Dataset of Contaminated Lens Protectors for Robust Semantic Segmentation
为镜头保护罩污染这一真实退化提供带密集语义分割掩码与对齐复原目标的基准，可直接用于评测域泛化、基础模型微调以及复原-分割联合流水线在有限数据下的表现。
CLIPoint3D：基于语言锚定的少样本无监督三维点云域自适应
CLIPoint3D: Language-Grounded Few-Shot Unsupervised 3D Point Cloud Domain Adaptation
把点云投影成多张深度图后直接复用冻结的 CLIP 主干，配合知识驱动的提示词微调和熵引导的视角采样，为 3D 域自适应提供了一条无需训练重型 3D 编码器的轻量路线；其中的最优传输对齐损失与不确定性感知原型对齐损失也可迁移到其他跨域特征对齐场景。
类 CLIP 模型作为基础密度比估计器
CLIP-like Model as a Foundational Density Ratio Estimator
把 CLIP/SigLIP 的对比学习目标重新解释为预训练密度比估计器，可直接用于多模态数据筛选（KL 引导的 LAION2B 过滤替代）和少样本提示词下的重要性加权，为视觉-语言数据处理与提示词工程提供可复用工具。
CLIP 目光短浅：把注意力放到第一句之外
CLIP Is Shortsighted: Paying Attention Beyond the First Sentence
揭示了长描述图文对中「首句摘要」造成的注意力捷径，并给出无需额外参数的训练期去偏方案（去掉摘要句＋句子子采样＋词元填充），可直接用于改进 CLIP 类图像编码器在密集描述与长文本检索上的对齐质量。
CLEX：面向噪声面部表情识别的互补标签交换学习
CLEX: Complementary Label Exchange Learning for Noisy Facial Expression Recognition
针对野外表情识别中的标签噪声问题，提出通过交换增强视图间的非目标logit来构造一致性约束，并配合尺度不变归一化和互补抑制损失，为视觉分类任务中利用非目标预测抑制虚假激活提供了可复用的正则化手段。
CLEP：对比语言-姿态预训练
CLEP: Contrastive Language-Pose Pretraining
提出层次化姿态编码器与跨尺度注意力融合机制，将关节、肢体、身体多层级特征动态整合，可用于任何需要细粒度人体姿态-语言对齐的视觉-语言任务，如文本驱动的姿态生成与编辑。
CLCR：面向多模态学习的跨层级语义协同表征
CLCR: Cross-Level Semantic Collaborative Representation for Multimodal Learning
对做视觉-语言或多模态融合的研究者，可复用其「层级化共享/私有子空间 + 可学习词元预算约束跨模态注意力」的设计，避免私有信息在融合时泄漏，并可用其层级锚点聚合思路处理视觉与文本语义尺度不同步的问题。
CLAY：视觉语言嵌入空间中的条件视觉相似度调制
CLAY: Conditional Visual Similarity Modulation in Vision-Language Embedding Space
把预训练 VLM 的嵌入空间当作文本条件的相似度空间，无需训练即可用固定视觉嵌入做多条件组合检索；对做图文检索、个性化搜索或需要按用户意图动态调整相似度度量的视觉研究者，这是一个可直接复用的免训练条件化思路。
CIGPose：面向全身姿态估计的因果干预图神经网络
CIGPose: Causal Intervention Graph Neural Network for Whole-Body Pose Estimation
把视觉上下文当作混淆因子、用因果干预模块替换被混淆的关键点表征，这一去混淆思路可直接迁移到其他易受上下文虚假关联影响的关键点/密集预测任务（如手部姿态、动物姿态、遮挡场景下的检测）。
CIGMA：视觉 Transformer 中注意力头的因果信息增益机制归因
CIGMA: Causal Information-Gain Mechanistic Attribution of Attention Heads in Vision Transformers
CIGMA 提供了一种基于信息增益的注意力头级因果归因方法，可用于诊断和修正 ViT 模型对背景虚假相关性的依赖，其双编辑（移除物体/移除上下文）的干预思路可直接迁移到其他视觉模型的可解释性分析与去偏任务中。
CICA：耦合置信度感知预训练与置信度引导注意力，实现鲁棒的多模态情感分析
CICA: Coupling Confidence-Aware Pretraining with Confidence-Informed Attention for Robust Multimodal Sentiment Analysis
把「每个模态编码器自估置信度」作为预训练目标，再用置信度加权注意力做融合，这套机制可直接迁移到视觉-语言任务中处理图像/文本模态噪声或缺失的场景（如噪声图文检索、缺失模态的VQA）。
CI-VID：一个连贯的交错文本-视频数据集
CI-VID: A Coherent Interleaved Text-Video Dataset
CI-VID 提供了带交错文本标注的多片段视频序列，可直接用于训练和评测文本-视频到视频（T&V2V）生成模型，推动从孤立片段生成向具有跨片段语义连贯性的故事化视频生成发展。
CHIRP数据集：面向野外鸟类种群的长期、个体级行为监测
CHIRP dataset: towards long-term, individual-level, behavioral monitoring of bird populations in the wild
提供了一个面向野外鸟类长期行为监测的多任务数据集（CHIRP）和基于彩色腿环分割分类的个体重识别流程（CORVID），其应用导向评测（如取食率、共现率）为视觉模型在真实生态场景中的效用评估提供了可借鉴的范式。
CHIPS：基于曲率感知混合影响的数据选择实现高效 CLIP 适配
CHIPS: Efficient CLIP Adaptation via Curvature-aware Hybrid Influence-based Data Selection
把影响函数与曲率感知的对齐分数用在 CLIP 领域适配的数据筛选上，视觉研究者可直接复用这套打分流程，在医疗等垂直域只用 10%~30% 数据达到全量持续预训练的效果，也提供了投影子空间内估计 InfoNCE 曲率的可扩展做法。
CHEEM：复用、新建、适配与跳过的持续学习——一种分层探索-利用方法
CHEEM: Continual Learning by Reuse, New, Adapt and Skip - A Hierarchical Exploration-Exploitation Approach
把神经架构搜索当作持续学习中的内部记忆：每个新任务通过 reuse/new/adapt/skip 四种原语动态改写骨干网络结构，视觉研究者可将其作为免样本类增量学习下替代 prompt 微调的骨干自适应方案，并复用其任务质心外部记忆做任务 ID 推理。
CHAL：因果引导的分层异常感知学习用于运动红外小目标检测
CHAL: Causal-guided Hierarchical Anomaly-aware Learning for Moving Infrared Small Target Detection
将目标检测转化为背景建模下的异常发现，利用时空神经场学习背景演化模式，并通过因果引导机制抑制背景混杂造成的虚假关联，为弱小目标检测提供了新思路。
CGU-Bayes：因果图不确定性引导的贝叶斯推断用于域泛化
CGU-Bayes: Causal Graph Uncertainty-Guided Bayesian Inference for Domain Generalization
将因果图的后验不确定性作为贝叶斯推断的权重因子，为视觉域泛化提供了一种可量化因果结构可靠性的通用手段，可迁移到任何依赖因果图进行特征选择的视觉任务中。
CGL：通过强化微调推进持续 GUI 学习
CGL: Advancing Continual GUI Learning via Reinforcement Fine-Tuning
对做多模态 GUI 智能体或 VLM 智能体持续学习的人，这篇给出了 SFT 与 RL（GRPO）混合训练时避免灾难性遗忘的具体手段：用策略熵调节 SFT 比例，并把 SFT 梯度投影到 GRPO 锚框梯度上做梯度手术，可直接迁移到其他 VLM 智能体的增量适配场景。
CGHair：基于发卡聚类的紧凑高斯头发重建
CGHair: Compact Gaussian Hair Reconstruction with Card Clustering
把发型内跨发丝的结构与外观相似性显式建模为发卡聚类加共享纹理码本，可直接迁移到其他高冗余 3DGS 场景（毛发、植被、织物）的紧凑化与加速；其生成先验初始化发丝几何的思路也可用于缓解 3DGS 对稠密初始化的依赖。
CG-Reasoner：质心引导的位置推理分割用于医学影像及一个鲁棒的视觉-文本一致性指标
CG-Reasoner: Centroid-Guided Positional Reasoning Segmentation for Medical Imaging with a Robust Visual-Text Consistency Metric
将多模态大语言模型的推理能力与轻量级分割网络结合，通过Text2Centroid模块从推理嵌入预测病灶质心，为医学图像分割提供可解释的位置推理；提出的PRScore指标可评估生成文本与分割掩码的空间语义对齐，可复用于其他视觉-语言分割任务。
CG-Floor：质心引导扩散的大规模平面图生成
CG-Floor: Centroid-Guided Diffusion for Large-Scale Floorplan Generation
用质心热图作为结构化条件引导潜扩散 Transformer 生成非曼哈顿房间形状，这种「语义质心+尺寸热图」的条件编码方式可迁移到室内场景布局、矢量图形生成等需要显式解耦位置与形状的任务。
CFG-Ctrl：基于控制的免分类器扩散引导
CFG-Ctrl: Control-Based Classifier-Free Diffusion Guidance
把 CFG 重新解释为对一阶连续时间生成流的控制，并用滑模控制替代线性 P 控制，可直接替换 Stable Diffusion 3.5、Flux、Qwen-Image 等流式扩散模型中的采样引导环节，在大引导尺度下抑制过冲、提升语义对齐。
CF-IPT：面向多源遥感数据分类的视觉语言预训练模型跨模态融合交互提示微调
CF-IPT: Cross-Modal Fusion Interactive Prompt Tuning of Vision-Language Pre-Trained Model for Multisource Remote Sensing Data Classification
把 CLIP 的提示学习从自然图像迁移到多源遥感：用光谱-空间提示矩阵引导视觉与文本分支的交互，仅训练 0.76% 参数即可完成多源图像分类，可作为跨模态提示微调在非自然图像域的可复用范式。
CDICS：通过组合式提示与分阶段解耦探索上下文分割中的细粒度属性
CDICS: Delving Into Fine-Grained Attribute for In-Context Segmentation via Compositional Prompts and Phased Decoupling
提出组合式提示（语义、部件、颜色图像）控制上下文分割，并采用两阶段解耦架构先粗定位后细粒度属性匹配，为细粒度可控分割提供了可复用的提示设计与训练策略。
CD-Buffer：面向恶劣天气目标检测测试时自适应的互补双缓冲框架
CD-Buffer: Complementary Dual-Buffer Framework for Test-Time Adaptation in Adverse Weather Object Detection
提出以特征级域偏移度量为驱动的减法（去除域敏感通道）与加法（轻量特征精炼）双缓冲耦合机制，可即插即用地用于任意检测器在恶劣天气下的在线自适应，为处理不同严重程度分布偏移提供了按通道自适应平衡的通用思路。
CCF：面向域泛化多模态3D目标检测的互补协同融合
CCF: Complementary Collaborative Fusion for Domain Generalized Multi-Modal 3D Object Detection
针对双分支 proposal-level 多模态 3D 检测器，提出查询解耦损失、LiDAR 引导深度先验和互补跨模态掩码，可复用于提升视觉-激光雷达融合模型在恶劣域下的鲁棒性。
CCCaption：面向完整与正确图像描述的双奖励强化学习
CCCaption: Dual-Reward Reinforcement Learning for Complete and Correct Image Captioning
提出基于双奖励强化学习的图像描述训练框架，利用多个LVLM分解视觉查询来评估完整性和正确性，可复用于其他视觉语言生成任务的奖励设计。
CC-VQA：面向知识型视觉问答中知识冲突缓解的冲突与相关性感知方法
CC-VQA: Conflict- and Correlation-Aware Method for Mitigating Knowledge Conflict in Knowledge-Based Visual Question Answering
对做知识型 VQA 的人，这篇给出了一个免训练、可直接插到现有 VLM 推理流程里的方案：先用视觉语义做内外知识冲突判定，再用相关性加权的位置编码压缩与自适应解码抑制低相关检索段落，可作为检索增强 VLM 推理阶段的通用后处理模块复用。
CATNet：面向协同感知的协同对齐与变换网络
CATNet: Collaborative Alignment and Transformation Network for Cooperative Perception
面向车路协同/多智能体感知中的时序延迟与多源噪声问题，STSync 的相邻帧差分对齐与 WTDen 的小波域去噪可作为即插模块复用到任何异步多视角特征融合流程中。
CAST：面向交互式文本到图像检索的上下文感知动态潜空间变换
CAST: Context-Aware Dynamic Latent Space Transformation for Interactive Text-to-Image Retrieval
提出一种轻量级即插即用的上下文感知潜空间变换模块（CASR），通过低秩投影和强度调制动态调整多模态嵌入空间，可复用于其他需要细粒度语义对齐的跨模态检索或生成任务。
CASR：面向任意大尺度超分辨率的分布对齐与自相似感知鲁棒循环框架
CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness
把超大倍率超分拆解为多次「分布内」尺度跃迁的循环框架，配合超像素聚合对齐结构分布、相关性引导保持自相似纹理，为任意尺度超分在训练尺度之外稳定推理提供了可复用的单模型方案。
CASPA：面向视觉语言模型模态无关适配的图结构概念锚点
CASPA: Graph-Structured Concept Anchors for Modality-Agnostic Adaptation in Vision-Language Models
把适配从「每类一组提示词参数」改为「共享文本/图像锚点上的软关联分布」，在冻结 CLIP 骨干的前提下实现参数共享与跨类语义复用；做 VLM 下游适配（少样本、跨数据迁移）时可直接替换 class-specific prompt 的参数化方式，并用 S-XCR 约束图文推理空间一致。
CARLoS：通过 LoRA 的简洁评估表示实现大规模检索
CARLoS: Retrieval via Concise Assessment Representation of LoRAs at Scale
用 CLIP 嵌入与基模型生成结果的差值构造 Direction/Strength/Consistency 三段式表示，为 LoRA 这类生成组件的无元数据刻画与检索提供了可复用范式，可直接迁移到视觉生成模型的适配器管理与组合检索。
CARI4D：类别无关的人-物交互4D重建
CARI4D: Category Agnostic 4D Reconstruction of Human-Object Interaction
用基础模型（人体姿态、物体先验等）的个体预测做姿态假设选择，再通过可微渲染-比较联合优化，得到度量尺度、时空一致的4D人-物交互；这套「假设选择+渲染对齐+接触物理约束」的流程可直接迁移到单目视频中任意未知物体的4D重建与跟踪。
CARE：面向全切片图像分析的分子引导自适应区域建模基础模型
CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis
把 WSI 从固定 patch 网格改为由分子信号引导的自适应不规则区域建模，并用区域级特征聚合出切片级表示；做病理或大尺寸图像分析时，这种「自适应区域 + 跨模态对齐」的预训练范式可直接迁移到其他超高分辨率图像任务。
CARE-Edit：面向上下文图像编辑的条件感知专家路由
CARE-Edit: Condition-Aware Routing of Experts for Contextual Image Editing
用轻量潜变量注意力路由器按多模态条件与扩散时间步把 token 稀疏路由到 Text/Mask/Reference/Base 四个专家，可直接迁移到任何多条件 ControlNet 式编辑器中以缓解条件冲突与颜色渗漏。
CARE 何为失败：面向可验证多模态推理的对比锚定反思
CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal Reasoning
对做多模态推理后训练的人，CARE 给出了一套把「全错批次」和「接近正确」的 rollout 转成对比监督的具体配方：锚定对比目标 + 组内 z-score 归一化 + 全负样本救援，可直接替换 GRPO 的损失项；RGR 的单样本结构化自修复则提供了一种无需测试时反思就能把近失样本转成正样本的重采样策略。
CARD：基于扩散的相关噪声感知复原
CARD: Correlation Aware Restoration with Diffusion
针对真实传感器中空间相关噪声的扩散复原方法，通过噪声白化将相关噪声转为独立同分布形式，并修改DDRM的采样更新步骤，为处理非i.i.d.噪声的复原任务提供了免训练、闭式采样的通用思路。
CARD：面向复杂道路地形的稠密三维重建多模态自动驾驶数据集
CARD: A Multi-Modal Automotive Dataset for Dense 3D Reconstruction in Challenging Road Topography
提供准稠密多激光雷达融合深度真值（每帧约 50 万有效深度像素，约为 KITTI 深度补全的 6.5 倍），可用于训练与评测深度估计/补全模型在减速带、坑洼、非铺装路面等困难地形上的细粒度几何能力；其立体引导深度补全变体与标准化评测协议可直接作为新基准复用。
CAR-SAM：面向分割一切模型训练后量化的交叉注意力重建
CAR-SAM: Cross-Attention Reconstruction for Post-Training Quantization of the Segment Anything Model
针对 SAM 解码器中交叉注意力结构做训练后量化，提出把 MatMul 激活量化误差转移到前置线性权重的补偿机制，以及联合重建双向耦合注意力分支的策略，可直接迁移到其他含交叉注意力的视觉 Transformer 模型（如检测、分割解码器）的低比特部署。
CAPT：面向减少视觉-语言错位的混淆感知提示词微调
CAPT: Confusion-Aware Prompt Tuning for Reducing Vision-Language Misalignment
把 CLIP 类模型在相似类别间的系统性混淆当作可学习的监督信号：用混淆库加语义/样本双挖掘器与多粒度专家融合来修正提示词，可直接迁移到任何需要细粒度判别或开放词表分类的视觉-语言下游任务。
CADFS：面向大语言模型辅助计算机辅助设计的大规模 CAD 程序数据集与框架
CADFS: A Big CAD Program Dataset and Framework for Computer-Aided Design with Large Language Models
把 CAD 建模历史表示为可执行的 FeatureScript 程序，并用多模态标注微调 VLM，使视觉语言模型能够从文本或图像生成复杂 CAD 设计历史；这套「程序化序列表示 + 多模态标注」的思路可迁移到其他需要结构化程序输出的视觉生成任务。
CADC：内容自适应的基于扩散的生成式图像压缩
CADC: Content Adaptive Diffusion-Based Generative Image Compression
把扩散先验用于极低码率图像压缩时，可用空间不确定性图驱动量化步长、并用轻量辅助解码器约束主潜变量通道的信息保留，这套「内容自适应量化+信息集中」思路可迁移到任何需要潜变量压缩的生成式编码流程。
CAD-Refiner：面向 CAD 生成与迭代编辑的统一框架
CAD-Refiner: A Unified Framework for CAD Generation and Iterative Editing
将多模态输入解析为拓扑结构图，并用统一解码器与序列注入策略支持 CAD 生成与迭代编辑，为 3D 表示的结构化生成与可控编辑提供可复用范式。
C-LaV：面向天气鲁棒 LiDAR 地点识别的条件潜变量速度场去噪
C-LaV: Conditional Latent Velocity Field Denoising for Weather-Robust LiDAR Place Recognition
把条件流匹配当作潜空间去噪器，在冻结的 DINOv2 BEV 潜空间里用概率流 ODE 把雨雪雾潜变量确定性搬运到晴天的对应潜变量，再接 SALAD 聚合做检索；这套「冻结语义锚定潜空间 + 条件流匹配去噪」的范式可直接迁移到其他受天气/传感器退化影响的检索与定位任务。
C-GenReg：基于多视图一致几何到图像生成与概率模态融合的免训练三维点云配准
C-GenReg: Training-Free 3D Point Cloud Registration by Multi-View-Consistent Geometry-to-Image Generation with Probabilistic Modalities Fusion
将点云配准转化为图像域匹配问题，利用世界基础模型生成多视图一致RGB，再借助视觉基础模型提取稠密对应，为跨模态配准提供免训练、即插即用的新范式。
绕过传输计划：基于最优传输动态重加权的分布外检测
Bypassing the Transport Plan: Dynamic Reweighting for Out-of-Distribution Detection with Optimal Transport
把 OOD 检测建模为半不平衡最优传输，并利用源分布权重的动态重加权直接得到伪 OOD 分数，绕开求解传输计划；做开放集半监督训练或需要无标签 OOD 打分时可直接复用这一打分模块。
BulletTime：视频生成中时间与相机位姿的解耦控制
BulletTime: Decoupled Control of Time and Camera Pose for Video Generation
把世界时间与相机轨迹作为独立条件，通过注意力层中的 4D 位置嵌入和自适应归一化注入视频扩散模型，为需要精确相机运镜与慢动作/时间重映射的可控视频生成提供了可复用的条件注入方案。
基于bulk RNA-seq引导的多模态空间转录组学检测人类癌症异常区域
Bulk RNA-seq Guided Multi-modal Detection of Anomalous Regions in Human Cancer via Spatial Transcriptomics
将病理图像与空间转录组数据通过最优传输对齐基因模块，为多模态医学图像分析提供了一种跨模态对齐与融合的通用思路，可借鉴到其他需要整合组学与影像的任务中。
BuildingGPT：基于强化学习的自回归建筑线框重建模型
BuildingGPT: Auto-Regressive Building Wireframe Reconstruction Model with Reinforcement Learning
把建筑线框重建从检测/扩散范式改写为「点云→潜变量→分层词元序列」的自回归下一词元预测，并用 DPO 做后训练对齐；做点云结构化重建或想把 LLM 式序列生成+偏好优化搬到几何任务的人可直接借鉴这套词元化与两阶段训练流程。
构建具有人机协同监督的精确视频语言
Building a Precise Video Language with Human-AI Oversight
提出以「批判式人机协同」替代全人工写描述：模型先出预描述，专家只写纠错批判，再把批判与前后描述偏好用 SFT/DPO/推理时扩展训练开源 VLM，可直接迁移到任何需要高质量细粒度视频/图像描述数据的视觉任务。
为免疫荧光显微成像跨数据集评估构建鲁棒视觉编码器
Building Robust Vision Encoders for Cross-Dataset Evaluation in Immunofluorescent Microscopy
把细胞图像通道按「上下文/概念」分组，用上下文通道作参考、以掩码知识蒸馏训练通道自适应编码器，使模型在未见通道配置的 IF 数据集上免重训直接迁移——这套「通道条件化表征 + 蒸馏」思路可迁移到多模态/多通道输入不一致的视觉表征学习场景。
BuildAnyPoint：从多样点云中抽象结构化三维建筑
BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds
把「点云分布恢复」当作条件潜扩散任务、再用 decoder-only Transformer 自回归生成紧凑网格的两阶段级联思路，可直接迁移到稀疏/噪声点云驱动的结构化三维生成与补全；其恢复出的点云还能作为点云补全的中间表示来提升表面精度与分布均匀性。
将你的肖像带入三维临场感
Bringing Your Portrait to 3D Presence
Dual-UV 表示把图像特征映射到规范 UV 空间以消除姿态与构图引起的词元漂移，这一思路可直接迁移到任何需要姿态不变特征的单图人体/人脸重建管线；其因子化合成数据流形（2D 生成多样性 + 3D 几何一致渲染）也为缺乏 3D 标注的化身训练提供了可复用的数据构造方案。
弥合图像超分辨率评测中的感知鸿沟
Bridging the Perception Gap in Image Super-Resolution Evaluation
对做超分辨率的人，这篇给出了一个可直接套用的评测改造：把任意 FR/NR IQA 指标换成成对相对质量比较（RQI），既能更贴合人眼偏好地排名 SR 模型，也能当作训练损失引导生成更真实的细节。
通过稀疏对齐与单模态记忆库弥合组合零样本学习中的模态间隙
Bridging the Modality Gap in Compositional Zero-Shot Learning via Sparse Alignment and Unimodal Memory Bank
针对 CLIP 图文模态间隙，用稀疏对齐把文本表征直接绑定到语义相关的视觉 patch，并用纯视觉记忆库做分类，这套思路可迁移到任何依赖 CLIP 对齐的零样本/开放词表视觉任务。
弥合2D-3D鸿沟：面向视觉语言导航的分层语义-几何地图
Bridging the 2D-3D Gap: A Hierarchical Semantic-Geometric Map for Vision Language Navigation
将3D几何信息编码为多通道俯视地图（几何/语义/决策三层），使VLM能直接读取空间布局并选择几何有效的路点，为视觉语言导航提供了一种可复用的空间表示与解耦规划框架。
桥接 RGB 与苏木精分量：面向点监督细胞核分割的交错引导与融合框架
Bridging RGB and Hematoxylin Components: An Interleaved Guidance and Fusion Framework for Point Supervised Nuclei Segmentation
在仅有单点标注的弱监督设定下，用 RGB 与苏木精分量双表示互补融合、并以点引导注意力在分割与核预测之间双向精化，为病理图像中降低标注成本的密集预测提供了可复用的双分支互引导范式。
连接隐私与溯源：可追溯的虚拟身份生成
Bridging Privacy and Provenance: Traceable Virtual Identity Generation
在扩散生成过程中嵌入潜空间水印以携带可验证的身份签名，并配合3D几何与表情条件保持姿态一致性，为视觉研究者提供了一种在生成人脸时兼顾身份可控性与溯源验证的可复用思路。
连接像素与词：面向多模态媒体验证的掩码感知局部语义融合
Bridging Pixels and Words: Mask-Aware Local Semantic Fusion for Multimodal Media Verification
把掩码-标签对作为视觉与文本之间的细粒度对齐单元，并用双向查询机制检测局部语义冲突，这一思路可直接迁移到需要像素级视觉定位的跨模态任务（如指代分割、开放词表定位、图文检索中的局部匹配）。
将人工评测引入红外与可见光图像融合
Bridging Human Evaluation to Infrared and Visible Image Fusion
将人类主观偏好通过强化学习（GRPO）引入红外与可见光图像融合，提供了一套可复用的「人类反馈数据集构建+奖励模型训练+策略优化」范式，可迁移到其他低层视觉任务（如超分、去噪）以对齐人类感知。
以可控单步扩散弥合保真度与真实感：面向图像超分辨率
Bridging Fidelity-Reality with Controllable One-Step Diffusion for Image Super-Resolution
可复用的思路有两点：一是用未压缩的 LQ 原始信息做特征调制，为扩散过程提供高保真条件，缓解压缩编码带来的信息损失；二是区域自适应地激活生成先验，并用文本匹配引导对齐语义区域，在单步推理下兼顾感知质量与局部结构保真。
通过语言模型连接人脸理解与动画
Bridging Facial Understanding and Animation via Language Models
将3D人脸参数序列当作语言token，用语言模型统一做运动理解与生成，为文本驱动人脸动画提供了可复用的量化运动token+LM建模范式，可迁移到人体动作或手势的文本-运动双向建模。
通过子空间感知的模型合并跨越领域
Bridging Domains through Subspace-Aware Model Merging
对视觉研究者而言，这是一种无需额外训练即可把多个领域微调模型（如不同成像域、不同风格数据上微调的 ViT）合并为单一模型的手段：通过 SVD 提取各任务矩阵的主奇异向量并构造共享正交基，再剪掉投影后的非对角分量来消除子空间冲突，可直接用于多域视觉模型的部署与跨域泛化提升。
弥合领域专业知识与泛化能力以实现性能估计
Bridging Domain Expertise and Generalization for Performance Estimation
在无标签测试集上估计模型真实性能时，可借用外部基础模型的预测作为参考信号，通过温度缩放校准对齐分布后再做置信度加权融合，缓解分布偏移下模型自身输出偏差被放大的问题；这套参考分布构造思路可直接迁移到视觉模型的部署前评估与模型选择。
连接大脑与语义：面向语义增强 fMRI 视频重建的分层框架
Bridging Brain and Semantics: A Hierarchical Framework for Semantically Enhanced fMRI-to-Video Reconstruction
把 fMRI 信号映射到同时包含文本语义、图像内容、动作概念与物体类别的联合嵌入空间，再用记忆库检索融合来约束视频生成，这套「语义富化 + 记忆检索」的两阶段思路可迁移到脑机解码之外的弱条件视频生成与跨模态检索增强生成。
BridgeEQA：面向真实桥梁巡检的虚拟具身智能体
BridgeEQA: Virtual Embodied Agents for Real Bridge Inspections
将基础设施巡检建模为情景记忆具身问答任务，并提出以马尔可夫决策过程求解的 EMVR 框架；其『引用相关图像』的评测指标与长程多尺度空间推理设定，可迁移到需要跨视角检索证据的视觉语言任务。
Bridge：基驱动因果推理结合视觉基础模型实现域泛化
Bridge: Basis-Driven Causal Inference Marries VFMs for Domain Generalization
把因果前门调整实现为可学习的低秩基，用来阻断光照、风格、共现等混杂因子对检测器的虚假关联，并可作为即插即用模块挂到 DINOv2/3、SAM、Stable Diffusion 等视觉基础模型上，为单源域泛化检测提供了一条不依赖目标域数据的通用思路。
BrickNet：图结构驱动的生成式积木装配
BrickNet: Graph-Backed Generative Brick Assembly
用图结构（连通性关系）替代直接回归 3D 位姿来参数化积木装配序列，这一「以关系为中心的结构表示」思路可迁移到需要满足物理约束的 3D 组合式生成与场景布局任务中，避免自回归长序列快速失效。
BriMA：面向多模态持续动作质量评估的桥接模态适应
BriMA: Bridged Modality Adaptation for Multi-Modal Continual Action Quality Assessment
针对多模态持续动作质量评估中模态缺失问题，提出记忆引导的桥接插补模块和模态感知回放机制，可复用于视频理解中模态不完整或动态变化的持续学习场景。
酿造更强特征：面向多光谱对地观测的双教师蒸馏
Brewing Stronger Features: Dual-Teacher Distillation for Multispectral Earth Observation
将现代光学视觉基础模型的对比自蒸馏范式迁移到多光谱遥感预训练，通过双教师（多光谱教师+光学VFM教师）对齐全局语义结构，为跨模态表征学习提供了可复用的蒸馏框架。
BrepVGAE：面向 B-rep 的统一潜变量表示变分图自编码器
BrepVGAE: Variational Graph Autoencoder with Unified Latent Representation for B-rep
将 B-rep 的面和边统一为图节点，用变分图自编码器从单一潜变量解码完整几何-拓扑结构，为 CAD 生成与检索提供了可复用的统一表示与集合式解码思路。
BrepGaussian：基于高斯泼溅的多视图图像 CAD 重建
BrepGaussian: CAD reconstruction from Multi-View Images with Gaussian Splatting
把高斯泼溅渲染器改造成带可学习特征的 B-Rep 参数化曲面拟合器，使视觉研究者可以直接从多视图图像回归 CAD 边界表示，绕开对稠密干净点云的依赖；其两阶段解耦（先几何与边、后图像块特征精修）思路可迁移到其他需要从渲染监督中分离几何与语义特征的逆渲染任务。
用嵌入式相机打破多投影仪标定的可扩展性极限
Breaking the Scalability Limit of Multi-Projector Calibration with Embedded Cameras
把相机嵌入标定板表面、按入射方向分离多台投影仪同时投射的结构光图案，这一思路可直接迁移到多相机-多投影系统的联合标定与投影映射部署中，把标定周期从随投影仪数量线性增长降为近乎常数。
通过外部推理框架突破多模态大语言模型的区域感知瓶颈
Breaking the Regional Perception Bottleneck of Multimodal Large Language Models via External Reasoning Framework
把蒙特卡洛树搜索这类推理时搜索引入 MLLM 的像素级视觉定位，用多模态特征对齐打分和区域特征加权投票替代回归解码器，为纯 MLLM 做 grounding 提供了一条不增加训练成本、只扩展推理阶段的可复用路线。
打破幻觉：多模态解码中正负路径的相遇
Breaking the Illusion: When Positive Meets Negative in Multimodal Decoding
PND 是一种无需训练的推理阶段解码干预：用多层注意力放大显著视觉证据作为正路径，同时削弱核心物体特征构造反事实负路径，逐步对比两者输出以压制语言先验主导的幻觉。做 VLM 幻觉缓解或解码策略改进的工作可直接复用该双路径对比框架，且它揭示了视觉特征在注意力中被系统性低估这一可进一步探查的现象。
打破连续性：面向结构性MRI重建的离散分布学习
Breaking the Continuum: Discrete Distribution Learning for Structural MRI Reconstruction
将MRI解剖结构的空间先验建模为潜空间中的离散分布，并用离散先验网络一次生成多个候选、再以双域评分和微扩散循环精修，为医学图像重建提供了可复用的“离散结构推理+连续细化”范式。
打破3D数据集瓶颈：从零开始快速可扩展生成对齐3D资产用于类别级6D位姿估计与机器人抓取
Breaking the 3D Dataset Bottleneck: Fast Scalable Generation of Aligned 3D Assets from Scratch for Category 6D Pose Estimation and Robotic Grasping
提供了一种从文本提示自动生成大规模规范对齐3D网格和6D位姿标注的流水线，可直接用于训练类别级6D位姿估计和机器人抓取模型，解决3D数据稀缺问题。
打破虚假相关：用于AU检测的不确定性驱动因果Transformer
Breaking Spurious Correlations: Uncertainty-Driven Causal Transformers for AU Detection
将Transformer注意力权重参数化为高斯分布以建模不确定性，并引入因果干预模块抑制混淆偏差，可复用于其他存在标签噪声和类别不平衡的细粒度人脸分析任务。
打破平滑运动假设：面向复杂恶劣条件下多目标跟踪的无人机基准
Breaking Smooth-Motion Assumptions: A UAV Benchmark for Multi-Object Tracking in Complex and Adverse Conditions
为无人机视角多目标跟踪提供了包含剧烈自运动、尺度变化和运动模糊的严苛基准，可用于评估和提升跟踪器在动态复杂场景下的检测与关联鲁棒性。
打破语义边界：分布引导的语义探索用于创造性生成
Breaking Semantic Boundaries: Distribution-Guided Semantic Exploration for Creative Generation
提出分布条件生成范式，将类别分布作为条件输入扩散模型，并通过视觉语言模型对齐生成图像的语义分布，为可控创造性生成提供了可复用的技术思路。
以视频驱动的提示突破多模态大模型安全
Breaking Multimodal LLM Safety via Video-Driven Prompting
对做多模态大模型安全与对齐的研究者，这篇给出了一个可复用的攻击构造思路：把有害内容与多样、安全邻近的帧交错注入排版视频，利用视频帧多样性降低表征与安全视频的差异，从而绕过系统提示与安全对齐；也可作为评测视频模态安全鲁棒性的红队基线。
通过蒸馏辅助的测试时自适应引导视频语义分割模型
Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation
将图像语义分割模型通过蒸馏 SAM2 的时序知识并配合轻量时序融合模块，在测试时自适应为视频语义分割模型，为无标注视频分割提供可复用范式。
自举多视图学习以应对测试时噪声对应
Bootstrapping Multi-view Learning for Test-time Noisy Correspondence
针对推理阶段跨视图异步采样导致的错配，BML 用可控噪声增强构造训练集并训练轻量估计器输出可靠性权重来调制融合，可直接迁移到多传感器/多模态融合（如 RGB-深度、多相机 BEV）在部署时出现错配的鲁棒融合环节。
自举你的音视频代理：面向音视频分割的自适应对比与原型学习
Bootstrap Your Own AV-Proxies: Adaptive Contrastive and Prototype Learning for Audio-Visual Segmentation
论文提出的自监督音频增强模块通过对比学习对齐音频与梯度阻断的视觉嵌入，以及动态原型约束模块利用动量更新原型增强像素级类别感知，这两者均可作为跨模态对齐与分割的通用技术手段，尤其适用于需要抑制融合噪声的多模态分割任务。
引导动态感知的 3D 视觉表征用于可扩展机器人学习
Bootstrap Dynamic-Aware 3D Visual Representation for Scalable Robot Learning
把状态预测建模为扩散生成过程、在共享潜空间联合学习前向与逆向动力学，为视觉表征注入可操作的因果转移结构；特征差分与逆一致性监督可防止动作学习中的特征泄漏，这一思路可直接迁移到任何需要动作条件表征的视觉预训练中。
以双粒度对齐增强 CLIP 的视觉重编程
Boosting Visual Reprogramming for CLIP with Dual Granularity Alignment
把 CLIP 的视觉重编程从单层图文对齐扩展到「多尺度视觉粒度 + 标签层级语义粒度」的双粒度对齐，其中不确定性校准的预测融合（UPF）与原型引导的层级知识传播（HKP）可直接迁移到其他需要多尺度或多层级标签的下游适配任务。
利用可行动作邻域先验提升视觉-语言-动作模型微调
Boosting Vision-Language-Action Finetuning with Feasible Action Neighborhood Prior
对做 VLA/机器人策略学习的人，这篇给出了一个可直接复用的正则化手段：把「每个状态存在一族近似等价动作」这一物理先验编码成高斯输出分布约束，替代从语言模型直接继承的交叉熵式训练，从而在 SFT 与 RFT 两种微调范式下同时提升样本效率与 OOD 成功率。
推动视觉语言模型面向跨域增量目标检测
Boosting Vision-Language Models Towards Cross-Domain Incremental Object Detection
把「跨域 + 新类别」同时纳入增量目标检测的评测协议，并用按分布分组的动态子空间 + 渐进式 adapter 合并来平衡稳定性与可塑性，可直接迁移到开放世界检测器或 VLM 检测器的持续适配场景。
以上下文提示与噪声学习增强自监督跟踪
Boosting Self-Supervised Tracking with Contextual Prompts and Noise Learning
提出一种仅在训练阶段生效的双模态上下文关联机制：先用实例图像块提示引导前向/后向跟踪分支学习，再逐步注入上下文噪声扰动特征以增强鲁棒性，推理时无额外开销，可直接迁移到其他自监督视频跟踪框架。
通过激活重放提升大型多模态模型的推理能力
Boosting Reasoning in Large Multimodal Models via Activation Replay
提出一种无需训练的测试时干预方法：通过操纵视觉 token，将基座 LMM 的低熵激活重放到 RLVR 后训练的 LMM 中，以提升多模态推理性能。该方法可复用于任何基于 RLVR 微调的视觉语言模型，以缓解推理覆盖变窄的问题。
提升零样本目标计数的数量与空间感知能力
Boosting Quantitive and Spatial Awareness for Zero-Shot Object Counting
提出数值条件提示和代价聚合解码器，将计数从粗检索转为细粒度数量感知，可直接用于开放词表计数和视觉语言模型的定量推理增强。
以由粗到细的视觉处理提升文档解析效率与性能
Boosting Document Parsing Efficiency and Performance with Coarse-to-Fine Visual Processing
VRFM 用定位与上下文关系预测筛出有效视觉 token、抑制背景冗余，这一「先粗筛区域再细识别」的 token 选择思路可直接迁移到高分辨率图像输入下的任意 VLM 任务（如高分辨率 OCR、图表理解、遥感图文），在保持精度的同时大幅削减视觉 token 数与推理成本。
BoostSLT：通过即插即用的扩散式语义增强器提升手语翻译
BoostSLT: Boosting Sign Language Translation via a Plug-and-Play Diffusion-Based Semantic Enhancer
把扩散模型当作段落级语义重建器，对片段级翻译结果做拼接与精炼，这个「先分段再扩散融合」的即插即用思路可直接迁移到视频字幕、长视频描述等长序列视觉-语言生成任务。
BluRef：基于稠密匹配参考的无监督图像去模糊
BluRef: Unsupervised Image Deblurring with Dense-Matching References
用稠密匹配模型在非配对模糊/清晰图之间建立像素对应，从而合成伪真值监督去模糊网络，为缺乏配对数据的复原任务提供了一条可复用的数据构造思路。
无块效应的基于块的学习图像压缩
Block-based Learned Image Compression without Blocking Artifacts
给出一个解析框架，通过卷积/转置卷积层推导重叠传播，精确算出无块效应重建所需的最小重叠量，可直接套用到任意 CNN 图像处理网络（超分、去噪、复原）做分块推理，在不重训练的前提下把峰值显存和计算量降到约 13% 和 2%。
面向高效多视图几何 Transformer 的块稀疏全局注意力
Block-Sparse Global Attention for Efficient Multi-View Geometry Transformers
把稠密全局注意力换成免训练的块稀疏注意力，可直接插到 VGGT、π³、MapAnything 这类前馈多视图重建 Transformer 中，在几乎不掉性能的前提下把大图集推理加速 3 倍以上，是处理大规模多视图输入时一个即插即用的效率手段。
Blink：面向增强多模态理解的动态视觉词元分辨率
Blink: Dynamic Visual Token Resolution for Enhanced Multimodal Understanding
提出基于注意力图的逐层显著性估计与 TokenSR 超分扩展机制，可在单次前向中动态为显著视觉词元分配更多计算，是一种可插拔的视觉词元分辨率调度思路，可迁移到其他 MLLM 的视觉编码与推理加速场景。
BlackMirror：基于指令-响应偏差的文本到图像模型黑盒后门检测
BlackMirror: Black-Box Backdoor Detection for Text-to-Image Models via Instruction-Response Deviation
提出一种免训练、可插拔的黑盒后门检测思路：不依赖图像级相似度，而是把生成图像中的局部语义模式与指令对齐，并在多提示下检验偏差稳定性，可直接用于 MaaS 场景下对第三方文生图模型的审计。
针对图像生成模型预训练数据的黑盒成员推理攻击
Black-box Membership Inference Attacks on the Pre-training Data of Image-generation Models
对做扩散模型数据溯源与版权审计的研究者，这篇给出了一个仅依赖黑盒去噪行为的成员推理信号：同时扰动可疑图像与其对应文本指令，观察跨模态去噪响应差异，可在无法访问内部特征的主流闭源平台上判断预训练数据是否被使用。
面向目标检测的保持驱动知识压缩黑盒域自适应
Black-Box Domain Adaptation for Object Detection with Retention-Driven Knowledge Compression
把终身学习中的记忆保持与场景压缩机制引入黑盒域自适应目标检测，用分区记忆对比学习过滤噪声伪标签、用近远视图对比挖掘远视区域线索，可直接迁移到无源数据的目标检测域迁移场景。
BiomedCCPL：面向生物医学视觉语言模型的因果条件提示词学习
BiomedCCPL: Causal Conditional Prompt Learning for Biomedical Vision-Language Models
用因果前门调整约束图像条件提示词的生成，使提示词只依赖跨类共享的诊断性视觉特征，这一思路可直接迁移到任何 VLM 的 base-to-novel 泛化场景，用来抑制已见类中的虚假线索。
BioVITA：面向视觉-文本-声学对齐的生物数据集、模型与基准
BioVITA: Biological Dataset, Model, and Benchmark for Visual-Textual-Acoustic Alignment
把音频作为第三模态接入 BioCLIP2 式的图文对比表征空间，并给出覆盖三模态全方向、三个分类层级的跨模态检索基准，为视觉研究者提供可复用的多模态对齐训练范式与评测协议。
BinaryAttention：面向视觉与扩散Transformer的一比特QK注意力
BinaryAttention: One-Bit QK-Attention for Vision and Diffusion Transformers
将注意力中的QK点积二值化为符号位运算，用位运算替代浮点乘法，在视觉Transformer和扩散Transformer上实现端到端加速，为低比特注意力提供可复用方案。
用于真实图像去雾的双层层级定位低秩适配
Bilevel Layer-Positioning LoRA for Real Image Dehazing
将CLIP的跨模态语义对齐作为无参考图像复原的无监督损失，并用双层优化自动搜索LoRA注入层，为真实场景去雾等底层视觉任务提供了一种参数高效且无需成对数据的微调范式。
面向参数化 CAD 草图的双向查询驱动生成
Bidirectional Query-Driven Generation of Parametric CAD Sketch
把参数化草图序列当作可双向查询的序列建模对象，用置信度门控决定向前/向后扩展方向，并用有效性编译器保证生成指令可执行——这套「双向自回归 + 可执行性校验」思路可迁移到矢量图形、笔刷序列、程序化场景布局等结构化序列生成任务。
双向归一化流：从数据到噪声再返回
Bidirectional Normalizing Flow: From Data to Noise and Back
BiFlow 用可学习的逆向模型替代归一化流中严格可逆的前向变换，从而摆脱因果解码瓶颈，将采样速度提升两个数量级，为基于流的生成模型提供了一种更灵活、更快的训练与采样范式。
面向少样本多类异常检测的双向多模态提示学习与尺度感知训练
Bidirectional Multimodal Prompt Learning with Scale-Aware Training for Few-Shot Multi-Class Anomaly Detection
把文本提示与视觉提示做双向交互、并用全局+局部双视图训练尺度感知前缀，为少样本多类异常检测提供了一种无需异常类型描述、无需外部模块的轻量提示学习范式，可直接迁移到工业质检与医学异常定位。
面向事件-帧非对称立体的双向跨模态提示
Bidirectional Cross-Modal Prompting for Event-Frame Asymmetric Stereo
把事件与帧两种模态各自投影到对方域、在目标规范空间做细粒度对齐的双向提示思路，可直接迁移到其他跨模态立体匹配或跨传感器融合的稠密对应任务中，缓解模态鸿沟导致的域特有线索被边缘化问题。
分数末端的偏差
Bias at the End of the Score
对做 T2I 生成与奖励引导优化（如 RLHF/DRaFT 类微调、数据集筛选）的研究者，这篇审计提示：奖励模型本身携带人口统计偏差，用它做监督信号会系统性地放大性别/种族刻板印象并压缩多样性；在搭建奖励反馈管线时，应把奖励模型的偏差审计与去偏作为必要环节，而非只关注 reward hacking 与模式坍塌。
偏见是子空间而非坐标：对视觉语言模型事后去偏的几何再思考
Bias Is a Subspace, Not a Coordinate: A Geometric Rethinking of Post-hoc Debiasing in Vision-Language Models
把「偏见分布在低维线性子空间而非个别坐标」这一几何视角，转化为可直接套用的后处理去偏算子：在嵌入空间做子空间投影并回填中性均值，可复用于CLIP类模型的零样本分类、图文检索与生成，无需重训练。
偏见进，偏见出？在原始模型中发现无偏子网络
Bias In, Bias Out? Finding Unbiased Subnetworks in Vanilla Models
提出通过剪枝从标准训练模型中提取无偏子网络，无需额外数据或重训练，为视觉模型去偏提供高效的结构化方法，可复用于其他公平性任务。
BiProLoRA：面向真实场景复原的双层提示低秩适配
BiProLoRA: Bilevel Prompt LoRA for Real Scene Recovery
把预训练生成模型通过双层优化（超参数优化）联合调 LoRA 与提示词，并用自监督分布保真校准自编码通路，可直接迁移到去雨/去雾/低光照等真实退化复原任务中做合成到真实的适配。
BiPreManip：通过前瞻性协作学习基于可供性的双臂预备操作
BiPreManip: Learning Affordance-Based Bimanual Preparatory Manipulation through Anticipatory Collaboration
把视觉可供性作为双臂之间的共享中间表示，先预测目标动作的可供性、再反推预备动作，这种「可供性前瞻推理」可直接迁移到其他长程操作与工具使用任务中，作为跨臂/跨步骤的协调接口。
BiPA：面向水下实例分割的双层提示词适配
BiPA: Bilevel Prompt Adaptation for Underwater Instance Segmentation
把 SAM 的稠密提示词学习建模成双层优化，并用贝叶斯优化在冻结主干的前提下先搜提示词、再微调模型，这套「先优化提示词、后调参数」的两阶段流程可直接迁移到其他严重域偏移场景（如医学、遥感）的 SAM 适配。
BiOTPrompt：双向最优传输引导的疾病演化感知放射报告生成
BiOTPrompt: Bidirectional Optimal Transport Guided Prompting for Disease Evolution-aware Radiology Report Generation
用双向最优传输计划的不对称性来定位新出现与已消退病灶，这一思路可迁移到任何需要比较两期影像差异的视觉任务（如变化检测、随访影像分析）；同时其视觉-语言一致性约束为缓解多模态生成中的幻觉提供了可复用的正则手段。
BiMotion：面向文本引导动态三维角色生成的 B 样条运动
BiMotion: B-spline Motion for Text-guided Dynamic 3D Character Generation
用连续可微的 B 样条曲线替代逐帧离散表示来压缩变长运动序列，这个「固定控制点数的闭式求解器」思路可直接迁移到任何需要变长时序建模的视觉任务（如视频运动生成、动作插值、轨迹表示）。
BiGain：面向生成与分类联合任务的统一词元压缩
BiGain: Unified Token Compression for Joint Generation and Classification
对做扩散模型加速的人，这篇给出了一个免训练、即插即用的词元压缩方案：用拉普拉斯门控的词元合并保留高频边缘纹理，用最近邻与平均池化之间的可控内插外推来压缩 KV，从而在同等加速比下同时保住生成质量与判别能力，可直接套用到 DiT/U-Net 骨干的推理管线中。
BiGMINT：生物学引导的分层多模态集成用于药物发现中多化合物活性建模
BiGMINT: Biologically-guided Hierarchical Multimodal Integration for Modeling Multiple Compound Activities in Drug Discovery
论文提出的化学蛋白质组学引导的表型聚合与任务感知的跨模态融合机制，可迁移到视觉-组学联合建模场景，为利用生物先验指导图像特征聚合提供可复用范式。
BiFM：面向少步图像编辑与生成的双向流匹配
BiFM: Bidirectional Flow Matching for Few-Step Image Editing and Generation
把「图像→噪声」的反演方向也纳入流匹配训练，用共享瞬时速度场与连续时间区间监督实现单步反演，可直接替换现有少步编辑管线中的反演模块，提升少步采样下的编辑保真度。
BiEvLight：面向低光照图像增强的任务感知事件精炼双层学习
BiEvLight: Bi-level Learning of Task-Aware Event Refinement for Low-Light Image Enhancement
将事件去噪建模为受增强任务约束的双层优化问题，使去噪网络学习到面向下游增强的事件表征，这一思路可迁移到其他多模态融合任务中，避免静态预处理带来的过/欠去噪权衡。
双向自回归扩散用于大复杂运动插值
Bi-directional Autoregressive Diffusion for Large Complex Motion Interpolation
ARVFI 将自回归生成与扩散模型结合，从两端向中间逐帧插值，并利用 DINOv3 高层语义特征作为运动表示，为视频插值中的大复杂运动提供了一种可复用的时序生成框架。
Bi-Bridge：面向低光照图像增强的双向扩散桥
Bi-Bridge: Bidirectional Diffusion Bridges for Low-Light Image Enhancement
把增强与退化建模成同一个对称扩散桥的两个方向，用双向一致性作为内容保真的约束；做低光照增强、去噪、去模糊等图像到图像复原时，可借鉴这种「正反过程共享结构」的正则思路来抑制生成模型的结构漂移。
面向激光雷达人体运动捕捉的贝塞尔退化建模
Bezier Degradation Modeling for LiDAR-based Human Motion Capture
把人体运动序列用时间上可压缩的贝塞尔曲线表示，并用多尺度 Time-scale Motion Transformer 预测控制点，为点云输入下的遮挡补全与抖动抑制提供了可复用的轨迹参数化思路。
超越静态世界：面向一体化医学图像复原的终身学习
Beyond the Static-World: Lifelong Learning for All-in-One Medical Image Restoration
把「解耦-优化-巩固」范式用于多模态医学图像复原：用对抗平衡在内容保持与模态擦除之间解耦出模态不变特征流形，再用预测网络定位特征巩固点配合多样性损失抵抗域增量下的灾难性遗忘，可直接迁移到多模态视觉模型的持续学习场景。
超越静态世界：视觉漂移下的持续类别发现
Beyond the Static World: Continual Category Discovery under Visual Drift
把部分非平衡最优传输与二值响应谱量化结合，用于无标签流式数据中已知/未知类别的自动分离；其跨域语义对齐（对抗式原型匹配）与类别拓扑一致性约束可直接迁移到开放世界识别、测试时自适应等视觉场景。
超越真值：面向图像复原的增强监督
Beyond the Ground Truth: Enhanced Supervision for Image Restoration
把「提升真值质量」当作提升复原性能的杠杆：用条件频率掩码生成器做频域 mixup，把原真值与超分变体融合成感知增强真值，再训练一个可插拔的轻量输出精炼网络，可直接接到现有复原模型后面。
超越黄金数据：通过时间步选择性训练解决运动-视觉质量困境
Beyond the Golden Data: Resolving the Motion-Vision Quality Dilemma via Timestep Selective Training
对做视频扩散训练的人，这篇给出了一个可直接复用的数据使用策略：不必筛掉运动强但画质差（或反之）的样本，而是按时间步把不同质量倾向的数据分配到模型学习的不同阶段，从而在数据受限时仍能提升生成质量。
超越全局分数：以细粒度词元定位作为 LVLM 幻觉的鲁棒检测器
Beyond the Global Scores: Fine-Grained Token Grounding as a Robust Detector of LVLM Hallucinations
把「对象词元是否强定位到某个图像块」作为判据，用 patch 级注意力弥散度与语义对齐度两个统计特征做词元级幻觉检测，可作为一种无需额外训练、可解释的 VLM 输出校验插件，接入任意 LVLM 的解码过程。
超越[CLS]词元：查询驱动的词元级伪造净化用于可泛化深度伪造检测
Beyond [CLS] Token: Query-Driven Token-Level Forgery Purification for Generalizable Deepfake Detection
针对ViT基础模型在深度伪造检测中[CLS]词元偏向全局语义的问题，提出可学习的查询词元聚合多图像块证据，并设计伪造似然对比损失与真实注意力对齐约束，为利用视觉基础模型做细粒度取证提供了可复用的词元级特征重组方案。
超越共享信息：从中间层恢复丢失的独特信息以提升多模态地理基础模型
Beyond What's Shared: Recovering Lost Unique Information from Intermediate Layers to Boost Multimodal Geo-Foundation Models
对做多模态对比学习（如 CLIP 式图文对齐）的人，这篇给出一个几乎零成本的改进：把中间层与最后一层特征融合，可恢复被对齐目标压掉的模态特有信息；其逐层分析（模态间隙、表征相似度、互信息）也可直接迁移到视觉-语言模型的特征选择与层融合策略上。
超越弱监督：多模态大语言模型引导的分级知识蒸馏用于无监督伪装目标检测
Beyond Weak Supervision: MLLMs-Guided Graded Knowledge Distillation for Unsupervised Camouflaged Object Detection
提出利用多模态大语言模型（MLLM）结合思维链生成高质量伪标签，并通过分级知识蒸馏训练学生网络，为无监督密集预测任务提供了一种可复用的弱监督替代方案。
超越最高激活：高效可靠的自动化可解释性众包评估
Beyond Top Activations: Efficient and Reliable Crowdsourced Evaluation of Automated Interpretability
提出模型引导的重要性采样（MG-IS）和贝叶斯评分聚合（BRAgg），可高效、可靠地众包评估视觉网络神经元的自动化解释方法，为机制可解释性研究提供可复用的评估流程。
超越连接点：基于密集特征一致性的卫星影像区域网平差
Beyond Tie Points: Satellite Image Block Adjustment based on Dense Feature Consistency
用预训练特征提取器提取密集特征和视差感知置信图，以置信度加权特征一致性替代稀疏连接点进行区域网平差，为遥感影像几何校正提供了不依赖显式连接点的可复用优化框架。
超越文本：面向基于 CLIP 的弱监督语义分割的概率模型视觉描述组装
Beyond Text: Visual Description Assembly by Probabilistic Model for CLIP-based Weakly Supervised Semantic Segmentation
用概率模型把 CLIP 视觉特征映射到结构化潜空间、动态组装实例级视觉描述原型来替代静态文本原型查询，可直接迁移到任何依赖 CLIP 文本-图像对齐生成 CAM 的弱监督定位任务。
超越文本提示：通过文本-图像协同实现精确概念擦除
Beyond Text Prompts: Precise Concept Erasure through Text-Image Collaboration
TICoE 用连续凸概念流形加分层视觉表征来定位并擦除目标概念，对做可控生成、个性化定制与生成内容安全的人提供了一个可复用的『文本-图像协同』擦除范式，其面向保真度的擦除后可用性评测协议也可直接用于评估编辑类方法是否误伤无关内容。
超越成功：通过即时干预从混合质量数据中精炼优雅的机器人操作
Beyond Success: Refining Elegant Robot Manipulation from Mixed-Quality Data via Just-in-Time Intervention
提出一种与基础 VLA 策略解耦的「优雅性评论家」加推理时按需干预机制：用离线校准 Q 学习估计候选动作的执行质量，仅在评论家置信度低的决策关键点介入。做 VLA 策略后处理、动作质量重排序或推理时对齐的视觉研究者可直接复用该「评论家+选择性干预」范式，无需重训大模型。
超越严格配对：面向高性能红外与可见光图像融合的任意配对训练
Beyond Strict Pairing: Arbitrarily Paired Training for High-Performance Infrared and Visible Image Fusion
把红外与可见光图像融合的训练从严格配对中解放出来，用非配对/任意配对数据即可训练，并给出 CNN/Transformer/GAN 三个轻量基线；做多模态融合或跨模态配准数据稀缺时，可直接复用其任意配对训练目标与配套损失函数。
超越静态帧：用于人体姿态估计的时序聚合与恢复视觉 Transformer
Beyond Static Frames: Temporal Aggregate-and-Restore Vision Transformer for Human Pose Estimation
提出一种即插即用的时序聚合与恢复模块，可增强现有单帧 ViT 姿态估计器，利用相邻帧信息提升运动模糊、遮挡等挑战场景下的关键点定位稳定性。
超越软标签：通过正交梯度匹配进行数据集蒸馏
Beyond Soft Label: Dataset Distillation via Orthogonal Gradient Matching
OGM 通过正交化梯度并匹配奇异向量方向，为数据集蒸馏提供了一种无需反向传播的梯度匹配新思路，可复用于其他需要高效匹配梯度方向的视觉任务。
超越单视角充分性：CVBench 跨视角人体理解基准
Beyond Single-View Sufficiency: CVBench for Cross-View Human Understanding
该基准通过强制单视角信息不足的设定，暴露了现有多模态大模型在跨视角融合上的系统性缺陷，为设计具备几何 grounding 和身份持久性的视觉架构提供了诊断工具与明确方向。
超越单一解：面向图像压缩感知的多假设深度展开网络
Beyond Single Solution: Multi-Hypothesis Deep Unfolding Network for Image Compressive Sensing
把「单一解」的深度展开网络改成多假设协同展开：AlphaNet 为每个假设预测空间变化的步长，近端映射模块同时利用假设内与假设间相关性先验联合精修多个解，可直接迁移到其他病态逆问题的展开式求解器（去噪、去模糊、超分）中。
超越单张图像：面向相册级视觉语言理解的综合基准
Beyond Single Images: A Comprehensive Benchmark for Album-Level Vision-Language Understanding
为多图/相册级视觉语言理解提供了带用户意图标注的评测基准，可直接用于检验和训练 VLM 的跨图上下文聚合与意图对齐能力，例如在相册内做照片筛选、评分与分组。
超越串行工具：基于动态多专家融合的统一视觉语言模型智能体系统用于摄影后期处理
Beyond Sequential Tools: A Unified VLM Agent System for Photographic Post-Processing via Dynamic Multi-Expert Fusion
把 VLM 当作调度器，为多个只改 K/V 矩阵的专家 LoRA 动态分配权重，并一次性合并进扩散骨干网络完成单步复原，这个「多专家 LoRA 融合 + 单次前向」的范式可直接迁移到去噪、去模糊、低光照增强等耦合退化场景。
超越语义搜索：面向组合图像检索的指代锚定
Beyond Semantic Search: Towards Referential Anchoring in Composed Image Retrieval
提出以边界框作为视觉锚点的细粒度组合图像检索任务，并设计上下文感知注意力调制器，可复用于需要实例级保真度的多模态检索与定位任务。
超越扫描路径：动态场景中基于图的注视模拟
Beyond Scanpaths: Graph-Based Gaze Simulation in Dynamic Scenes
把注视轨迹当作自回归动力系统逐帧展开，并用异构图Transformer建模注视、交通目标与道路结构的关系，为动态场景中的注意力/显著性预测提供了可复用的时序建模范式。
超越基于规则的智能体：面向自动驾驶中真实多智能体交互的主动马尔可夫博弈
Beyond Rule-Based Agents: Active Markov Games for Realistic Multi-Agent Interaction in Autonomous Driving
把驾驶交互建模为状态转移与奖励随智能体策略演化的主动马尔可夫博弈，并用自我车辆策略与多样化对手策略池协同进化训练，可直接用于视觉感知驱动的端到端驾驶策略在非平稳对手下的鲁棒性提升与长尾场景评测。
超越重组：含缺失部件的碎裂物体恢复
Beyond Reassembly: Fractured Object Recovery with Missing Parts
把碎片重组与缺失部件补全统一进一个 Transformer 框架，用 missing token 表示缺失部件并与已有部件特征做关联推理，这个「缺失 token + 跨部件特征关联」的设定可直接迁移到点云/网格补全、遮挡物体重建等任务。
超越提示词退化：原型引导的双池提示词增量目标检测
Beyond Prompt Degradation: Prototype-guided Dual-pool Prompting for Incremental Object Detection
提出双池提示词解耦范式（共享池+私有池）与原型伪标签生成模块，可复用于任何基于提示词的增量目标检测器，缓解提示词耦合与漂移问题。
超越像素模拟：基于诊断语义令牌和原型控制的病理图像生成
Beyond Pixel Simulation: Pathology Image Generation via Diagnostic Semantic Tokens and Prototype Control
利用冻结的病理多模态大模型提取诊断语义令牌，并结合原型库实现细粒度形态控制，为医学图像生成提供了可复用的语义控制范式。
超越感知捷径：面向轻量级多模态大模型可泛化视频推理的因果启发去偏优化
Beyond Perceptual Shortcuts: Causal-Inspired Debiasing Optimization for Generalizable Video Reasoning in Lightweight MLLMs
对做轻量级视频 MLLM 的研究者，这篇给出了一个可复用的去偏训练范式：先训练一个专门拟合数据偏置的「偏置模型」，再用带排斥项的 CDPO 目标把主模型推离捷径逻辑，可在不做 SFT、仅用 1% 数据做 RL 的条件下提升视频推理泛化性。
超越图块：面向多模态少样本字体生成的全局感知自回归模型
Beyond Patches: Global-aware Autoregressive Model for Multimodal Few-Shot Font Generation
全局感知分词器与轻量语言-风格适配器可迁移到其他需要全局一致性的自回归图像生成任务，如场景文字生成或风格化草图合成。
超越物体：面向细粒度分类的上下文合成数据生成
Beyond Objects: Contextual Synthetic Data Generation for Fine-Grained Classification
BOB 提出了一种微调 T2I 模型以生成高质量合成训练数据的策略：通过类无关属性（背景、姿态）显式条件化并在生成时边缘化，缓解过拟合并保留生成先验，可直接用于低样本细粒度分类的数据增强。
超越短视对齐：面向在线类增量学习的前瞻优化
Beyond Myopic Alignment: Lookahead Optimization for Online Class-Incremental Learning
把「前瞻式优化」引入基于排练的在线类增量学习：沿兼顾可塑性与稳定性的多个方向做前瞻步，再用一阶 Log-Sum-Exp 代理目标强化最差方向，可直接替换视觉分类模型持续学习中的梯度对齐/超梯度更新环节。
超越多项选择：面向鲁棒视觉语言强化微调的可验证开放问答
Beyond Multiple Choice: Verifiable OpenQA for Robust Vision-Language RFT
为视觉语言模型提供可验证的开放问答数据构造与自动验证流程，可直接用于强化微调（RFT）和更可靠的基准评测，避免多项选择选项泄露带来的奖励信号偏差。
超越缺失模态：超图条件扩散用于不确定性感知的多模态情感识别
Beyond Missing Modalities: Hypergraph Conditioned Diffusion for Uncertainty-Aware Multimodal Emotion Recognition
提出用掩码超图注意力条件扩散模型在潜空间恢复缺失模态特征，并用双通道证据融合量化不确定性，可迁移到视觉-语言多模态任务中处理模态缺失与不确定性建模。
超越模仿：从人际示范中学习全身人-人形机器人交互
Beyond Mimicry: Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations
PAIR 的接触中心两阶段重定向思路可迁移到任意跨形态动作迁移（如人手到机械手、人体到虚拟人），其核心是显式保留接触语义而非只对齐关节轨迹；D-STAR 的「何时动/何处动」解耦加扩散检测头结构，为视觉-动作联合建模提供了一种可复用的分层策略设计。
超越瓦片匹配：弥合未对齐的航空与卫星视角以实现纯视觉无人机导航
Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation
把跨视角地理定位从「匹配地图瓦片」转为「从邻域特征联合回归绝对位置与航向」，并显式编码相对空间关系以抵抗视角差异与错位，对做无人机/遥感定位与视觉导航的人是一个可直接复用的轻量化范式。
超越逐层合并：面向视觉语言模型的链式合并
Beyond Layer-Wise Merging: Chain-of-Merging for Vision-Language Models
为视觉研究者提供一种免训练的参数级融合手段：把数学/推理专精的 LLM 参数按结构+语义匹配分数自适应地注入 VLM 的不同层，可在不重训的情况下提升 VLM 的数学推理与通用视觉理解，适合作为多模态模型能力扩展的轻量后处理方案。
超越启发式提示词：面向零样本图像识别的概念引导贝叶斯框架
Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition
把类别概念当作潜变量、用贝叶斯边缘化替代启发式提示词集成，并配一个无需训练的自适应软裁剪似然来压制离群概念——这套思路可直接迁移到 CLIP 类模型的零样本/少样本识别与开放词表分类中，替代手工 prompt 模板搜索。
超越真实标签：利用图像质量先验进行真实世界图像复原
Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration
利用预训练 NR-IQA 模型提取图像质量先验，作为条件信号引导复原网络预测高质量表示，可即插即用地增强现有复原架构；双分支码本与离散表示优化策略为质量感知复原提供了可复用的技术手段。
超越图模型：基于随机图适配器的可靠 VLM 微调
Beyond Graph Model: Reliable VLM Fine-Tuning via Random Graph Adapter
把类别文本描述建模成顶点随机知识图，用概率消息传播得到上下文感知的分布表示，再经重参数化采样学习文本适配器；做 VLM 下游少样本分类时可直接替换确定性文本适配器，并配合多模型不确定性融合提升鲁棒性。
超越全局相似度：面向细粒度跨模态理解的多条件检索
Beyond Global Similarity: Multi-Conditional Retrieval for Fine-Grained Cross-Modal Understanding
为视觉研究者提供了一个诊断性基准，用于检验多模态检索器与视觉语言重排序器在自然语言多约束查询下的细粒度组合匹配能力；其发现（视觉线索主导早期排序精度、文本元数据稳定长尾排序、pointwise 重排序器通过显式验证查询-候选一致性显著提升匹配）可直接指导检索系统的重排序模块设计与多模态特征融合策略。
超越几何：面向沉浸式 2D 转 3D 的艺术化视差合成
Beyond Geometry: Artistic Disparity Synthesis for Immersive 2D-to-3D
把 2D 转 3D 的目标从几何精确的视差估计改为艺术化视差合成，用双路径解耦全局深度参数与局部出屏效果，并借助专业 3D 电影数据做间接监督；对做单目深度、视差估计与立体内容生成的研究者，这提供了一条用电影数据注入艺术意图、而非只追几何精度的新思路。
超越固定公式：面向高效扩散模型的数据驱动线性预测器
Beyond Fixed Formulas: Data-Driven Linear Predictor for Efficient Diffusion Models
把手工设计的 Taylor 式特征外推系数换成按时间步学习的线性权重，只需少量缓存轨迹、单卡约 20 秒即可训好，可直接插到 DiT/FLUX/Qwen-Image 等现有采样管线上做免训练加速，是特征缓存类加速方法的一个即插即用替换件。
超越显式语言：面向通用目标跟踪的即插即用视觉到语言建模
Beyond Explicit Language: Plug-and-Play Visual-to-Linguistic Modeling Toward General Object Tracking
提出一个即插即用的文本反转模块，将模板和搜索区域的视觉特征映射到CLIP文本嵌入空间，无需显式语言输入即可为跟踪器注入语言引导，可复用于其他视觉任务以隐式利用语言先验。
超越欧氏 gossip：异构且不平衡图像上的 KL 重心共识
Beyond Euclidean Gossip: KL-Barycentric Consensus on Heterogeneous and Imbalanced Images
为视觉模型在去中心化、非独立同分布数据上的协同训练提供几何感知的共识机制：在指数族期望参数空间做线性混合即得前向KL重心，可直接替换联邦/去中心化视觉训练中的权重平均，缓解异构站点间的分布漂移。
超越对偶性：利用共享与私有特征的混合框架用于RGB-事件目标检测
Beyond Duality: A Hybrid Framework of Leveraging Shared and Private Features for RGB-Event Object Detection
提出基于频域一致性的共享与私有特征解耦方法，可复用于其他多模态融合检测任务；TriAdapt 编码器与 TriInject 解码器的设计思路对处理模态间互补信息有参考价值。
超越基于描述文本的查询：视频时刻检索中的搜索式查询
Beyond Caption-Based Queries in Video Moment Retrieval
对做视频-语言定位的人：论文指出 DETR 式 VMR 模型在从描述性 caption 查询迁移到简短搜索查询时，会出现解码器查询坍缩（active decoder-query collapse），并给出通过增加活跃解码器查询数量来缓解的架构改法；这套诊断与改法可直接迁移到其他基于 DETR 的 grounding/定位模型上。
超越二值对比：用过渡锚框建模连续骨骼动作空间
Beyond Binary Contrast: Modeling Continuous Skeleton Action Spaces with Transitional Anchors
把二值对比目标替换为在动作流形上构造过渡锚框并做多层级几何校准，可直接迁移到任何需要建模连续类间过渡的自监督表征学习任务（如细粒度动作、时序分割边界）。
超越外观：基于几何结构的伪装目标检测
Beyond Appearance: Camouflaged Object Detection via Geometric Structure
把单目深度估计模型通过稀疏混合专家适配器迁移到伪装目标检测，并用几何-语义融合模块把深度几何线索注入分割特征，为「深度先验跨任务迁移」提供了一个可复用的适配与融合范式。
超越 3D VQA：向视觉语言模型注入 3D 空间先验以增强几何推理
Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning
把点对应与深度一致性作为深层监督信号注入 LLM 的 Transformer 各层，为提升 VLM 三维空间推理提供了一条不依赖 3D VQA 数据、可复用的训练路径；其逐层对应匹配诊断也可直接用于分析其他 VLM 的内部几何表征。
更好、更强、更快：以同步文本全掩码预测破解基于多模态大模型的分割三难困境
Better, Stronger, Faster: Tackling the Trilemma in MLLM-based Segmentation with Simultaneous Textual Mask Prediction
把分割掩码当作图像 patch 上的并行填空任务，在 MLLM 单次前向中一次性输出整张掩码，从而在不破坏对话能力的前提下兼顾分割质量与推理速度；做指代分割或多任务 VLM 的工作可直接复用这一解耦式输出头设计。
优于平均：分割不确定性的空间感知聚合提升下游任务性能
Better than Average: Spatially-Aware Aggregation of Segmentation Uncertainty Improves Downstream Performance
对做分割不确定性量化的视觉研究者，本文系统比较了像素级不确定性到图像级分数的聚合策略，并给出利用空间结构的聚合器与元聚合器，可直接用于 OoD 检测与分割失败检测的下游流程。
图像-形状对应的最佳分割伙伴
Best Segmentation Buddies for Image-Shape Correspondence
提出将2D视觉模型特征蒸馏到3D形状表面，并通过最佳分割伙伴匹配建立图像分割与3D语义部件对应的方法，可复用于跨模态检索、三维部件分割和姿态迁移等任务。
单因素物理视频到音频生成的基准评测
Benchmarking Single-Factor Physical Video-to-Audio Generation
为视频到音频生成提供了单因素反事实配对与单视频模式测试的评测协议，可直接用于诊断多模态生成模型对视觉流与文本条件的依赖程度，并揭示时序对齐与语义准确率之间的权衡。
基准测试博士级编码在3D几何计算机视觉中的表现
Benchmarking PhD-Level Coding in 3D Geometric Computer Vision
GeoCodeBench 提供了从论文官方仓库中筛选核心 3D 几何组件并自动生成边界单元测试的流程，可直接用于评估或训练模型实现几何变换、算法逻辑等 3D 视觉代码的能力，其上下文消融结果（截断至方法部分优于全文）也为科学长文档理解提供了可复用的实验设计。
内窥镜手术图像复原基准评测与展望
Benchmarking Endoscopic Surgical Image Restoration and Beyond
提供了真实手术场景下多类型退化（烟雾、雾化、飞溅）的配对图像复原数据集与标准化评测基准，可直接用于训练和评估面向医疗内窥镜的复原算法，并揭示了手术场景与自然场景在结构感知和语义理解上的退化差异，为领域特定复原方法设计提供依据。
BeautyGRPO：通过动态路径引导与细粒度偏好建模实现人脸修图的美学对齐
BeautyGRPO: Aesthetic Alignment for Face Retouching via Dynamic Path Guidance and Fine-Grained Preference Modeling
把在线 RL 的偏好对齐用于人脸修图这类高保真编辑任务时，用基于锚点的 ODE 路径在每个采样步重规划来抑制随机漂移，这个「动态路径引导」思路可直接迁移到其他需要保真度的扩散编辑/复原任务中，避免 RL 探索引入的噪声伪影。
面向少样本语义分割的贝叶斯分解与语义补全
Bayesian Decomposition and Semantic Completion for Few-shot Semantic Segmentation
将少样本分割分解为先验、似然和类一致性三项，并用轻量类无关定位模型并行评估 SAM 生成的碎片区域，把分割转化为二分类；这种贝叶斯分解思路和语义补全模块可复用于其他基于 SAM 的开放词表分割任务。
Batman：联邦后门攻击中通过恶意零空间实现良性知识对齐
Batman: Benign Knowledge Alignment Through Malicious Null Space in Federated Backdoor Attack
对做视觉模型安全与联邦训练的研究者，这篇给出了一个可复用的思路：把良性知识约束到恶意更新张成的零空间正交补中，从而在共享参数空间里解耦攻击子空间与正常表征，可用于设计更难被检测的投毒/后门方案，也可反过来启发基于子空间正交性的后门检测与去除方法。
面向动态数据剪枝的批损失分数
Batch Loss Score for Dynamic Data Pruning
对视觉模型训练而言，BLS 提供了一种无需逐样本损失即可估计样本重要性的三行代码级方案，可直接嵌入现有动态数据剪枝流程，在检测、分割、视频等逐样本损失难以获取的复杂损失场景下实现 20%-50% 的无损剪枝加速。
面向基的低秩迁移用于少样本与测试时自适应
Basis-Oriented Low-rank Transfer for Few-Shot and Test-Time Adaptation
BOLT 提供了一种无需元训练、仅利用多个任务向量构造正交低秩基的迁移方法，视觉研究者可将其用于少样本或测试时快速适配新任务，尤其适合在已有多个微调模型（如不同数据集上的 ViT）时复用其知识。
BarbieGait：面向步态识别的身份一致且支持多样换装的合成人体数据集
BarbieGait: An Identity-Consistent Synthetic Human Dataset with Versatile Cloth-Changing for Gait Recognition
用虚拟引擎把真实受试者映射为可控换装的合成步态数据，为跨衣物步态识别提供可扩展训练/评测源；GaitCLIF 的衣物不变特征学习思路可迁移到其他需抑制外观变化的生物特征识别任务。
面向遥感图像细粒度目标检测的平衡层级对比学习与解耦查询
Balanced Hierarchical Contrastive Learning with Decoupled Queries for Fine-grained Object Detection in Remote Sensing Images
在 DETR 框架内把 object query 拆成分类集与定位集，并用带可学习类原型的层级对比损失平衡各层级类别梯度，可直接迁移到任何需要细粒度分类与定位解耦的检测器。
通过建模多视觉模式分布实现平衡的数据集蒸馏
Balanced Dataset Distillation via Modeling Multiple Visual Pattern Distribution
把「每类单簇」的假设换成类内多视觉模式分布，用层次语义结构在中心与边缘各取子集做平衡 coreset，可直接迁移到视觉数据集压缩与高效训练流程中，并提供了信息覆盖与性能一致性的理论保证。
BackSplit：细分背景在生物医学病灶分割中的重要性
BackSplit: The Importance of Sub-dividing the Background in Biomedical Lesion Segmentation
将二分类分割中的背景细分为多个解剖结构类别，利用现有分割模型自动生成辅助标签，在不增加推理成本的情况下提升小病灶分割性能，可推广到其他密集预测任务。
回到特征：用视频反事实解释说明视频分类器
Back to the Feature: Explaining Video Classifiers with Video Counterfactual Explanations
把图像反事实解释扩展到视频时，关键难点是时序一致与运动平滑；BTTF 用「首帧条件反演初始潜变量 + 两阶段邻域搜索 + 渐进增加去噪步数」的纯分类器引导优化，为视频模型的归因与调试提供了可复用的生成式解释框架。
回归源头：通过域补偿实现开放集持续测试时自适应
Back to Source: Open-Set Continual Test-Time Adaptation via Domain Compensation
把「域补偿提示词」作为可复用手段：仅用疑似 ID 样本对齐源域特征统计（一阶/二阶矩）来学习提示词，再传播到同批次 OOD 样本上，从而在持续变化的域中同时稳住分类与 OOD 检测；做测试时自适应或开放集部署时可直接借用这套样本拆分+提示词传播的闭环。
回归点云：探索点-语言模型用于零样本3D异常检测
Back to Point: Exploring Point-Language Models for Zero-Shot 3D Anomaly Detection
该论文提出直接利用点云与文本对齐的预训练点-语言模型进行零样本3D异常检测，避免2D渲染的信息损失，其多粒度图像块特征与文本对齐、几何描述子增强的策略可复用于其他3D下游任务（如3D分割、定位）中的跨模态表征学习。
回归本源：让去噪生成模型真正去噪
Back to Basics: Let Denoising Generative Models Denoise
提出直接预测干净数据的扩散范式，使大图像块（16/32）的纯像素 Transformer 无需分词器与预训练即可生成高分辨率图像，为简化扩散训练目标与像素级生成架构提供可复用思路。
BabyVLM-V2：迈向具有发展依据的视觉基础模型预训练与基准评测
BabyVLM-V2: Toward Developmentally Grounded Pretraining and Benchmarking of Vision Foundation Models
DevCV Toolbox 把 NIH Baby Toolbox 的视觉相关测查改造成十个多模态任务的基准，为「样本高效/发展式预训练」提供了可量化的评测协议；做数据高效预训练或小模型 VLM 的工作可以直接用它作为认知对齐的评测集，也可借鉴其纵向婴儿视听语料的构建方式来设计低资源预训练数据。
BUSSARD：面向双射通用场景特定异常关系检测的归一化流
BUSSARD: Normalizing Flows for Bijective Universal Scene-Specific Anomalous Relationship Detection
把场景图里的物体-关系-物体三元组用语言模型嵌入后接归一化流做似然式异常检测，为视觉关系理解提供了一个可复用的『关系级异常打分』范式，可直接迁移到场景图生成的关系合理性校验或开放世界关系检测。
BOP-ASK：面向视觉语言模型的物体交互推理
BOP-ASK: Object-Interaction Reasoning for Vision-Language Models
利用 BOP 数据集的 6D 物体位姿自动派生抓取位姿、指代物体位姿、路径轨迹与相对空间/深度关系，为 VLM 的空间与交互推理提供可规模化、带精确几何真值的训练与评测信号；这套「从位姿标注反推问答」的流水线可直接迁移到其他需要细粒度 3D 监督的视觉-语言任务。
BIT：面向可见光-红外行人重识别的基于匹配的双向交互变换网络
BIT: Matching-based Bi-directional Interaction Transformation Network for Visible-Infrared Person Re-Identification
把 VI-ReID 从「在共享嵌入空间里做刚性特征对齐」改成「对可见光-红外图像对做显式的双向匹配交互」，其中 query-aware scoring 与双向特征融合可作为跨模态检索/匹配任务的通用模块复用，尤其适用于红外样本远少于可见光样本的分布偏移场景。
BHCast：从单张模糊图像以长期预测解锁黑洞等离子体动力学
BHCast: Unlocking Black Hole Plasma Dynamics from a Single Blurry Image with Long-Term Forecasting
把「单张模糊图 → 长时间稳定自回归视频预测」当作科学成像的逆问题求解器：多尺度金字塔损失让自回归预测同时完成超分与演化，且长时程不发散；这套「预测-再推断」的解耦思路可迁移到其他分辨率受限的时序观测（如天文、显微、遥感）中做特征提取与参数反演。
BEV-SLD：基于激光雷达鸟瞰图图像的自监督场景地标检测全局定位
BEV-SLD: Self-Supervised Scene Landmark Detection for Global Localization with LiDAR Bird's-Eye View Images
把 SLD 的『场景地标』思路从相机图像迁移到激光雷达 BEV 图像上，用可学习全局地标坐标与逐帧热力图的一致性损失实现自监督地标发现，可作为无需三维点云地图的轻量级全局重定位方案复用。
BEV-CAR：以上下文感知光栅化增强单目鸟瞰图分割
BEV-CAR: Enhancing Monocular Bird's Eye View Segmentation with Context-Aware Rasterization
提出一种无需坐标变换的上下文感知光栅化方式，直接在BEV表示上逐条光线优化并注入深度特征，可被单目BEV分割/检测流水线复用，用于缓解遮挡区域的前景与布局估计误差，且推理阶段零额外开销。
BEA-GS：超越 3DGS 中辐射监督的精确物体提取
BEA-GS: BEyond RAdiance Supervision in 3DGS for Precise Object Extraction
针对 3DGS 语义表示只优化外观辐射、不优化几何的问题，提出两条互补损失：一条经光栅化回传梯度修正可见高斯几何，另一条绕过光栅化直接作用于低透射率/不可见高斯，可用于物体级资产提取与场景编辑时获得干净边界。
BDNet：受生物启发的双骨干小目标检测网络
BDNet:Bio-Inspired Dual-Backbone Small Object Detection Network
针对遥感小目标颜色对比度低、边缘模糊的问题，用颜色拮抗与方向选择性两条并行骨干分别提特征再融合，这种「按退化类型分路提特征」的双骨干设计可直接迁移到其他低对比度/弱边缘场景的检测器骨干改造。
BD-Merging：证据引导对比学习的偏差感知动态模型合并
BD-Merging: Bias-Aware Dynamic Model Merging with Evidence-Guided Contrastive Learning
对做多任务视觉模型部署的人，这篇给出了一套在测试时分布偏移下仍可靠的无监督模型合并方案：用证据检测头建模统一标签空间上的不确定性，再用邻域证据差异分数（ADS）驱动对比学习训练去偏路由器，按样本动态分配任务/层权重。可直接复用到多任务检测、分割等模型的免数据合并与测试时自适应场景。
BAgger：用于缓解自回归视频扩散模型漂移的反向聚合方法
BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models
针对自回归视频扩散模型的曝光偏差问题，BAgger 用模型自身 rollout 构造纠错轨迹，并以标准 score/flow matching 目标训练，无需少步蒸馏或长链 BPTT；做长视频自回归生成或世界模型时可作为缓解误差累积的通用训练策略。
BAMI：GUI 视觉定位中的免训练偏差缓解
BAMI: Training-Free Bias Mitigation in GUI Grounding
针对高分辨率 GUI 截图上视觉定位的精度偏差与歧义偏差，提出免训练的推理期干预（由粗到细聚焦 + 候选选择），可直接套用到任意 VLM 的坐标预测环节，无需重训即可提升定位精度。
BALM：面向不均衡缺失率下均衡多模态学习的模型无关框架
BALM: A Model-Agnostic Framework for Balanced Multimodal Learning under Imbalanced Missing Rates
针对各模态缺失概率不一致（IMR）的场景，BALM 的特征校准模块用全局上下文重建单模态特征、梯度再平衡模块从分布与空间两个角度调节梯度幅值与方向，可作为即插即用模块嵌入多模态骨干，直接用于视觉-音频-文本多模态识别中缺失鲁棒性的提升。
BA-GS：面向无SfM三维重建的贝叶斯自适应高斯泼溅
BA-GS: Bayesian Adaptive Gaussian Splatting for SFM-Free 3D Reconstruction
将贝叶斯不确定性建模引入无SfM的高斯泼溅初始化与优化：用变分高斯混合模型建模全局潜变量分布，用自适应卡尔曼滤波融合噪声梯度观测与空间先验来精化每个高斯基元的位置，为稀疏视角下的3DGS提供可复用的概率化优化框架。
B^3-Seg：基于解析期望信息增益与Beta-Bernoulli贝叶斯更新的无相机、免训练3DGS分割
B$^3$-Seg: Camera-Free, Training-Free 3DGS Segmentation via Analytic EIG and Beta-Bernoulli Bayesian Updates
提出一种无需相机位姿和训练、基于贝叶斯更新与解析期望信息增益的主动视角选择策略，可复用于3DGS场景的开放词表分割与交互式编辑，为低延迟3D资产处理提供理论保证的采样方案。
AwareVLN：面向视觉语言导航的自感知推理
AwareVLN: Reasoning with Self-awareness for Vision-Language Navigation
将自感知推理机制引入端到端视觉语言导航，通过结构化推理模块让模型显式理解智能体状态与任务进度，为具身智能体提供可解释的决策依据，可复用于其他需要状态感知的视觉导航任务。
AviaSafe：面向航空安全关键云预报的物理信息数据驱动模型
AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts
将航空结冰指数（IC）作为物理约束嵌入分层预测框架，先以掩码注意力定位稀疏云区、再回归微物理组分浓度，这种「先定位稀疏区域再稠密回归」的两阶段设计可迁移到其他极端稀疏、分布不连续的视觉预测任务（如降水临近预报、烟雾/气溶胶分割）。
AvatarPointillist：自回归 4D 高斯化身化
AvatarPointillist: AutoRegressive 4D Gaussian Avatarization
用仅解码器 Transformer 自回归地逐点生成 3DGS 点云，并按主体复杂度自适应调整点密度，这一「序列化生成 3D 表示」的范式可迁移到其他需要可变分辨率三维表示的生成任务；同时以 AR 生成器的潜变量特征作为高斯解码器的条件，为两阶段生成管线提供了跨阶段特征复用的具体做法。
Avatar Forcing：面向自然对话的实时交互式头部虚拟人生成
Avatar Forcing: Real-Time Interactive Head Avatar Generation for Natural Conversation
扩散强制（diffusion forcing）框架将自回归生成与扩散模型结合，实现因果约束下的实时多模态条件生成；直接偏好优化（DPO）利用合成负样本进行无标签的偏好学习，可迁移到其他需要实时交互的生成任务。
AutoTraces：基于多模态大语言模型的自回归轨迹预测
AutoTraces: Autoregressive Trajectory Forecasting via Multimodal Large Language Models
把连续物理坐标离散化为 token 接入 LLM 自回归解码，并用多模态 LLM 自动生成时空推理思维链，这套「坐标分词 + 自动 CoT」可迁移到人体轨迹预测、视觉导航等需要输出连续几何序列的视觉任务。
基于 B-rep 整体词元序列表示的自回归生成
AutoRegressive Generation with B-rep Holistic Token Sequence Representation
把 B-rep 的几何与拓扑统一编码成单一词元序列，使 Transformer 自回归生成框架可直接用于 CAD 边界表示生成；对做 3D 生成与结构化几何表示的人，这是一条把图结构转成序列、从而复用语言模型式生成范式的可复用思路。
AutoCut：基于多模态离散化与可控生成的端到端广告视频编辑
AutoCut: End-to-end advertisement video editing based on multimodal discretization and controllable generation
把视频、音频用残差向量量化离散成与文本对齐的统一词元，再用多模态大语言模型自回归预测词元序列来驱动视频剪辑与生成，为视觉研究者提供了一条「离散词元 + 语言模型」做长视频可控编辑的可复用路线。
按需授权：面向视觉语言模型的动态授权与合法性感知知识产权保护
Authorize-on-Demand: Dynamic Authorization with Legality-Aware Intellectual Property Protection for VLMs
为 VLM 部署提供可动态切换的授权域机制与合法性判别分支，视觉研究者可借鉴其双路径推理设计，在保持授权域任务性能的同时检测越界输入，用于模型分发与滥用防护。
AudioStory：利用大语言模型生成长篇叙事音频
AudioStory: Generating Long-Form Narrative Audio with Large Language Models
AudioStory 将 LLM 的指令分解与扩散模型的音频生成通过解耦桥接机制（桥接查询和残差查询）结合，并实现端到端训练，这种思路可迁移到视觉领域的可控长视频生成，例如利用 LLM 分解复杂叙事为时序子任务，再通过扩散模型生成连贯视频。
AudioAvatar：个性化音频驱动的全身说话头像
AudioAvatar: Personalized Audio-driven Whole-body Talking Avatars
用3D高斯粒子变形场替代参数化姿态瓶颈，实现音频到全身高保真动画；特征级蒸馏从视频扩散模型迁移同步先验，可复用于其他音频驱动生成任务。
音频同步视频实例编辑与粒度感知掩码精修器
Audio-sync Video Instance Editing with Granularity-Aware Mask Refiner
把用户给出的粗掩码迭代精修为实例级精确区域，并引入音频代理提供细粒度时序控制，为视频编辑中的空间-时间可控性提供了可复用的掩码精修与音频条件注入思路。
归因引导的不可靠神经网络行为模型矫正
Attribution-Guided Model Rectification of Unreliable Neural Network Behaviors
用秩一模型编辑加逐层归因定位，在几乎不重训、仅需一张干净样本的条件下修正视觉模型对非鲁棒特征的依赖（如神经木马、虚假相关），为视觉模型的可信部署提供了一种低成本的后处理修复手段。
归因即检索：模型无关的AI生成图像溯源
Attribution as Retrieval: Model-Agnostic AI-Generated Image Attribution
把AI生成图像溯源从闭集分类改写为实例检索，配合低比特平面指纹与无监督预训练+少样本适配，使视觉取证系统无需访问生成模型即可泛化到未见过的生成器，可直接复用于深度伪造检测与来源归因。
面向扩散换脸的属性保持伪标签方法
Attribute-Preserving Pseudo-Labeling for Diffusion-Based Face Swapping
提出教师-学生扩散框架，用条件去模糊和属性感知反演生成伪标签，替代掩码条件以保留肤色、光照、妆容等属性，可复用于其他需保持属性的图像编辑任务。
面向大型视觉语言模型的注意力感知推理优化与显存高效解码
Attention-aware Inference Optimizations for Large Vision-Language Models with Memory-efficient Decoding
针对多图/视频长上下文 VLM 解码时 KV 缓存显存爆炸的问题，用隐式低秩结构压缩多头注意力的 K/V 矩阵，并配合 token 级注意力感知解压降低延迟；做视觉长上下文推理加速的工作可直接复用该 KV 压缩与解压调度思路，且能与 eviction、量化、kernel fusion 叠加。
注意力，能否告诉我你的决定？定位扩散模型中的生成性选择
Attention, May I Have Your Decision? Localizing Generative Choices in Diffusion Models
用基于探针的属性可分性定位扩散模型中隐式决策发生的层，并据此只对少量自注意力层做定向干预；这套「先定位再干预」的流程可直接迁移到视觉生成中的属性去偏、概念编辑与生成可控性研究。
注意力手术：一种高效线性化视频扩散 Transformer 的配方
Attention Surgery: An Efficient Recipe to Linearize Your Video Diffusion Transformer
提出一种无需从头训练即可将预训练视频扩散 Transformer 中的 softmax 注意力替换为线性或混合注意力的高效框架，结合蒸馏与微调，显著降低长视频生成的计算成本，为视觉生成模型的高效部署提供可复用方案。
先注视再注意力：通过自回归注视实现高效可扩展的视频理解
Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing
把「先看再算」做成可插拔的轻量模块：用自回归+强化学习在 ViT/MLLM 之前挑出最小多尺度 patch 集合，并以重建误差阈值控制保真度，可直接用于长视频、高分辨率输入下的 token 削减与推理加速。
以攻为守：赋能分割一切模型的点提示优化对抗智能体
Attack for Defense: Adversarial Agents for Point Prompt Optimization Empowering Segment Anything Model
把点提示词的选择建模为双空间图上的强化学习博弈，用攻击者-防御者范式自动精化粗提示集，可直接套用到 SAM 类分割模型的提示词工程与鲁棒性提升上。
AtomicVLA：释放机器人中原子技能学习的潜力
AtomicVLA: Unlocking the Potential of Atomic Skill Learning in Robots
对做视觉-语言-动作模型的人，这篇给出一种把长程操作拆成原子技能、用技能引导的混合专家（SG-MoE）加路由编码器动态分配专家的做法，可直接借鉴到需要持续学习新技能的机器人策略中，替代单一动作解码器。
异步时序建模与双智能体框架用于流式密集视频描述
Asynchronous Temporal Modeling with Two-Agent Framework for Streaming Dense Video Captioning
提出双智能体异步框架，用轻量SMM检测事件边界、LMM生成描述，避免阈值依赖，为流式视频理解提供可复用的事件触发与描述生成范式。
AstraNav-Memory：面向长时记忆的上下文压缩
AstraNav-Memory: Contexts Compression for Long Memory
用冻结 DINOv3 特征加 PixelUnshuffle+Conv 构成的轻量视觉分词器把每帧压到约 30 个 token，使 VLM 策略能在单上下文里塞进数百帧历史；这套「图像中心压缩记忆」可直接迁移到任何需要长视觉历史输入的 VLM/具身策略中。
超语义空间中面向即时类别发现的分配驱动哈希学习
Assignment-Driven Hash Learning in a Hyper-Semantic Space for On-the-Fly Category Discovery
把「超语义空间」的双几何子空间（父原型派生增强 + 跨原型插值校准）与灵活原型分配、二值哈希正则化结合，可作为即插即用模块嵌入现有开放世界/流式类别发现流程，缓解已知类对新类的空间垄断与特征到哈希的级联退化。
AssemblyBench：面向复杂工业物体的物理感知装配
AssemblyBench: Physics-Aware Assembly of Complex Industrial Objects
提供了从多模态装配手册与 3D 零件几何联合预测装配顺序与 6-DoF 装配轨迹的设定与基准，可用于研究指令-几何对齐、部件级姿态估计与物理可行性约束下的运动生成。
像苏格拉底一样提问：Socrates 帮助视觉语言模型理解遥感图像
Asking like Socrates: Socrates helps VLMs understand remote sensing images
提出「证据链式思维」RS-EoT 范式与 SocraticAgent 自博弈多智能体合成推理轨迹，并用两阶段渐进式强化学习（先细粒度视觉定位、后 VQA）训练 VLM；对做视觉推理、视觉定位与遥感 VQA 的研究者，这是一套可复用的「推理—回看图像」迭代训练流程，可直接迁移到高分辨率或大场景图像理解任务。
Artiverse：一个多样且物理落地的铰接物体数据集
Artiverse: A Diverse and Physically Grounded Dataset for Articulated Objects
为铰接物体理解与生成提供带功能部件、多自由度关节和物理属性（尺度、材质、质量）的标注资源，可直接用于训练部件运动分析、铰接物体生成与物理交互模型；其半自动标注流程（少样本分割+几何推理+多阶段人工校验）也可迁移到其他需要部件级标注的3D数据构建。
ArtiMuse：联合评分与专家级理解的细粒度图像美学评估
ArtiMuse: Fine-Grained Image Aesthetics Assessment with Joint Scoring and Expert-Level Understanding
提出基于多模态大语言模型的联合评分与专家级理解框架，并构建首个专家标注的细粒度美学评估数据集，为视觉美学分析提供可复用的模型与数据基础。
ArtPro：自适应整合可动性提案的自监督关节物体重建
ArtPro: Self-Supervised Articulated Object Reconstruction with Adaptive Integration of Mobility Proposals
把可动部件分割当作可优化的过分割提案，在可微渲染优化中按空间邻域运动一致性动态合并，并用碰撞感知的运动剪枝避免错误运动学估计；这套「提案+动态合并」思路可直接迁移到基于 3DGS 的关节物体建模、部件级场景分解与机器人交互仿真。
ArtLLM：通过 3D 大语言模型生成铰接资产
ArtLLM: Generating Articulated Assets via 3D LLM
将 3D 多模态大语言模型用于从点云自回归预测铰接物体的部件与关节布局，再以该布局为条件驱动 3D 生成模型合成部件几何，为铰接资产生成提供了统一布局-几何的两阶段范式。
ArtHOI：驯服基础模型实现手-关节物体交互的单目4D重建
ArtHOI: Taming Foundation Models for Monocular 4D Reconstruction of Hand-Articulated-Object Interactions
提出从单目RGB视频重建手-关节物体4D交互的优化框架，利用自适应采样精化物体尺度与位姿，并用MLLM接触推理约束手-物体网格对齐，为单目动态场景重建提供可复用思路。
我们准备好将强化学习用于文本到3D生成了吗？一项渐进式探究
Are We Ready for RL in Text-to-3D Generation? A Progressive Investigation
把 GRPO 这类 RL 后训练从 2D 图像生成迁移到文本到 3D 自回归生成，并给出奖励设计（多模态模型作奖励、人类偏好对齐）与 token 级优化的可复用经验；Hi-GRPO 的全局到局部层级奖励集成思路可直接用于任何分阶段生成的 3D/视频模型。
图像到视频模型是优秀的零样本图像编辑器吗？
Are Image-to-Video Models Good Zero-Shot Image Editors?
将预训练的图像到视频扩散模型直接复用为零样本图像编辑器，通过思维链提示词增强、时序潜变量丢弃和自洽后细化三个无需训练的技巧，解决提示词错位、时序潜变量冗余和后期帧模糊问题，为指令驱动的图像编辑提供了新范式。
Archon：面向整体数字人生成的统一多模态模型
Archon: A Unified Multimodal Model for Holistic Digital Human Generation
语义视频重参数化把高保真说话视频的词元量压缩 4 倍，再配合语义驱动的视频扩散解码器还原细节，这套「先语义压缩、后扩散解码」的流程可直接迁移到任何需要长视频自回归生成的视觉任务；「Thinking in Modality」的交替模态逐步推理思路也可用于提升跨模态条件生成的保真度与可控性。
ArchSym：在野外检测基于三维的建筑对称性
ArchSym: Detecting 3D-Grounded Architectural Symmetries in the Wild
提出从单张野外图像检测三维反射对称性的框架，将对称性参数化为相对于预测场景几何的有符号距离图，并利用跨视角图像匹配从SfM重建中自动构建大规模建筑对称性数据集，为三维场景理解与重建提供可复用的对称性先验和标注流程。
Arcadia：面向具身终身学习的全生命周期框架
Arcadia: Toward a Full-Lifecycle Framework for Embodied Lifelong Learning
把生成式场景重建与增强当作闭环中的数据引擎，为导航与操作策略持续生成可扩展的仿真训练场景，并用仿真到现实的自适应评估回灌真实数据，这一「生成式仿真更新」环节对做具身视觉与仿真数据扩增的研究者可直接复用。
Ar2Can：以建筑师与画家借画布实现多人图像生成
Ar2Can: An Architect and an Artist Leveraging a Canvas for Multi-Human Generation
把多人生成拆成「布局规划 + 身份渲染」两阶段，并用匈牙利匹配的空间对齐人脸匹配奖励配合 GRPO 优化，可直接迁移到任何需要多主体身份保持的扩散生成/编辑流程中。
ApET：面向高效视觉语言模型的近似误差引导词元压缩
ApET: Approximation-Error Guided Token Compression for Efficient VLMs
用线性近似重构误差衡量视觉词元信息量并据此剪枝，摆脱对 [CLS] 注意力或文本-视觉交叉注意力的依赖，从而兼容 FlashAttention，可直接用于任意 VLM 的视觉编码器输出端做免训练或轻量加速。
AnyPcc：用单一通用模型压缩任意点云
AnyPcc: Compressing Any Point Cloud with a Single Universal Model
面向点云几何压缩的通用上下文模型与实例自适应微调（IAFT）策略，可复用于任何需要跨密度、跨分布泛化的点云/3D 表征编码任务：把少量实例专属权重随码流传输，用极小码率换取几何压缩增益，这一「权重即侧信息」的思路也可迁移到 NeRF/高斯泼溅的压缩与传输。
AnyLift：借助 2D 扩散从互联网视频扩展运动重建
AnyLift: Scaling Motion Reconstruction from Internet Videos via 2D Diffusion
用 2D 扩散模型在多视图合成数据上做相机条件建模，把互联网单目视频中的 2D 关键点提升为世界坐标系下的全局一致 3D 人体运动与 HOI，为动态相机下的运动重建提供了可复用的两阶段范式。
AnyID：从任意视觉参考生成超高保真通用身份保持视频
AnyID: Ultra-Fidelity Universal Identity-Preserving Video Generation from Any Visual References
提出统一异构身份输入（人脸、肖像、视频）的全参考架构与主参考生成范式，结合差分提示词实现属性级可控性，并用人类偏好数据做强化学习微调，为身份保持视频生成提供了可复用的多参考融合与可控生成思路。
AnyDoc：通过大规模 HTML/CSS 数据合成与高度感知强化优化增强文档生成
AnyDoc: Enhancing Document Generation via Large-Scale HTML/CSS Data Synthesis and Height-Aware Reinforcement Optimization
提出可扩展的 HTML/CSS 文档数据合成管线与高度感知强化学习后训练，为多模态大语言模型在结构化视觉生成任务（如文档渲染、元素到文档）上提供可复用的数据构造与奖励设计思路。
Any4D：统一前馈度量尺度 4D 重建
Any4D: Unified Feed-Forward Metric 4D Reconstruction
把 4D 场景拆成局部相机坐标下的自中心因子（深度、内参）与全局世界坐标下的他中心因子（外参、场景流）的模块化表示，使单一前馈 Transformer 能统一处理 N 帧稠密运动与几何预测，并可直接接入 RGB-D、IMU、Radar Doppler 等额外传感器；这套表示与多模态接口可复用到动态场景重建、新视角合成与机器人感知。
任意到任意的 3D 扩散模型与知识迁移：一项放疗计划研究
Any2Any 3D Diffusion Models with Knowledge Transfer: A Radiotherapy Planning Study
把预训练视频扩散骨干的时空先验迁移到体素级 3D 预测任务上，并用「模态+角色」感知的 Any2Any 条件接口替代交叉注意力，为视觉研究者提供了一个可复用的思路：如何在不改动骨干结构的前提下，把异构条件（图像、掩码、束流描述符）统一注入扩散模型，并用奖励后训练对齐领域偏好。
任意分辨率任意几何：从多视图到多图像块
Any Resolution Any Geometry: From Multi-View To Multi-Patch
把高分辨率单张图切成多个图像块、用跨块注意力在共享骨干里做长程几何推理，是解决高分辨率几何估计中「局部细节 vs 全局一致」矛盾的通用手段；GridMix 训练期随机网格采样也可直接迁移到其他分块推理任务以提升块间一致性。
AntiStyler：利用风格移除防御目标检测模型对抗对抗补丁攻击
AntiStyler: Defending Object Detection Models Against Adversarial Patch Attacks Using Style Removal
提供了一种无需训练、模型无关的对抗补丁防御前处理：通过识别具有攻击性“随机”风格的像素并生成掩码，再用空间滤波增强掩码，可直接插到任意实时目标检测器前，兼顾干净图像性能与10-12 FPS的推理速度。
Anti-I2V：保护你的照片免受恶意图像到视频生成侵害
Anti-I2V: Safeguarding your Photos from Malicious Image-to-video Generation
针对 DiT 架构的视频扩散模型提出跨骨干的对抗扰动防御，在 L*a*b* 与频域联合优化噪声，并定位去噪过程中语义特征最强的网络层来设计训练目标，可直接迁移到图像/视频生成模型的版权保护与防滥用攻击设计。
抗退化终身多视图聚类
Anti-Degradation Lifelong Multi-View Clustering
零空间投影知识库防退化技术可迁移到视觉模型的持续学习场景，例如在增量式多视图特征学习或跨模态表征对齐中，通过约束新知识更新方向与旧知识正交来避免灾难性遗忘。
AnthroTAP：用真实世界运动学习点跟踪
AnthroTAP: Learning Point Tracking with Real-World Motion
用 SMPL 网格顶点投影 + 光线投射遮挡判定 + 光流一致性过滤，从真实人体运动视频自动生成点跟踪伪标签，为视觉研究者提供了一条绕开昂贵人工标注、可扩展到其他可形变物体类别的真实数据监督构造思路。
AnomalyVFM——将视觉基础模型转化为零样本异常检测器
AnomalyVFM -- Transforming Vision Foundation Models into Zero-Shot Anomaly Detectors
把任意预训练视觉基础模型（如 DINOv2、RADIO）通过低秩特征适配器加置信度加权像素损失改造成零样本异常检测器，并给出三阶段合成异常数据生成方案，可直接复用于工业质检等无监督缺陷定位场景。
面向跨域异常检测的异常相关残差场
Anomaly-Related Residual Fields for Cross-domain Anomaly Detection
把扩散模型反向过程的残差按时间步演化建模为「残差演化场」，用平稳性区分正常变异与异常信号，这一思路可直接迁移到任何基于重建/生成残差的视觉异常检测与OOD检测流程中，并配合跨域场对齐实现无标签目标域适配。
以非一致性为异常：通过免训练图拉普拉斯能量最小化进行异常检测
Anomaly as Non-Conformity via Training-Free Graph Laplacian Energy Minimization
把「查询图像块偏离正常特征流形的程度」量化为带锚定正常节点的二部图拉普拉斯能量的闭式解，异常分数取满足正常性约束所需的特征更新幅度；这一「优化诱导特征漂移」可作为免训练、无参数的异常打分算子，直接替换基于余弦相似度的记忆库检索，用于工业缺陷检测与医学异常定位。
面向上下文依赖分割的标注高效核心集选择
Annotation-Efficient Coreset Selection for Context-dependent Segmentation
把 coreset 选择建模为前景/背景分布间的最优传输问题，并用基于点的破坏-重建过程估计传输代价，这套「弱标注打分 + 最大距离熵采样」可直接迁移到分割/检测数据集的高效标注与主动学习流程中。
以动画师为中心、面向精细细节物体的骨骼生成
Animator-Centric Skeleton Generation on Objects with Fine-Grained Details
把骨骼预测建模为语义感知的自回归 token 序列生成，并用可学习的密度区间模块实现骨骼密度的软控制；这套「语义分组 tokenization + 密度控制」的思路可迁移到其他结构化 3D 输出（如关节层级、部件分解）的可控生成。
AniMimic：从视频先验中模仿三维动画
AniMimic: Imitating 3D Animation from Video Priors
把视频扩散模型当作运动先验，通过可微渲染反推网格的骨骼与关节参数，再用可微软体仿真细化形变；这条「视频先验→可微渲染监督→物理细化」的管线可直接迁移到单目视频驱动网格动画、4D 重建与角色动画生成。
Ani3DHuman：基于自引导随机采样的逼真三维人体动画
Ani3DHuman: Photorealistic 3D Human Animation with Self-guided Stochastic Sampling
提出自引导随机采样策略，解决扩散模型在分布外输入（如粗糙渲染）下的采样失败问题，可迁移到其他需要高质量恢复或超分的视觉任务；同时分层运动表示将刚性运动与非刚性残差解耦，为动态人体建模提供可复用思路。
锚定多模态推理器的心智：认知偏差作为越狱攻击的向量
Anchoring the Mind of Multimodal Reasoners: Cognitive Bias as a Vector for Jailbreak Attacks
提出利用认知锚定效应构造跨模态安全锚点（结构化视觉思维导图）来诱导多模态大模型推理链，为视觉安全对齐与越狱防御提供了新的攻击面与评测思路。
锚定与重标定注意力实现语义连贯的中间帧生成
Anchoring and Rescaling Attention for Semantically Coherent Inbetweening
把关键帧与文本作为语义/时序引导注入自注意力（Keyframe-anchored Attention Bias），并用重标定的时序 RoPE 强化帧间一致性，这套无需训练的注意力调制手段可直接迁移到视频插帧、长视频生成与关键帧约束的扩散采样中。
AnchorSplat：带三维几何先验的前馈三维高斯泼溅
AnchorSplat: Feed-Forward 3D Gaussian Splatting With 3D Geometric Priors
把像素对齐的高斯表示换成由稀疏点云/体素/RGB-D 点云引导的锚点对齐高斯表示，使高斯数量与图像分辨率、视角数解耦，可直接用于场景级前馈重建与新视角合成，降低高斯原语数量同时提升视角一致性。
AnchorFlow：基于潜变量锚点对齐流的免训练三维编辑
AnchorFlow: Training-Free 3D Editing via Latent Anchor-Aligned Flows
把扩散采样中随 timestep 变化的噪声视为潜变量锚点不一致的根源，用源/目标轨迹共享的全局潜变量锚点加松弛对齐损失来稳定编辑方向；做 3D 生成或编辑时可直接借用这一「锚点对齐更新规则」来抑制采样漂移，且无需掩码监督即可保持几何保真。
锚点引导的梯度对齐用于不完整多模态学习
Anchor-Guided Gradient Alignment for Incomplete Multimodal Learning
针对视觉语言预训练模型在模态缺失场景下的优化失衡问题，提出以检索重建样本与完整样本共同构成优化锚点来对齐梯度，并设计语义增强适配器生成动态提示；做多模态下游任务（如跨模态检索、VQA）时可直接复用该训练策略提升缺失模态鲁棒性。
解剖域偏移：面向三维人体姿态预测的测试时异构自适应
Anatomical Domain Shifts: Test-time Heterogeneous Adaptation for 3D Human Pose Prediction
把测试时自适应的参数更新按人体解剖部位（躯干、四肢等）分组，用 Fisher 信息矩阵划分参数子集、用 IN 统计量与 EMD 度量各部位的域偏移程度，从而只对发生偏移的肢体做微调或回滚——这套「按语义部位分组 + 分组级域差异度量」的思路可直接迁移到人体姿态/动作预测、人体网格恢复等任务中应对局部域偏移。
Anatomica：面向解剖扩散模型的几何与拓扑性质局部化控制
Anatomica: Localized Control over Geometric and Topological Properties for Anatomical Diffusion Models
提供一种推理时、基于长方体控制域的可微惩罚引导机制，可把几何（矩）与拓扑（持续同调）约束组合施加到扩散采样过程；对做可控生成、结构约束采样或医学形状合成的研究者，这是一个可直接迁移到潜扩散模型上的约束注入范式。
一种最优传输驱动的在线增量学习潜空间培育方法
An Optimal Transport-driven Approach for Cultivating Latent Space in Online Incremental Learning
把最优传输驱动的在线混合模型用于潜空间中类别中心的增量演化，替代单一或固定多中心表示，可直接迁移到视觉模型的类增量/在线持续学习场景，缓解多模态数据流下的灾难性遗忘。
面向自动驾驶的以实例为中心的全景占用预测基准
An Instance-Centric Panoptic Occupancy Prediction Benchmark for Autonomous Driving
为3D全景占用预测提供带实例级真值的高分辨率（0.05 m）物理一致数据集与标准化评测指标，可直接用于训练和公平对比体素级语义+实例联合预测模型，并支撑遮挡推理与几何重建研究。
Video-LLM 如何回答视频问题的实证研究
An Empirical Study on How Video-LLMs Answer Video Questions
用注意力敲除（temporal/spatial/language-to-video）逐层分析 Video-LLM，揭示视频信息抽取集中在浅层、中间层是关键离群层、时空建模更依赖语言引导的检索而非视频 token 自注意力；这些结论可直接用于剪掉冗余的视频自注意力计算，为 Video-LLM 的推理加速和结构设计提供依据。
面向视觉目标跟踪的高效词元压缩框架
An Efficient Token Compression Framework for Visual Object Tracking
提出可学习的自适应词元压缩器与分层交互编码器，可复用于其他需要处理多帧历史模板的视觉跟踪或视频理解任务，以降低词元冗余和计算量。
面向扩散模型属性操纵的一体化滑杆
All-in-One Slider for Attribute Manipulation in Diffusion Models
把文本嵌入空间分解为稀疏语义方向，用一个轻量模块实现多属性连续滑杆控制，并可零样本组合未见属性；该思路可直接迁移到基于扩散模型的图像编辑与个性化生成中，替代逐属性训练滑杆的做法。
All in One：以鲁棒关键点-身份水印统一深度伪造检测、篡改定位与来源溯源
All in One: Unifying Deepfake Detection, Tampering Localization, and Source Tracing with a Robust Landmark-Identity Watermark
把 152 维人脸关键点与来源标识交织成结构化水印，并用回归/分类双头解码器从共享骨干特征中稳健恢复，为视觉取证提供了一种可同时完成检测、定位与溯源的主动式嵌入-提取范式。
所有车辆都可能说谎：通过伪随机贝叶斯推理在全不可信车辆协同感知中实现高效对抗防御
All Vehicles Can Lie: Efficient Adversarial Defense in Fully Untrusted-Vehicle Collaborative Perception via Pseudo-Random Bayesian Inference
针对全不可信车辆协同感知场景，提出利用时序感知差异和伪随机分组进行贝叶斯推理的防御框架，仅需每帧两次验证即可估计恶意车辆数量与身份，为车路协同感知的对抗鲁棒性提供了可复用的验证调度与推理机制。
殊途同归：激励视觉语言模型中的发散性思维
All Roads Lead to Rome: Incentivizing Divergent Thinking in Vision-Language Models
对做 VLM 推理增强的人，这篇给出了 GRPO 多样性坍塌的诊断（模型过早收敛到少数推理策略），并提出 MUPO 用多组策略优化维持解空间多样性，可直接替换 GRPO 的训练目标用于多模态推理微调。
对齐视觉语言模型所见与所感：自适应信息流
Aligning What Vision-Language Models See and Perceive with Adaptive Information Flow
提出一种基于词元动态的视觉词元重要性度量，在解码阶段抑制文本词元对无关视觉词元的注意力，可作为即插即用的推理时干预手段，用于提升 VLM 的视觉定位与抗幻觉能力。
逐 token 对齐文本、图像与三维结构
Aligning Text, Images and 3D Structure Token-by-Token
把结构化 3D 场景当作一种可 tokenize 的模态，用统一的 LLM 自回归建模语言、图像与 3D 场景，为单图重建完整 3D 场景和 3D 目标识别提供了可复用的 tokenizer 与训练配方。
面向多角色叙事图像生成的多方面人类偏好对齐
Aligning Multi-Character Narrative Image Generation with Multi-Aspect Human Preferences
提供了面向多角色叙事图像生成的细粒度人类偏好数据集 NI-RLHF 与可解释奖励模型 NIReward，以及按偏好维度自适应平衡的 ADPO 优化策略，可直接迁移到其他需要多维人类偏好对齐的扩散生成任务（如个性化、可控生成）的微调阶段。
AlignPose：通过多视图特征度量对齐的可泛化 6D 姿态估计
AlignPose: Generalizable 6D Pose Estimation via Multi-view Feature-metric Alignment
提出一种无需物体特定训练的多视图特征度量精化方法，通过同时最小化所有视图上渲染特征与观测特征的差异来优化世界坐标系下的统一物体姿态，可直接用于解决单视图深度歧义和遮挡问题，尤其适合工业场景中多视图易获取的 6D 姿态估计任务。
一次对齐即可解释：面向可扩展 B-cos 化的基础视觉 Transformer 特征对齐
Align Once to Explain: Feature Alignment for Scalable B-cosification of Foundational Vision Transformers
提出一种免标签的一次性特征对齐方法，将任意预训练视觉基础模型（监督、自监督、视觉语言）转换为内在可解释的 B-cos 变体，且转换后模型可直接作为骨干网络用于下游任务，为视觉模型可解释性提供高效、可扩展的解决方案。
生成之前先对齐图像
Align Images Before You Generate
CorrAdapter 用扩散模型中间特征自建跨图像对应关系，并通过旁路分支只聚合匹配区域的信息，为多视图/视频扩散提供了一种免训练、与基线无关的时空一致性增强手段，可直接插入现有 transformer 主干。
Alert-CLIP：面向视频异常检测的异常感知潜在增强 CLIP 表征微调
Alert-CLIP: Abnormality-aware Latent-Enhanced Representation Tuning of CLIP for Video Anomaly Detection
针对 CLIP 文本嵌入空间中正常/异常描述纠缠的问题，提出视频-标签、区域-文本、区域-语义三级对齐微调策略，可直接迁移到任何需要细粒度异常感知的 CLIP 下游任务（如工业缺陷、医学异常筛查）。
AlcheMinT：面向多参考一致视频生成的细粒度时序控制
AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation
提出一种可插拔的时间区间位置编码，把主体身份与显式时间戳绑定，并通过 token 级拼接注入预训练视频扩散模型，无需额外交叉注意力即可实现多主体出现/消失的精细时序控制，可直接复用于可控视频合成与故事板生成。
AirSim360：一个无人机视角下的全景仿真平台
AirSim360: A Panoramic Simulation Platform within Drone View
为全景/无人机视角下的深度估计、语义与实例分割、导航等任务提供带像素级几何与语义标注的合成数据源，并给出可自动生成飞行轨迹的仿真接口，可直接用于训练与评测 360 度空间理解模型。
Air-Know：仲裁器校准的知识内化鲁棒网络用于组合图像检索
Air-Know: Arbiter-Calibrated Knowledge-Internalizing Robust Network for Composed Image Retrieval
用 MLLM 作为离线专家构造高精度锚框数据集，再把判别逻辑内化到轻量代理仲裁器中，为视觉-语言检索中处理噪声对应关系提供了可复用的「专家-代理-分流」解耦范式。
敏捷协商：面向主观视觉分类的概念协商
Agile Deliberation: Concept Deliberation for Subjective Visual Classification
对做视觉分类器落地的人，这篇给出了一个可复用的「概念协商」流程：先用层级子概念分解把模糊概念结构化，再主动挑出语义边界样本让用户反馈，从而在概念本身会漂移的主观任务上迭代对齐分类器；其18场、每场1.5小时的用户实验协议也可作为主观分类系统评测的参考。
基于自反思多模态理解的智能体式视频摘要
Agentic Video Summarization via Self-Reflecting Multimodal Understanding
把视频摘要从「特征提取+帧级重要性回归」的判别式范式，换成由 MLLM 驱动的「摘要—验证—反思」闭环智能体流程，视觉研究者可直接复用其自反思验证环节来提升关键帧选择的可解释性与自适应能力，而无需训练新网络。
面向文本到图像生成的智能体修图器
Agentic Retoucher for Text-To-Image Generation
将生成后校正建模为感知-推理-动作的智能体循环，为扩散模型输出提供可定位、可控制的局部修复方案，其感知智能体的上下文显著性学习与推理智能体的渐进偏好对齐可直接迁移到其他图像编辑与质量提升任务。
AgentDet：一种用于零样本/少样本目标检测的共享黑板多智能体框架
AgentDet: A Shared-Blackboard Multi-Agent Framework for Zero-/Few-Shot Object Detection
提出共享黑板多智能体框架，将检测解耦为四个协作角色，仅训练Agent-Judge的图像编码器和基于LLM的检测头，为视觉研究者提供了一种轻量级、可泛化到新类别的零/少样本检测新范式。
Agent4FaceForgery：面向真实场景人脸伪造检测的多智能体大语言模型框架
Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection
用 LLM 多智能体在模拟社交环境中合成带细粒度文本-图像一致性标注的伪造数据，并用自适应拒绝采样保证质量与多样性，可直接作为深度伪造检测器的训练数据增强管线复用。
Affostruction：基于生成式重建的三维可供性视觉定位
Affostruction: 3D Affordance Grounding with Generative Reconstruction
把「从部分 RGBD 观测重建完整几何」与「在完整形状上做可供性视觉定位」串成一条生成式流水线，其中稀疏体素融合实现常数复杂度的多视角特征聚合、flow-based 建模可供性分布的多义性、以及用预测可供性反向指导主动视角选择，这三件组件都可直接迁移到需要补全不可见区域的三维感知任务。
面向视频-语言理解持续学习的可供性优先分解
Affordance-First Decomposition for Continual Learning in Video-Language Understanding
把视频映射到缓慢变化的 affordance token 作为共享时间对齐基底、只让轻量查询路由调度器做适配，这一「稳定基底 + 定向可塑」的拆分思路可直接迁移到视频-语言模型的持续学习与免回放增量训练中。
可供性场干预：使视觉-语言-动作模型摆脱机器人操作中的记忆陷阱
Affordance Field Intervention: Enabling VLAs to Escape Memory Traps in Robotic Manipulation
把 3D 空间可供性场当作 VLA 的按需插件：用本体感知检测记忆陷阱、重定位到高可供性区域、以可供性路径点锚定动作并做轨迹打分，为视觉研究者提供了一个可复用的「显式 3D 几何先验补足端到端策略空间推理」的框架。
AffordMatcher：从视觉线索出发的 3D 场景可供性学习
AffordMatcher: Affordance Learning in 3D Scenes from Visual Signifiers
把图像端的视觉线索（visual signifiers）通过跨模态实例对应迁移到点云上做关键点匹配，为 3D 场景中细小可交互部件（旋钮、把手）的定位提供了可复用的图像-点云对齐思路。
AffordGrasp：面向可供性的跨模态扩散抓取合成
AffordGrasp: Cross-Modal Diffusion for Affordance-Aware Grasp Synthesis
把可供性（affordance）作为空间条件注入扩散过程来生成手部抓取姿态，其双条件扩散与分布调整模块可迁移到任何需要几何+语义联合约束的 3D 姿态/接触生成任务。
AffordGen：借助可供性对应为可泛化物体操作生成多样化示范
AffordGen: Generating Diverse Demonstrations for Generalizable Object Manipulation with Affordance Correspondence
利用视觉基础模型在大规模三维网格上建立关键点语义对应，从而把已有操作轨迹迁移到几何形状不同的新物体上，为视觉研究者提供了一条用三维生成模型扩充机器人操作数据、并训练闭环视觉运动策略的可复用路径。
仿射透视三点问题
Affine Perspective-Three-Point Problem
为弱透视/准透视相机下的 P3P 位姿估计提供闭式解，并用少量迭代把仿射解升级为精确解，可直接用于小深度变化场景的快速绝对位姿求解与 RANSAC 内点估计。
基于三维美学场的相机视角美学建议
Aesthetic Camera Viewpoint Suggestion with 3D Aesthetic Field
用前馈 3D 高斯泼溅网络把预训练 2D 美学模型的打分蒸馏成三维美学场，使仅凭稀疏视角即可对新视角做美学预测；这套「2D 先验蒸馏进 3D 表示 + 粗采样加梯度精修」的流程，可迁移到任何需要在三维空间中优化相机或视角的视觉任务。
AeroGS：面向无位姿动态无人机场景重建的尺度感知高斯泼溅
AeroGS: Scale-Aware Gaussian Splatting for Pose-Free Dynamic UAV Scene Reconstruction
把相机位姿与动态场景联合优化拆成自运动/物体运动、静态几何/时序形变、远近尺度三层解耦，并用尺度感知的时空锚点承载，可直接迁移到无位姿单目视频的动态高斯泼溅重建与轨迹估计。
AeroDGS：面向单序列航拍4D重建的物理一致动态高斯泼溅
AeroDGS: Physically Consistent Dynamic Gaussian Splatting for Single-Sequence Aerial 4D Reconstruction
把可微的地面支撑、直立稳定与轨迹平滑先验注入 4D 高斯泼溅优化，为单目无人机视频中深度歧义与运动估计不稳的问题提供了可复用的物理约束思路；其单目几何提升模块也可迁移到其他单序列动态重建设定。
AeroAgent：面向气动车辆设计的视觉—物理—决策框架
AeroAgent: A Vision-Physics-Decision Framework for Aerodynamic Vehicle Design
把可编辑的三维曲面表示、几何引导的 Transformer 代理模型与预算感知的 propose-evaluate-refine 循环串成闭环，为视觉研究者提供一种「生成结果必须通过物理仿真校验」的 3D 设计范式，其中 AeroFormer 用共享 3D 网格上的多任务头同时回归标量阻力与表面压力、速度场，可直接迁移到其他需要物理场预测的三维生成任务。
对抗风格优化：通过基于GRPO的风格触发器优化增强VLM越狱
Adversarial Style Optimization: Enhancing VLM Jailbreaks by GRPO-based Stylistic Triggers Optimization
提出了一种基于GRPO优化图像编辑模型来叠加风格触发器的即插即用模块，可增强现有视觉越狱攻击的成功率，为多模态大模型的安全评估和红队测试提供了可复用的风格扰动优化框架。
以离散扩散分类建模推进图像分类
Advancing Image Classification with Discrete Diffusion Classification Modeling
把扩散过程从生成图像迁移到类别标签空间，用少步扩散迭代对类别后验做去噪式推断，可作为即插即用的分类头替换标准 softmax 分类器，在图像损坏或训练数据稀缺时提升鲁棒性。
从系统生物学视角出发，以基因组、蛋白质组与病理成像数据的层级融合推进癌症预后
Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective
对做计算病理与多模态融合的研究者，这篇论文提供了把基因组、蛋白质组与病理图像按生物层级逐级融合的架构范式：用图感知交叉注意力建模基因-蛋白调控、用超图卷积建模蛋白-图像块的高阶关联，可作为多组学+全切片图像融合的可复用设计。
AdvFM：面向不可察觉且可迁移对抗样本的前瞻流匹配速度场攻击
AdvFM: Lookahead Flow-Matching Velocity-Field Attacks for Imperceptible and Transferable Adversarial Examples
将对抗扰动注入流匹配的速度场而非像素空间，利用高斯平滑降低梯度方差并提升迁移性，为生成式对抗攻击提供了一种可复用的连续时间动力学视角。
应对无源跨域少样本学习中加剧的注意力汇聚问题
Addressing Exacerbated Attention Sink for Source-Free Cross-Domain Few-Shot Learning
揭示了CLIP类VLM在目标域少样本微调时注意力汇聚被加剧、导致类间判别性下降的问题，并给出按token与目标类相关性动态重加权的通用微调策略，可直接用于任何需要把CLIP迁移到新域的少样本适配场景。
自适应视频蒸馏：缓解少步生成中的过饱和与时序坍缩
Adaptive Video Distillation: Mitigating Oversaturation and Temporal Collapse in Few-Step Generation
针对视频扩散模型蒸馏中的过饱和与时序坍缩问题，提出自适应回归损失和时序正则化损失，可直接用于改进少步视频生成模型的训练稳定性与运动真实性。
自适应谱特征预测用于扩散采样加速
Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration
把去噪器潜变量特征视为随时间变化的函数，用切比雪夫多项式加岭回归做全局长程预测，可在不训练的前提下替换现有特征缓存复用策略，直接用于 DiT 类图像/视频扩散模型的少步采样加速。
自适应时空窗口：释放事件相机在异构速度场景中的潜力
Adaptive Spatial-Temporal Window: Unlocking the Potential of Event Cameras in Heterogeneous Velocity Scenarios
提出基于最大熵原理的事件流自适应时空窗口划分策略，可替代固定时间/固定计数的事件分组方式，直接用于事件相机下游任务（如目标检测、跟踪）的预处理环节，提升异构速度场景下的特征质量。
基于图神经网络的自适应学习式图像压缩
Adaptive Learned Image Compression with Graph Neural Networks
用双尺度图结构替代 CNN 固定核与窗口注意力，按局部内容复杂度动态调整每个节点的邻居数，为视觉任务提供一种数据驱动的自适应感受野建模手段，可直接迁移到需要捕捉长程冗余的复原与压缩网络设计。
自适应深度轻量级 RGB-T 跟踪与整体令牌路由
Adaptive Depth Lightweight RGB-T Tracking with Holistic Token Routing
自适应早退策略和整体令牌引导的跨模态交互模块可被复用于其他多模态跟踪或轻量化视觉任务，在保持精度的同时显著降低计算量和延迟。
基于多臂老虎机的自适应数据增强：面向隐式模式识别的样本高效嵌入校准
Adaptive Data Augmentation with Multi-armed Bandit: Sample-Efficient Embedding Calibration for Implicit Pattern Recognition
在冻结的视觉/多模态嵌入模型之上训练轻量校准器，并用多臂老虎机驱动的自适应数据增强缓解少样本下的梯度漂移，可直接用于长尾识别、少样本分类等视觉下游任务的低成本适配。
面向多模态失败检测的自适应置信度正则化
Adaptive Confidence Regularization for Multimodal Failure Detection
为多模态视觉模型（如RGB+深度+光流的自动驾驶感知）提供了一种可复用的失败检测训练策略：用自适应置信度损失约束多模态预测置信度不低于单模态分支，并用特征交换合成失败样本作为难负例，可直接嵌入现有多模态融合框架提升拒识能力。
自适应容量自回归视觉跟踪
Adaptive Capacity Autoregressive Visual Tracking
把扩散模型当作时序难度预测器，用来动态切换高/低容量推理模式，为视觉跟踪提供了一种「按需计算」的自回归框架；该思路可迁移到任何需要在线调节推理开销的时序视觉任务。
面向高效不可迁移学习的自适应贝叶斯早退网络
Adaptive Bayesian Early-Exit Networks for Efficient Non-Transferable Learning
对视觉模型部署者而言，这是一种用动态早退分类器实现「源域可用、目标域失效」的访问控制手段：只需训练各出口分类器而不重训骨干网络，即可在推理时按出口位置区分源域与目标域数据，为模型版权保护与受限发布提供可复用范式。
自适应辅助提示词混合用于目标忠实的扩散生成
Adaptive Auxiliary Prompt Blending for Target-Faithful Diffusion Generation
提出一种基于Tweedie恒等式的免训练自适应提示词混合框架，通过闭式系数在扩散每一步平衡辅助锚框提示词与目标提示词的影响，可直接用于提升罕见概念生成和图像编辑的忠实度。
面向多对比度MRI任意尺度超分辨率的解剖引导自适应各向异性高斯泼溅
Adaptive Anisotropic Gaussian Splatting for Multi-contrast MRI Arbitrary-Scale Super-Resolution with Anatomy Guidance
把各向异性2D高斯核参数化引入MRI任意尺度超分辨率，用可学习的高斯中心与协方差替代INR的连续映射，绕开频谱偏置导致的高频解剖边界丢失；其中基于梯度稀疏注意力的高斯参数化器与双域跨注意力模块可迁移到其他需要高频细节恢复的医学图像复原任务。
面向视觉-语言-动作模型的推理时自适应动作分块
Adaptive Action Chunking at Inference-time for Vision-Language-Action Models
提出用动作熵作为推理时自适应选择动作分块大小的线索，可被其他 VLA 模型直接复用，以平衡响应速度与动作一致性。
基于强化学习的稀疏采样下小型空中目标自适应三维感知
Adaptive 3D Perception for Small Aerial Targets Under Sparse Sampling via Reinforcement Learning
用强化学习策略根据无标签的稀疏度/前景接受率/轨迹稳定性统计，在线调节体素分辨率、检测敏感度与关联门限，为长距离激光雷达小目标在点密度剧变下的检测-跟踪闭环提供了可复用的自适应感知思路。
将预训练单细胞基础模型适配于从组织学图像生成空间基因表达
Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images
将预训练单细胞基础模型通过轻量级视觉条件调制（SoftAdaLN）和掩码扩散目标适配到组织学图像条件生成，为视觉-组学跨模态生成提供可复用的条件注入与目标对齐策略。
通过多模态贝叶斯分布学习实现点云分析自适应
Adapting Point Cloud Analysis via Multimodal Bayesian Distribution Learning
把每个类别的文本先验与流式视觉特征都建模为高斯分布，用贝叶斯模型平均按后验证据自动加权融合，替代 cache 式 TTA 的启发式 logit 融合，可直接迁移到点云分类/分割等任务在分布偏移下的在线自适应。
适配轻量级图像计数模型的视频人群计数
Adapting Lightweight Image-based Counting Models for Video Crowd Counting
把视频中的时空信息定义为可统计解释的量，并用统计正则项在训练阶段注入，从而让任意轻量图像计数模型无需额外模块、无需多帧缓存即可获得时序增益；对做视频密集预测、想在边缘端实时部署的人，这是一个可直接套用的「训练时加正则、推理时零开销」范式。
适配上下文生成以增强组合图像检索
Adapting In-context Generation for Enhanced Composed Image Retrieval
利用预训练文本到图像模型的上下文生成能力，在少样本下合成无偏的组合图像检索三元组，并通过分布鲁棒合成预训练和细粒度真实世界适配两阶段框架提升检索性能，为视觉-语言检索任务提供可复用的数据增强与微调策略。
Adapter Shield：内置认证的统一框架，用于阻止未经授权的零样本图像到图像生成
Adapter Shield: A Unified Framework with Built-in Authentication for Preventing Unauthorized Zero-Shot Image-to-Image Generation
针对零样本图像到图像生成中的身份/风格盗用，提出可逆加密嵌入加多目标对抗扰动，把图像编码器输出的嵌入推向指定加密模式；做扩散模型安全、水印或个性化生成防护的研究可直接复用这套「嵌入层加密+对抗偏移」思路。
AdaptVision：通过自适应视觉获取实现高效视觉语言模型
AdaptVision: Efficient Vision-Language Models via Adaptive Visual Acquisition
把「视觉词元数量」当作可由模型自主决策的动作，用强化学习（DTPO）在粗到细的流程中决定何时调用裁剪工具获取高分辨率区域，为视觉研究者提供了一种按样本自适应分配视觉计算预算、而非固定比例压缩的 VLM 推理范式。
AdapTok：在一维潜空间中学习自适应且时序因果的视频分词
AdapTok: Learning Adaptive and Temporally Causal Video Tokenization in a 1D Latent Space
提出一种内容感知的视频分词器，通过块因果评分器和整数线性规划在总预算内动态分配每帧词元数，可直接用于视频生成模型的前端，提升词元效率与重建质量。
AdapAction：针对 GUI 智能体的自适应目标动作后门攻击
AdapAction: Adaptive Target Action Backdoor Attack against GUI Agents
对做多模态 GUI 智能体或 VLM 智能体安全的研究者，这篇给出了一个「上下文感知型后门」的攻击范式：触发器不再映射到固定动作，而是让模型按当前界面状态与指令自行选择语义连贯的恶意动作，因此基于指令一致性、视觉连贯性、安全性的 LLM 防御难以识别；可作为构建智能体安全评测与防御（如动作级一致性校验、状态-动作因果审计）的基线攻击。
AdaSpot：将分辨率用在关键处以实现精确事件定位
AdaSpot: Spend Resolution Where It Matters for Precise Event Spotting
提出一种无监督、任务感知的区域选择策略，在低分辨率全局特征引导下自适应选取每帧高分辨率区域，为视频时序动作定位中平衡精度与效率提供了可复用的思路。
AdaSpark：面向高效长视频理解的自适应稀疏性
AdaSpark: Adaptive Sparsity for Efficient Long-Video Understanding
AdaSpark 的「3D 时空立方体划分 + 熵驱动 Top-p 自适应选择」可直接迁移到任何长视频或多帧输入的视觉 Transformer 中，用输入复杂度动态决定注意力与 FFN 的计算预算，在保留细粒度与长程时序依赖的同时降低浮点运算量。
AdaSVD：面向大型多模态模型的自适应奇异值分解
AdaSVD: Singular Value Decomposition with Adaptive Mechanisms for Large Multimodal Models
对需要在有限显存下部署视觉语言模型的研究者，adaComp 的交替更新奇异矩阵补偿截断误差、adaCR 的逐层自适应压缩比分配，可直接套用到任意 Transformer 主干（如 ViT、LLM 解码器）的低秩压缩流程中。
AdaSFormer：面向室内环境单目语义场景补全的自适应序列化 Transformer
AdaSFormer: Adaptive Serialized Transformers for Monocular Semantic Scene Completion from Indoor Environments
面向室内单目语义场景补全，用可学习偏移的自适应序列化 Transformer 动态调整感受野，并用中心相对位置编码与卷积调制 LayerNorm 融合卷积与 Transformer 特征，可直接迁移到其他需要从单张图恢复稠密三维语义的室内重建任务。
AdaRadar：面向雷达感知的率自适应谱压缩
AdaRadar: Rate Adaptive Spectral Compression for Radar-based Perception
提出一种基于检测置信度代理梯度的自适应压缩框架，利用零阶梯度近似解决不可微操作（剪枝、量化）的梯度回传问题，可复用于视觉任务中需要动态调整压缩率或传输带宽的场景。
AdaPrior：面向长尾持续学习的贝叶斯启发式自适应先验校正
AdaPrior: Bayesian-Inspired Adaptive Prior Correction for Long-Tailed Continual Learning
把长尾类增量学习重新表述为动态先验失配问题，用指数滑动平均在线估计模型诱导先验，并同时用于训练期去偏（AdaPrior Loss）与推理期轻量 logit 调整；做增量学习或长尾分类的视觉工作可直接复用这套无需额外阶段、无需样本回放的先验校正机制。
AdaIAT：自适应增强对生成文本的注意力以缓解 LVLM 中的幻觉
AdaIAT: Adaptively Increasing Attention to Generated Text to Alleviate Hallucinations in LVLM
提供了一种无需训练的推理时注意力干预手段：在解码时放大对已生成文本 token 的注意力权重，并按层阈值与注意力头粒度自适应调节，可直接插入 LLaVA 等 LVLM 的解码流程以降低幻觉且不引入重复描述。
AdaDexTrack：面向自适应与可泛化灵巧操作跟踪的动态调制
AdaDexTrack: Dynamic Modulation for Adaptive and Generalizable Dexterous Manipulation Tracking
把语言条件下的灵巧操作重构为「调制式跟踪」：用蒸馏得到的通才跟踪器承载技能，再用 RL 训练的调制器在线修正参考轨迹、物体潜表示与位置目标，可直接借鉴到视觉驱动的机器人操作与手-物交互策略中，尤其是缓解噪声参考与重定向偏差导致的漂移。
AdaCluster：面向视频生成的稀疏注意力自适应查询-键聚类
AdaCluster: Adaptive Query-Key Clustering for Sparse Attention in Video Generation
对做视频扩散 Transformer 推理加速的人，这篇给出了一个免训练的稀疏注意力方案：对 query 用保角相似度的聚类、对 key 用保欧氏相似度的聚类，并配合按阈值自适应确定簇数与关键簇选择，可直接套到 CogVideoX、HunyuanVideo、Wan 等 DiT 主干上换取 1.67x–4.31x 加速。
AdaBet：面向深度神经网络高效训练的无梯度层选择方法
AdaBet: Gradient-free Layer Selection for Efficient Training of Deep Neural Networks
用Betti数分析激活空间拓扑、仅靠前向传播即可选出高学习能力的层与通道，为视觉模型在边缘设备上的端侧微调提供了一种免梯度、免标签的层选择手段，可直接嵌入现有迁移学习/域自适应流程以降低显存与反向传播开销。
ActivityForensics：面向视频中被操纵活动定位的综合基准
ActivityForensics: A Comprehensive Benchmark for Localizing Manipulated Activity in Videos
为视频取证提供了「活动级」伪造的定位基准与跨域/开放世界评测协议，并给出基于扩散特征正则化的基线 TADiff；做视频生成检测、时序定位或伪造溯源的研究者可直接在其协议上评测，或借鉴其用扩散模型暴露生成伪影痕迹的思路。
ActiveVLA：将主动感知注入视觉-语言-动作模型以实现精确三维机器人操作
ActiveVLA: Injecting Active Perception into Vision-Language-Action Models for Precise 3D Robotic Manipulation
把主动视角选择与三维区域放大引入 VLA 策略，为视觉研究者提供了一个可复用的思路：在精细操作中动态挑选最优视角与分辨率，而不是依赖固定的腕部相机；其多视图投影定位关键三维区域的做法也可迁移到其他需要空间聚焦的视觉任务。
ActivePolicy：基于全局-局部信息增益的主动高斯重建与优化策略
ActivePolicy: Active Gaussian Reconstruction and Optimization Strategy Based on Global-Local Information Gain
提出基于图论的信息增益度量（GL-Graph）和4D正则化（4D-Reg），用于主动3D高斯重建中的视角选择与过拟合抑制，可直接用于提升稀疏视角下的重建完整性和渲染质量。
ActiveGrasp：基于校准能量模型的分布信息引导主动抓取
ActiveGrasp: Information-Guided Active Grasping with Calibrated Energy-based Model
把抓取位姿分布建模为 SE(3) 流形上的校准能量模型，并用其条件分布的信息增益来驱动下一最佳视角选择，为主动感知/主动重建中的视角规划提供了一个可复用的「分布级」信息度量思路。
ActiveAD：面向规划的端到端自动驾驶主动学习
ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving
提出面向规划任务的主动学习采样策略，通过多样性指标解决冷启动、不确定性指标选择关键样本，可复用于视觉模型训练中的数据高效标注场景。
主动感知推理：一种受皮层-丘脑启发的动态嵌套循环网络用于不完整数据下的多模态情感分析
Active Perceptual Inference: A Corticothalamic-Inspired Dynamic Nested Recurrent Network for Multimodal Sentiment Analysis with Incomplete Data
提出一种受皮层-丘脑启发的动态嵌套循环网络，通过局部循环补全和全局循环置信度加权，实现从被动补全到主动感知推理的范式转变，可复用于视觉-语言任务中的缺失模态补全与动态融合。
通过闭环世界建模实现视频化身中的主动智能
Active Intelligence in Video Avatars via Closed-loop World Modeling
把视频生成模型当作可交互环境，用闭环的观察-思考-行动-反思循环和结果校验来修正生成漂移，为长时程视频生成中的状态一致性问题提供了一个可复用的推理-生成耦合框架。
面向微手势识别的主动推理：EFE 引导的时序采样与自适应学习
Active Inference for Micro-Gesture Recognition: EFE-Guided Temporal Sampling and Adaptive Learning
把期望自由能（EFE）当作时序片段选择的主动采样准则，并用预测不确定性给样本加权，这套「不确定性驱动的片段选择+加权」可直接迁移到细粒度动作识别、微表情、以及低质量视频中的关键帧/关键片段选取。
激活很重要：面向视觉语言模型 OOD 检测的测试时激活负标签
Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models
对做开放世界视觉识别的人，这篇给出了一个免训练、测试时在线挖掘高激活负标签的 OOD 检测流程：用测试样本在语料标签上的累积分配概率构造标签激活指标，并配合激活感知打分函数，可直接插到 CLIP 类 VLM 的零样本推理管线上，替代固定的远距离负标签集合。
ActionMesh：基于时序 3D 扩散的动画网格生成
ActionMesh: Animated 3D Mesh Generation with Temporal 3D Diffusion
把预训练 3D 扩散模型沿时间轴扩展为「时序 3D 扩散」，并用时序 3D 自编码器把独立形状序列转成参考网格的形变，从而前馈式输出无骨骼、拓扑一致的动画网格；做 4D 生成或视频驱动建模的工作可直接复用这一「先出形状序列、再回归形变」的两段式框架。
Action-Sketcher：通过视觉草图从推理到动作的机器人操作
Action-Sketcher: From Reasoning to Action via Visual Sketches for Robotic Manipulation
提出可渲染点、框、箭头和关系类型的视觉草图作为中间表示，将语言意图外化为场景几何，为视觉-语言-动作模型提供可验证的推理-动作桥梁，可复用于需要空间消歧的机器人操作任务。
面向双臂操作的动作-几何预测与3D几何先验
Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation
把预训练3D几何基础模型作为策略的感知骨干，用扩散模型联合预测动作块与未来3D latent（解码为稠密点图），为视觉研究者提供了一条仅用RGB观测就获得几何感知与场景演化预测的可复用路线，可迁移到其他需要空间推理的视觉-动作任务。
动作基元：人体运动的自监督分层表示
Action Motifs: Self-Supervised Hierarchical Representation of Human Body Movements
把 3D 人体姿态序列切成变长片段、每段压成一个潜变量词元，再用掩码词元预测自监督地学出可复用的动作基元（Action Motifs），这种分层潜变量 Transformer 可直接迁移到动作识别、运动预测与运动插值的表征预训练中。
ActAvatar：面向说话头像的时序感知精确动作控制
ActAvatar: Temporally-Aware Precise Action Control for Talking Avatars
把提示词拆成全局基块与时序锚定的阶段块，并让浅层偏文本、深层偏音频，这一「分层模态权重」思路可直接迁移到任何音频驱动的视频生成或可控扩散模型中，用来缓解多条件相互干扰。
Act2See：面向视频推理的涌现式主动视觉感知
Act2See: Emergent Active Visual Perception for Video Reasoning
把「取帧/生成帧」作为可学习的动作嵌入文本思维链，让 VLM 在推理过程中自主决定何时检索真实帧、何时合成反事实帧；这一「主动视觉感知」范式可直接迁移到需要多步视觉证据获取的视频问答与长视频理解任务。
像病理学家一样思考：组织感知的全切片图像推理
Act Like a Pathologist: Tissue-Aware Whole Slide Image Reasoning
把「问题引导的由粗到细检索」用于超大幅图像（全切片）的视觉语言推理：先用分组采样器定位与问题相关的组织区域，再用图像块选择器挑出信息量最大的图像块，从而把视觉词元减少约 70%。这套「先粗筛区域、再细选图像块」的检索式词元压缩思路，可直接迁移到高分辨率图像或视频的 VLM 推理中，用来降低词元开销并提升可解释性。
AceTone：连接文字与色彩的条件图像分级
AceTone: Bridging Words and Colors for Conditional Image Grading
将颜色分级建模为生成3D-LUT token序列的任务，利用VQ-VAE压缩LUT并用视觉语言模型预测，为图像编辑提供了一种可复用的、语言驱动的全局颜色变换范式。
通过层级词元压缩加速流式视频大语言模型
Accelerating Streaming Video Large Language Models via Hierarchical Token Compression
STC 的层级词元压缩思路可直接用于任何流式视频视觉语言模型：在 ViT 端缓存并复用时序相似帧的特征，在 LLM 预填充前按时空相关性剪枝视觉词元，从而在不重训练的情况下降低延迟，适合实时视频理解部署。
通过异构缓存加速基于扩散的视频编辑：超越在采样去噪时间步上的全量计算
Accelerating Diffusion-based Video Editing via Heterogeneous Caching: Beyond Full Computing at Sampled Denoising Timestep
对做视频扩散编辑的人，HetCache 提供了一种免训练、可插拔的 DiT 推理加速手段：按空间先验把时空 token 分为上下文 token 与生成 token，只缓存与生成 token 相关性最强的上下文 token，从而跳过冗余注意力计算，可直接套用到 MV2V 类编辑管线以降低延迟与浮点运算量。
基于条件引导调度的混合数据-流水线并行扩散加速
Accelerating Diffusion via Hybrid Data-Pipeline Parallelism Based on Conditional Guidance Scheduling
对做扩散模型部署的人，这篇给出了一个可直接复用的思路：把条件/无条件两条去噪路径当作数据划分维度，并按两条路径的去噪差异自适应切换流水线并行度，从而在多卡上把生成延迟压下来而不引入明显伪影。
在极小预算下加速扩散模型训练：基于数据集蒸馏的视角
Accelerating Diffusion Model Training under Minimal Budgets: A Condensation-Based Perspective
把数据集蒸馏引入扩散模型训练：用扩散难度分数加区间采样挑出极小子集，再用语义/视觉表征增强条件信号，可在 0.8% ImageNet 上把 SiT-XL/2 训练步数压到 40k，为低预算下的扩散训练提供可直接复用的数据侧加速方案。
通过历史引导缓存与残差校正加速自回归视频扩散
Accelerating Autoregressive Video Diffusion via History-Guided Cache and Residual Correction
对做自回归视频扩散的人，这篇给出了一个免训练、即插即用的缓存调度与残差校正方案：用历史片段自适应决定每段何时复用缓存，并对后续片段修正残差轨迹，从而抑制长视频生成中的误差累积，可直接套用到 FramePack、SkyReels 这类分段生成管线上。
AcTTA：通过动态激活重新审视测试时自适应
AcTTA: Rethinking Test-Time Adaptation via Dynamic Activation
把激活函数（ReLU/GELU）重参数化为可学习的阈值偏移与梯度敏感度调制，在测试时只更新这组极少量参数即可应对域偏移，为视觉模型部署时提供了一种比调归一化层更轻量、无需源数据的 TTA 手段。
面向视觉语言模型空间智能的抽象3D感知
Abstract 3D Perception for Spatial Intelligence in Vision-Language Models
通过抽象边界框将3D几何结构编码给VLM，无需额外训练即可提升空间推理能力，为视觉语言模型中的3D理解提供了一种可复用的零样本增强手段。
AXG-Reasoner：基于视觉语言模型的长任务视频错误检测与解释
AXG-Reasoner: Error Detection and Explanation in Long Task Videos with Vision-Language Models
用冻结 VLM 配合动作执行图（AXG）与时序动作分割模型，把长视频切分成细粒度子动作片段，再用少量关键帧和增强提示逐段查询 VLM 做错误检测与解释；这套「TAS 分段 + 图对齐 + 稀疏关键帧查询」的流程可直接迁移到长视频中稀疏事件定位与细粒度时序推理任务。
AVION：从离线教师到提示微调网络的遥感视觉-语言指令
AVION: Aerial Vision-Language Instruction from Offline Teacher to Prompt-Tuned Network
用大语言模型生成并经验证筛选的文本原型作为教师信号，蒸馏到视觉-语言双塔的轻量可学习 prompt 中，推理时学生独立运行；这套「离线教师+prompt 微调」范式可直接迁移到其他专业成像域（医学、遥感、工业）的 CLIP 类模型适配。
AVGGT：重新审视全局注意力以加速 VGGT
AVGGT: Rethinking Global Attention for Accelerating VGGT
对做多视图三维重建的人，这篇给出了 VGGT/π³ 中全局注意力各层分工的实证结论（早层无对应、中层做跨视图对齐、末层仅微调），并据此提出免训练的两步加速：早层全局注意力改为帧内注意力、中层全局注意力对 patch token 的 K/V 做保对角子采样加均值填充，可直接套用到其他交替全局-帧注意力架构上。
AVFakeBench：面向音视频大语言模型的综合音视频伪造检测基准
AVFakeBench: A Comprehensive Audio-Video Forgery Detection Benchmark for AV-LMMs
为视觉研究者提供一个覆盖人类主体与一般场景、含七类伪造与四级标注的音视频伪造检测基准，并给出二分类判断、伪造类型分类、伪造细节选择与解释性推理的多任务评测协议，可直接用于检验 AV-LMM 在细粒度伪造感知与推理上的短板。
AVATAR：通过强化学习在视频上看见、听见与推理
AVATAR: Reinforcement Learning to See, Hear, and Reason Over Video
对做视频多模态推理的人，这篇给出了一个可直接复用的强化学习后训练配方：用离策略样本回放缓解 GRPO 的组内奖励同质化（优势消失），并用时序优势塑形把信用集中到规划与综合两端阶段，可迁移到任意视频/音视频 VLM 的 RL 微调流程。
AVA-VLA：利用主动视觉注意力改进视觉-语言-动作模型
AVA-VLA: Improving Vision-Language-Action models with Active Visual Attention
将部分可观测马尔可夫决策过程引入VLA策略学习，用循环状态近似历史信念，并基于此设计主动视觉注意力动态重加权当前视觉token，为视觉研究者提供了一种时序感知的视觉特征选择机制，可复用于需要历史推理的视觉决策任务。
AVA-Bench：面向视觉基础模型的原子视觉能力基准
AVA-Bench: Atomic Visual Ability Benchmark for Vision Foundation Models
把 VQA 评测拆成 14 个原子视觉能力并让训练/测试分布对齐，可直接用来给任意 VFM 做能力指纹诊断，避免把 LLM 指令微调数据不匹配误判为视觉能力缺陷；同时证明 0.5B LLM 头即可复现 7B 头的模型排序，为视觉评测省下 8 倍 GPU 时间。
AV-Reasoner：面向多模态大模型的线索锚定音视频计数能力改进与基准构建
AV-Reasoner: Improving and Benchmarking Clue-Grounded Audio-Visual Counting for MLLMs
对做视频多模态推理的人，这篇提供了两点可复用：一是用 GRPO + 课程学习把相关任务（如时序定位、事件定位）的能力迁移到计数这类稀疏监督任务上；二是 CG-AV-Counting 的黑盒/白盒双协议评测，可作为检验模型推理链是否真正依赖视觉线索的测试床。
AURA：面向城市导航的多模态共享自主
AURA: Multi-modal Shared Autonomy for Urban Navigation
把城市导航拆成高层人类指令与低层 AI 控制，并用空间感知指令编码器把语言指令对齐到视觉与空间上下文，这个「指令-空间对齐 + 在线自适应」的接口设计可直接迁移到视觉语言导航与具身智能体的共享控制中。
AToken：面向视觉的统一分词器
AToken: A Unified Tokenizer for Vision
AToken 提供了一个统一的视觉分词器，将图像、视频和3D资产编码到共享的4D潜变量空间，其纯Transformer架构和4D旋转位置编码可处理任意分辨率和时长，为多模态生成与理解任务提供了可复用的表征基础。
AT-VLA：面向视觉-语言-动作模型增强反馈反应的自适应触觉注入
AT-VLA: Adaptive Tactile Injection for Enhanced Feedback Reaction in Vision-Language-Action Models
提出自适应触觉注入机制，动态决定触觉信号注入的时机和位置，避免微调时破坏预训练VLA的表征；双流架构将慢速视觉-语言流与快速触觉控制流解耦，实现0.04秒实时闭环，为视觉-语言-动作模型在接触丰富操作中融合触觉反馈提供了可复用方案。
ART：铰接重建 Transformer
ART: Articulated Reconstruction Transformer
把铰接物体拆成刚体部件、用可学习 part slot 从稀疏多状态 RGB 一次性前馈回归几何、纹理与显式关节参数，可直接导出到仿真器，为机器人操作与可交互资产构建提供了免优化的重建范式。
ARMFlow：用于在线三维人体反应生成的自回归平均流模型
ARMFlow: AutoRegressive MeanFlow for Online 3D Human Reaction Generation
把 MeanFlow 的单步速度预测与因果上下文编码器结合，用于在线人体反应动作生成；BSCE（用生成历史而非真值编码）是缓解自回归误差累积的可复用训练技巧，可迁移到其他流式动作/视频生成任务。
ARM-Thinker：通过智能体工具使用与视觉推理强化多模态生成式奖励模型
ARM-Thinker: Reinforcing Multimodal Generative Reward Models with Agentic Tool Use and Visual Reasoning
提出了一种可自主调用外部工具（如图像裁剪、文档检索）的多模态奖励模型，通过多阶段强化学习联合优化工具调用决策与判断准确性，为视觉语言模型的奖励建模提供了可验证证据和可解释性，可复用于需要细粒度视觉验证的视觉语言任务。
ARGUS：通过引导指令遵循行为防御多模态间接提示词注入
ARGUS: Defending Against Multimodal Indirect Prompt Injection via Steering Instruction-Following Behavior
对做多模态大模型视觉侧安全的人，这篇给出了一个与模态无关的表征空间干预手段：在指令遵循子空间内搜索与效用退化方向解耦的引导方向，并配合自适应强度与按需触发的轻量检测，可直接迁移到图像/视频输入下的越狱与注入防御。
ARES：统一非对称 RGB-事件双目以实现概率化场景流估计
ARES: Unifying Asymmetric RGB-Event Stereo for Probabilistic Scene Flow Estimation
用事件相机与 RGB 构成非对称双目，并通过跨视角约束下的多模态上下文注意力构建统一对应空间，再以时序视差后验融合做概率化场景流推断，为高速动态场景的三维运动估计提供了可复用的融合与概率建模思路。
AREA3D：融合前馈三维感知与视觉语言引导的主动重建智能体
AREA3D: Active Reconstruction Agent with Unified Feed-Forward 3D Perception and Vision-Language Guidance
把前馈三维模型（如 VGGT 类）与不确定性建模解耦，用视觉语言模型提供语义先验来指导下一最佳视角选择，可直接迁移到主动式三维扫描、机器人探索和稀疏视角重建流程中。
ARC 是一个视觉问题！
ARC Is a Vision Problem!
把 ARC 的网格谜题当作图像到图像转换任务，用原生 ViT 在「画布」表示上从零训练并在测试时训练中泛化到新任务，为视觉研究者提供了一个用纯视觉范式做抽象推理的可复用设定与基线。
AR2-4FV：面向固定视角视频长期定位的锚定指代与重识别
AR2-4FV: Anchored Referring and Re-identification for Long-Term Grounding in Fixed-View Videos
把固定视角视频中静态背景结构蒸馏成离线锚框库，作为文本查询对齐的持久语义记忆，可在目标长时间离场后重新捕获；这种「背景即记忆」的思路可迁移到长时视频目标跟踪与语言引导定位中，缓解逐帧指代漂移与重识别不可靠的问题。
APPO：面向视频推理的注意力引导感知策略优化
APPO: Attention-guided Perception Policy Optimization for Video Reasoning
把强化学习中的组内相对优势换成基于注意力、跨响应聚焦同一关键帧的 token 级稠密奖励，可在无细粒度标注下提升视频多模态模型的感知能力，这套奖励设计可直接迁移到其他视频 VLM 的 RL 后训练流程。
APEX：一种面向异步空中物体目标导航的解耦记忆探索器
APEX: A Decoupled Memory-based Explorer for Asynchronous Aerial Object Goal Navigation
把 VLM 的零样本空间语义理解与开放词表检测器解耦成异步并行的记忆-决策-定位三模块，绕开 VLM 推理延迟，这一「慢感知快决策」的异步分层范式可直接迁移到其他视觉导航与具身探索任务。
ANTS：通过测试时 MLLM 理解与推理实现 OOD 检测的自适应负文本空间塑造
ANTS: Adaptive Negative Textual Space Shaping for OOD Detection via Test-Time MLLM Understanding and Reasoning
把 MLLM 当作测试时的『负空间生成器』：缓存疑似 OOD 图像与视觉相似的 ID 类，用提示词让 MLLM 分别生成描述性负句和近邻负标签，再用自适应加权分数融合，可直接迁移到任何基于 CLIP 式文本空间的 OOD 检测或开放词表识别流程中，且无需训练。
AMap：蒸馏未来先验的前瞻感知在线高精地图构建
AMap: Distilling Future Priors for Ahead-Aware Online HD Map Construction
把「未来帧教师 + 当前帧学生」的蒸馏范式引入在线建图，用多层鸟瞰图蒸馏加空间掩码和非对称查询适配，让单帧模型零推理开销获得前瞻能力；对做自动驾驶感知、时序融合和特权信息蒸馏的视觉研究者可直接复用。
AMB3R：带后端的前馈式精确度量尺度三维重建
AMB3R: Accurate Feed-forward Metric-scale 3D Reconstruction with Backend
用稀疏紧凑的体积场景表示作为后端，把多视图前馈网络零优化地扩展到未标定的视觉里程计与任意数量图像的 SfM，可直接复用于需要度量尺度稠密重建与位姿估计的视觉管线。
ALLNet：面向退化图像的多任务密集预测
ALLNet: Multi-task Dense Prediction for Degraded Images
把 MoE 动态路由用于退化特征增强，并与任务特定特征做双向协同精炼，为在恶劣成像条件下做多任务密集预测（深度、语义分割等）提供了可复用的「复原-任务联合」框架。
AKCMamba-YOLO：用于实时目标检测的选择性状态空间模型
AKCMamba-YOLO: Selective State Space Models For Real-Time Object Detection
将线性复杂度的选择性状态空间模型（SSM）引入YOLO架构，为实时目标检测提供替代注意力机制的全局建模方案，可复用于需要长程依赖但计算受限的检测场景。
AIMDepth：面向单目深度估计的非对称图像-事件 Mamba
AIMDepth: Asymmetric Image-Event Mamba for Monocular Depth Estimation
把 Mamba/状态空间模型引入图像-事件跨模态融合，用线性复杂度做长序列深度估计；其「输入级先验注入 + 非对称双编码器 + 特征级对齐」的三段式融合流程，可直接迁移到其他稀疏-稠密模态配对（如 LiDAR-相机、事件-帧）的融合任务。
AHS：通过合成数据增强的自适应头部合成
AHS: Adaptive Head Synthesis via Synthetic Data Augmentations
提出头部重演合成数据增强策略，在无配对数据下提升头部交换模型对多样表情、姿态和发型的泛化能力，可复用于其他需要跨身份属性迁移的编辑任务。
AGiLe：通过可供性落地的双向潜变量规划学习鲁棒长程操作
AGiLe: Learning Robust Long-Horizon Manipulation via Affordance-Grounded Bidirectional Latent Planning
将抽象子目标落地为稠密像素级视觉可供性图来驱动动作，为视觉-动作策略提供可复用的空间定位与抗干扰机制；双向潜空间规划（后向规划器+前向评论家）可缓解长程任务中的误差累积。
AGFT：面向视觉语言模型零样本对抗鲁棒性的对齐引导微调
AGFT: Alignment-Guided Fine-Tuning for Zero-Shot Adversarial Robustness of Vision-Language Models
提出用原始模型软预测做文本引导的对抗微调，并用温度缩放分布一致性校准保持跨模态对齐，可直接迁移到CLIP类模型的对抗鲁棒性提升。
AGENTSAFE：面向危险指令的具身智能体安全基准
AGENTSAFE: Benchmarking the Safety of Embodied Agents on Hazardous Instructions
对做 VLM 具身智能体的视觉研究者，SAFE 提供了可复用的对抗仿真沙盒与通用适配器（把高层 VLM 输出映射到低层具身控制），以及按感知-规划-执行分阶段诊断的评测协议，可用于定位「识别到危险却无法转化为安全规划」这一具体失效环节。
AG-VAS：基于大语言多模态模型的锚点引导零样本视觉异常分割
AG-VAS: Anchor-Guided Zero-Shot Visual Anomaly Segmentation with Large Multimodal Models
通过可学习的语义锚点token（[SEG]、[NOR]、[ANO]）将抽象异常概念转化为空间定位实体，并设计语义-像素对齐模块（SPAM）与锚点引导掩码解码器（AGMD），为LMM-based零样本分割提供可复用的锚点引导范式。
AERGS-SLAM：面向自动曝光的鲁棒双目三维高斯泼溅 SLAM
AERGS-SLAM: Auto-Exposure-Robust Stereo 3D Gaussian Splatting SLAM
把相机自动曝光过程显式建模为一个可学习的曝光网络并与高斯泼溅联合优化，使 SLAM 在曝光剧烈变化的真实场景下仍能稳定定位并渲染出曝光可控的逼真新视角；对做 3DGS-SLAM 或户外/移动端采集的人，这是一个可直接复用的曝光建模与光照鲁棒特征定位方案。
AE2VID：基于光圈调制的事件视频重建
AE2VID: Event-based Video Reconstruction via Aperture Modulation
把光圈周期性调制当作主动事件源，在静态/低运动区域补出稠密事件，可直接用于事件相机高速视频重建与低纹理区域去噪；双分支分别处理运动触发与光圈触发事件的思路也可迁移到其他多模态事件融合任务。
ADSeeker：面向工业异常检测与推理的知识驱动推理框架
ADSeeker: A Knowledge-Grounded Reasoning Framework for Industry Anomaly Detection and Reasoning
把 MLLM 与图像-文档知识库的检索增强生成（Q2K RAG）结合，用于零样本工业异常检测与推理；其分层稀疏提示词与类型级特征提取思路可迁移到其他需要细粒度缺陷/异常描述的视觉-语言任务。
AD-GBC：用于基于UNet的医学图像分割的各向异性粒球跳跃连接细化器
AD-GBC: Anisotropic Granular-Ball Skip-Connection Refiner for UNet-Based Medical Image Segmentation
AD-GBC 将原型推广为可学习的各向异性几何区域，并以全可微分方式聚合与重分配特征，为 UNet 类分割网络提供了一种即插即用的几何感知细化模块；其 Wasserstein 多样性损失和尺度一致性损失可防止中心坍缩，这种区域级表示思路可迁移到其他密集预测任务。
ACoT-VLA：面向视觉-语言-动作模型的动作思维链
ACoT-VLA: Action Chain-of-Thought for Vision-Language-Action Models
将思维链从语言/视觉空间迁移到动作空间，用粗动作意图序列作为中间推理步骤来条件化下游动作头，为视觉-语言-动作策略提供了一种可复用的推理增强范式。
ACPV-Net：面向航空影像无缝矢量地图生成的全类别多边形矢量化
ACPV-Net: All-Class Polygonal Vectorization for Seamless Vector Map Generation from Aerial Imagery
面向航空影像的「全类别多边形矢量化」任务与 Deventer-512 基准，其共享边界、无缝隙无重叠的拓扑约束与语义监督条件化机制，可迁移到建筑提取、地物制图等需要输出矢量多边形的视觉任务。
ACE-Merging：基于自适应协方差估计的无数据模型合并
ACE-Merging: Data-Free Model Merging with Adaptive Covariance Estimation
对视觉研究者而言，这是一种无需原始训练数据即可把多个视觉专家（如不同下游任务的微调模型）合并为单一模型的闭式方法，利用微调更新估计输入协方差来抑制任务间干扰，可直接用于多任务模型部署与权重融合。
A3：迈向广告美学评估
A3: Towards Advertising Aesthetic Assessment
论文提出的 A3-Law 分层美学评估范式与思维链引导的多模态大模型训练方法，可迁移至图像美学评估、广告创意生成等视觉任务，为视觉语言模型提供可解释的细粒度评价能力。
A2GC：面向局部聚合描述子的几何约束非对称聚合
A2GC: Asymmetric Aggregation with Geometric Constraints for Locally Aggregated Descriptors
把 Sinkhorn 的对称边缘约束改成行列归一化加独立边缘校准的非对称匹配，并用可学习坐标嵌入把空间邻近性注入特征-聚类兼容度；做图像检索/位置识别的人可以直接把这套聚合头替换到现有 VPR 骨干后面。
视觉模型中对抗性成员操纵的统一视角
A Unified Perspective on Adversarial Membership Manipulation in Vision Models
对做视觉模型隐私评估的人，这篇论文指出成员推理攻击（MIA）本身存在对抗脆弱面：不可感知扰动可把非成员图像推入成员区域，并给出基于梯度范数坍缩轨迹的检测与鲁棒推理方案，可直接用于加固 MIA 评测流程或设计更可信的隐私审计工具。
双向模型缩放中知识迁移的统一框架
A Unified Framework for Knowledge Transfer in Bidirectional Model Scaling
把模型权重当作连续信号、用 DWT/IDWT 的分解层级作为缩放因子，可在不重新预训练的情况下把 ViT/DeiT 类视觉骨干在大小之间迁移，为视觉模型扩容或压缩提供免训练的参数初始化手段。
基于 SVD 特征分解的免训练风格个性化
A Training-Free Style-Personalization via SVD-Based Feature Decomposition
用 SVD 分解内部特征的主成分来分离风格与内容，并在推理阶段通过特征混合与注意力校正实现风格迁移，为免训练个性化生成提供了一条可复用的「特征分解+注意力干预」路径。
时序与内容协同感知的潜扩散模型用于可控手部图像生成
A Temporal and Content Co-Awareness Latent Diffusion for Controllable Hand Image Generation
提出按去噪时间步与条件复杂度动态调节控制信号注入强度的双驱动调制策略，可迁移到任意「结构条件+外观条件」的可控扩散生成任务（如人体姿态引导生成、姿态迁移），替代固定强度的 ControlNet 式注入。
面向冷冻电子断层成像联合复原的监督式多任务框架：由生成式物理仿真驱动
A Supervised Multi-task Framework for Joint cryo-ET Restoration Enabled by Generative Physical Simulation
用真实结构（EMDB）驱动的物理成像仿真生成带干净真值的断层图，把「缺真值」的低层复原任务转成全监督多任务学习；这套仿真-监督范式可迁移到其他缺乏 GT 的退化成像复原（如低剂量 CT、显微去噪）。
一个风格只值一个编码：用离散风格空间解锁编码到风格的图像生成
A Style is Worth One Code: Unlocking Code-to-Style Image Generation with Discrete Style Space
把风格压缩成离散码本中的嵌入，再用自回归模型建模其分布，从而用单个数字码控制 T2I 扩散模型生成风格——这套「离散风格码本 + 自回归采样」的范式可直接迁移到个性化生成、风格 LoRA 替代方案等需要可复现、可枚举风格控制的任务。
及时一针：通过自监督 Plackett-Luce 排序学习程序性工作流
A Stitch in Time: Learning Procedural Workflow via Self-Supervised Plackett-Luce Ranking
PL-Stitch 利用视频帧的固有时间顺序作为自监督信号，通过 Plackett-Luce 排序损失和时空拼图损失学习程序性活动的表征，可迁移到需要时序推理的视频理解任务中。
面向多类别 3D 异常检测的语义解耦统一模型
A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection
针对统一多类别 3D 异常检测中的类别间语义纠缠问题，提出基于解耦语义表示的条件重建框架，可复用于其他需要多类别统一建模的 3D 点云分析任务。
面向真实感文本到激光雷达场景生成的自条件表征引导扩散模型
A Self-Conditioned Representation Guided Diffusion Model for Realistic Text-to-LiDAR Scene Generation
对做 3D 感知的研究者，这篇提供了用扩散模型从文本生成激光雷达点云场景的完整方案：训练时用真实表征做软监督、推理时解耦的自条件引导，可缓解文本-点云配对稀缺导致的过度平滑；其条件编码器设计还能把稀疏到稠密、语义到激光雷达等任务统一到同一去噪网络中，可作为 3D 数据增广与跨模态条件生成的参考。
真实世界中多域内人脸伪造检测的合理性检验
A Sanity Check for Multi-In-Domain Face Forgery Detection in the Real World
针对多域人脸伪造检测中域差异主导特征空间的问题，提出模型无关的两阶段框架 DevDet，通过 Face Forgery Developer 放大真伪差异并结合 Dose-Adaptive 微调策略，使检测器在域未指定条件下仍能做出单帧独立判断，为真实场景下的深度伪造检测提供了可复用的训练范式。
一种可证明的能量引导测试时防御方法提升大型视觉语言模型的对抗鲁棒性
A Provable Energy-Guided Test-Time Defense Boosting Adversarial Robustness of Large Vision-Language Models
ET3 提供了一种无需训练、在推理阶段即可使用的防御手段：通过对输入样本做能量最小化的测试时变换来削弱对抗扰动，可直接套用到 CLIP 零样本分类以及 LVLM 的图像描述、VQA 等下游流程中，为视觉模型部署增加一层轻量防护。
面向非线性不确定系统因果发现的多项式混沌框架
A Polynomial Chaos Framework for Causal Discovery in Nonlinear Uncertain Systems
该框架将多项式混沌展开（PCE）嵌入结构方程以建模任意噪声分布，为视觉任务中非线性非高斯噪声下的因果发现提供了可识别性保证和不确定性量化手段，可迁移至视觉可解释性分析或鲁棒特征选择。
面向高效长视频推理的多智能体感知-动作联盟
A Multi-Agent Perception-Action Alliance for Efficient Long Video Reasoning
提出一种多智能体感知-动作探索框架，通过线索引导的块对齐和跨审查机制，高效处理长视频推理，可复用于视频问答和长视频理解任务。
面向多模态大语言模型的更词元化的图像词元化方法
A More Word-like Image Tokenization for MLLMs
DiVT 将图像块嵌入聚类成语义单元，使视觉词元更接近离散词元，并动态调整词元预算，为视觉-语言模型提供了一种不修改编码器与语言模型即可降低视觉词元数量与延迟的即插即用方案。
混合食谱让 DINO 成为杂食性视觉编码器
A Mixed Diet Makes DINO An Omnivorous Vision Encoder
把 DINOv2 这类单模态基础模型通过「跨模态对齐 + 冻结教师蒸馏」扩展成模态无关编码器，可直接复用于 RGB-D、分割图、深度图等多模态输入的统一特征提取与跨模态检索。
面向无线信道预测的几何代数引导 3DGS 框架
A Geometric Algebra-Informed 3DGS Framework for Wireless Channel Prediction
把 3DGS 从纯渲染表示扩展为可承载物理场（电磁）的显式场景表示，并用几何代数注意力建模射线与物体的交互；对视觉研究者而言，这是一条把可微高斯表示用于非渲染物理量预测（如信号强度场、遮挡衰减）的可复用思路。
一帧只需一个词元：用 Delta 词元进行高效生成式世界建模
A Frame is Worth One Token: Efficient Generative World Modeling with Delta Tokens
把相邻帧的 VFM 特征差压缩成单个连续 delta 词元，将视频从三维时空表示降为一维时序序列，这一分词思路可直接复用于视频预测、特征空间生成建模与高效多假设采样。
一条更快的持续学习路径
A Faster Path to Continual Learning
对做视觉持续学习或任何需要反复微调的场景，C-Flat Turbo 把 C-Flat 每步三次额外梯度计算压到更少，可直接替换优化器降低训练开销；其「平坦性梯度随任务趋于稳定」的观察也可用于设计其他正则化训练策略的调度。
一种用于检测AI生成图像的双重差分方法
A Difference-in-Difference Approach to Detecting AI-Generated Images
把重建误差从一阶差分升级为二阶差分（difference-in-difference）来降低方差，这一思路可直接迁移到任何基于重建/残差信号的取证与异常检测流程中，例如扩散模型指纹检测或图像篡改定位。
面向AI生成图像免训练检测的去偏重建框架
A Debiased Reconstruction-based Framework for Training-Free Detection of AI-Generated Images
对做视觉研究的人，这篇论文提供了一个可直接复用的免训练检测信号：用旋转与低通滤波增强来归一化LDM的图像级重建误差，抵消背景偏置；同时把潜变量级重建误差经旋转归一化后作为补充信号，二者统一为RDD分数，可在无检测训练数据时跨多种生成模型使用。
面向鲁棒 6-DoF 抓取姿态估计的跨视角融合框架
A Cross-view Fusion Framework for Robust 6-DoF Grasp Pose Estimation
用自监督对比学习把跨视角点云特征在空间一致性和抓取方向区分性上对齐，再以圆柱坐标系配准+局部自注意力/种子交叉注意力交替融合，为多视角点云融合与遮挡鲁棒的位姿估计提供了可复用的后融合范式。
噪声与双边滤波的结合在 CNN 中实现超线性且可扩展的对抗鲁棒性
A Combination of Noise and Bilateral Filters Achieve Supralinear and Scalable Adversarial Robustness in CNNs
把「高斯噪声 + 双边滤波」当作零成本前置预处理模块，可直接插到任意 CNN 或对抗训练流程前，在几乎不增加推理开销的前提下提升对 AutoAttack 等攻击的鲁棒性，为视觉模型部署提供可复用防御组件。
深入审视跨域少样本目标检测：微调至关重要且并行解码器有益
A Closer Look at Cross-Domain Few-Shot Object Detection: Fine-Tuning Matters and Parallel Decoder Helps
提出一种混合集成解码器，通过共享层级层后接多个并行解码器分支（分支使用继承或新初始化的去噪查询）来提升少样本微调时的泛化性，且不增加额外参数；配合平台感知学习率调度的统一渐进式微调框架，为跨域少样本目标检测提供了可复用的解码器设计与训练策略。
一种具有跨模态和跨任务效用保证的视觉语言模型去偏闭式解
A Closed-Form Solution for Debiasing Vision-Language Models with Utility Guarantees Across Modalities and Tasks
提出一种无需训练、无需标注数据的闭式去偏方法，可同时去偏视觉和文本模态，在保持任务性能的同时实现帕累托最优公平性，可直接用于零样本图像分类、文本到图像检索和生成等视觉任务。
VLM 与 IRM 的因果联姻：从理解到推理
A Causal Marriage between VLM and IRM from Understanding to Reasoning
把 CLIP 的对比目标在 token 粒度上重新解释为 IRM 的不变性准则，并给出一个无需改结构的中训练方案来注入不变学习信号；做视觉-语言预训练或 OOD 泛化的人可以直接复用这套 token 分解与词表约束 InfoNCE 等价性，以及用不变对齐分数作为 MLLM 强化学习过程奖励的思路。
一比特足矣！基于单比特成像的高效视频采集
A Bit is All You Need! Efficient Video Capture via Single Bit Imaging
把传感器端采集压缩到 1 bit（时变阈值量化），再用神经网络重建全比特深度视频，为超低功耗/高速相机流水线提供了一条可复用的「采集-重建」联合设计思路，可直接迁移到事件相机、高速视频与压缩成像任务。
4DWorldBench：面向3D/4D世界生成模型的综合评估框架
4DWorldBench: A Comprehensive Evaluation Framework for 3D/4D World Generation Models
为3D/4D世界生成模型提供统一评测框架，其将多模态条件映射到文本空间并用LLM/MLLM作为评判器的自适应评估策略，可复用于其他生成任务的跨模态对齐与物理合理性度量。
4DSurf：高保真动态场景表面重建
4DSurf: High-Fidelity Dynamic Scene Surface Reconstruction
将高斯泼溅与符号距离函数流正则化结合，通过约束高斯运动对齐演化表面，为动态场景表面重建提供可复用技术；重叠分段策略可推广到其他大变形时序重建任务。
4DP-QA：面向视觉语言模型 4D 感知的可扩展问答
4DP-QA: Scalable QA for 4D Perception in Vision Language Models
提出 True-Motion Tracking 这一固定参考系下的跟踪表述，把相机运动与物体运动解耦，可直接用于构建视频/4D 场景的 VLM 训练数据与评测基准，缓解 VLM 只能通过 2D 投影间接观察运动的问题。
4DEquine：解耦运动与外观的单目视频四维马科动物重建
4DEquine: Disentangling Motion and Appearance for 4D Equine Reconstruction from Monocular Video
将4D动物重建解耦为动态运动回归与静态外观重建，用时空Transformer从单目视频回归像素对齐的SMPL类序列，并用前馈网络从单张图像重建可动画的3D高斯化身，为单目视频4D重建提供了可复用的解耦范式与合成数据训练策略。
4D-RGPT：通过感知蒸馏迈向区域级 4D 理解
4D-RGPT: Toward Region-level 4D Understanding via Perceptual Distillation
把冻结的 4D 专家模型的表征通过感知蒸馏迁移进多模态大模型，为视频 MLLM 注入深度感知与时序动态理解能力；区域级提示的 4D VQA 设定也可直接复用于动态场景的细粒度推理评测。
4D Primitive-Mache：粘合基元实现持久4D场景重建
4D Primitive-Mache: Glueing Primitives for Persistent 4D Scene Reconstruction
把场景分解为一组随时间运动的刚性3D基元，并用稠密2D对应关系联合优化其刚体运动，为单目动态视频提供可回放的持久4D重建；其「基元+运动外推」思路可直接迁移到动态NeRF/高斯泼溅的时序一致性与遮挡补全问题。
面向无歧义旋转不变点云分析的4D局部建模与动态全局感知
4D Local Modeling Toward Dynamic Global Perception for Ambiguity-free Rotation-Invariant Point Cloud Analysis
提出将旋转等变几何表示转换为不变表示并融合全局姿态感知的框架，其可学习可转向变换和Bingham分布动态全局姿态参考可复用于点云分类/分割等任务，提升对对称或重复结构的判别力。
4C4D：四相机四维高斯泼溅
4C4D: 4 Camera 4D Gaussian Splatting
针对稀疏视角下 4D 高斯泼溅几何建模弱于外观建模的失衡问题，提出对高斯不透明度施加神经衰减函数，把梯度引导到几何学习上；做稀疏多视角动态重建或 4DGS 时可直接复用这一正则化思路。
3M-TI：基于免标定多相机跨模态扩散的高质量移动热成像
3M-TI: High-Quality Mobile Thermal Imaging via Calibration-free Multi-Camera Cross-Modal Diffusion
把扩散 UNet 中的自注意力层替换为跨模态自注意力（CSM），在去噪过程中自适应对齐热成像与 RGB 特征，从而绕开相机标定；这一「免标定跨模态特征对齐 + 生成先验」的思路可直接迁移到其他多传感器图像复原任务（如低光 RGB-NIR 增强、深度引导超分）。
3DrawAgent：通过早期对比经验教 LLM 在 3D 中绘图
3DrawAgent: Teaching LLM to Draw in 3D with Early Contrastive Experience
提出一种无需参数更新的相对经验优化策略，利用 CLIP 感知奖励和 LLM 定性评估构建成对比较，迭代优化 LLM 的 3D 绘图先验，可复用于其他需要黑盒优化的视觉生成任务。
3DReflecNet：面向反射、透明与低纹理物体三维重建的大规模数据集
3DReflecNet: A Large-Scale Dataset for 3D Reconstruction of Reflective, Transparent, and Low-Texture Objects
该数据集为反射/透明/低纹理物体的多视图重建提供了大规模合成与真实数据，并定义了图像匹配、SfM、新视角合成、反射去除和重光照五个基准任务，可直接用于评测和开发针对这些挑战性材料的鲁棒3D视觉方法。
3D-VCD：通过视觉对比解码缓解3D-LLM具身智能体的幻觉
3D-VCD: Hallucination Mitigation in 3D-LLM Embodied Agents through Visual Contrastive Decoding
把2D视觉对比解码的思路迁移到3D具身场景：在推理时对3D场景图施加类别标签交换、坐标加噪等扰动来构造"负"上下文，从而无需训练即可抑制3D-LLM的幻觉，可直接用于3D视觉语言模型的可靠性提升。
三维物体感知 Transformer（3PT）
3D-Object Perception Transformer (3PT)
该工作把检测、分割与 6DoF 姿态估计统一进一个无需深度输入、依靠多视图信息持续精化物体表征的 Transformer 框架，可直接作为零样本 3D 物体感知的强基线，替代冻结基础模型集成式流水线，对机器人抓取与工业装配等下游视觉任务有直接复用价值。
3D-LATTE：基于文本指令的潜空间三维编辑
3D-LATTE: Latent Space 3D Editing from Textual Instructions
把指令编辑从 2D 先验蒸馏搬到原生 3D 扩散模型的潜空间里做，用源物体的 3D 注意力图混合来定位编辑区域，并用傅里叶域谱调制加几何感知正则化抑制多视角不一致——这套「潜空间注意力引导 + 频域正则」的组合可直接迁移到 3D 生成模型的可控编辑与局部重绘。
3D-IDE：三维隐式深度涌现
3D-IDE: 3D Implicit Depth Emergent
通过信息瓶颈和几何自监督让MLLM在统一视觉表征中隐式涌现3D感知，推理时无需深度和位姿输入且零延迟开销，为视觉语言模型融合3D信息提供了免外部嫁接的新范式。
3D-Fixer：单图像三维场景的由粗到细原位补全
3D-Fixer: Coarse-to-Fine In-place Completion for 3D Scenes from a Single Image
把几何估计得到的碎片化点云当作空间锚框，在原始位置做 in-place 补全，从而绕开显式 6DoF 位姿优化；这种「以碎片几何为条件、粗到细生成」的思路可直接迁移到单视图场景重建与资产补全任务。
面向稠密场景理解的跨视角关联三维感知多任务学习
3D-Aware Multi-Task Learning with Cross-View Correlations for Dense Scene Understanding
把跨视角代价体作为几何一致性先验注入多任务编码器，为分割/深度等稠密任务提供 3D 感知的跨任务关联；该模块与架构无关，可直接插到现有 MTL 网络中复用。
面向视角自适应人体视频生成的3D感知隐式运动控制
3D-Aware Implicit Motion Control for View-Adaptive Human Video Generation
提出一种隐式、视角无关的运动表示，通过与预训练视频生成器联合训练运动编码器，实现文本驱动的相机控制和新视角合成，为可控人体视频生成提供了不依赖显式3D模型的新思路。
无需 3D 扫描的 3D 学习：从视频生成点云进行可扩展预训练
3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds
用前馈重建模型从无标注室内漫游视频生成点云，再以多层级 Sinkhorn-Knopp 聚类加噪声正则损失做自监督预训练，为缺乏 3D 扫描数据时训练点云骨干网络提供了一条可复用的数据与目标函数方案。
以3D空间为草稿本的可编辑文本到图像生成
3D Space as a Scratchpad for Editable Text-to-Image Generation
把文本到图像生成中的空间推理外化为可编辑的3D网格场景，再渲染回图像域作为身份保持线索，为可控生成提供了一条不依赖2D布局、支持3D编辑且编辑结果能可靠传导到最终图像的思路。
基于自约束先验的 3D 高斯泼溅高保真表面重建
3D Gaussian Splatting with Self-Constrained Priors for High Fidelity Surface Reconstruction
提出一种自约束先验（由渲染深度融合的 TSDF 网格）来约束 3D 高斯运动，通过带状区域和渐进收窄策略提升表面重建精度，可直接用于改进 3DGS 的几何质量。
从无位姿脉冲流进行三维高斯泼溅
3D Gaussian Splatting from Unposed Spike Stream
把脉冲相机的概率模型推广到关键帧选择，使无位姿（unposed）脉冲流也能联合优化相机轨迹与 3DGS 场景，为高速动态场景重建提供了一条不依赖外部位姿先验的流程。
基于紧凑代理锚框的任意分辨率3D高斯泼溅
3D Gaussian Splatting at Arbitrary Resolutions with Compact Proxy Anchors
通过分辨率嵌入和像素覆盖门控动态生成分辨率自适应的3D高斯，并利用代理锚框与残差预测器压缩存储，为任意分辨率下的高质量新视角合成提供了可复用的技术方案。
2ndMatch：通过二阶雅可比匹配微调剪枝后的扩散模型
2ndMatch: Finetuning Pruned Diffusion Models via Second-Order Jacobian Matching
把稠密教师模型对扰动的敏感度（J^⊤J）作为迁移信号来微调剪枝后的扩散模型，是一种与架构无关的通用微调手段，可直接套用到 U-Net 或 Transformer 扩散模型的压缩流程中，也可迁移到其他需要从教师模型迁移二阶信息的蒸馏场景。
2D-LFM：无需三维监督的提升基础模型
2D-LFM: Lifting Foundation Model without 3D Supervision
把经典 structure-from-motion 的对应关系结构以位置编码形式注入模型，使二维关键点提升为物体级三维几何，可作为无需三维标注的三维先验或伪标签来源，用于关键点/骨架驱动的三维重建与姿态估计。
基于单目混合脉冲的240FPS立体视觉
240FPS Stereo Vision from Monocular Mixed Spikes
利用脉冲相机的高时序密度，通过60Hz光学调制将双目视图混合到单传感器，构建线性系统解耦，为高帧率双目视频重建提供了一种硬件紧凑、数据高效的方案，其两阶段解码（最小二乘基线+深度学习精化）可复用于其他计算成像逆问题。
暗中两拍：以极少数据采集实现低光照去噪
2-Shots in the Dark: Low-Light Denoising with Minimal Data Acquisition
只需每个 ISO 一张噪声图和一张暗帧即可合成真实噪声，为缺乏配对数据的低光照去噪训练提供了可复用的数据增广方案；其傅里叶域频谱采样生成信号无关噪声的思路，可直接用于构建 RAW 域去噪训练集。
φ-DPO：面向大型多模态模型持续学习的公平直接偏好优化方法
$\phi$-DPO: Fairness Direct Preference Optimization Approach to Continual Learning in Large Multimodal Models
提出基于直接偏好优化（DPO）的持续学习范式，并设计 φ-DPO 损失显式处理数据不平衡，可复用于多模态大模型在视觉任务上的持续学习与公平性提升。
源模型泄露了不应泄露的信息：通过对抗优化在域自适应中遗忘零样本迁移
$\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization
提出在无源域自适应中通过对抗优化遗忘源域独有类的方法，可复用于视觉模型跨域部署时的隐私保护与知识擦除。
αMatte4K与μMatting：面向超微精度Alpha视频抠图的数据集与模型
$\alpha$Matte4K & $\mu$Matting: Dataset and Model for Ultra-Micro Precision Alpha Video Matting
提出分辨率无关的两阶段视频抠图框架，利用掩码自编码器定位粗哑光区域并用稀疏3D卷积精修，同时构建基于PBR的4K高质量数据集，为高分辨率视频抠图提供可复用的数据生成与模型设计思路。
L²DGS：低光照动态高斯泼溅
$L^{2}DGS$: Low-Light Dynamic Gaussian Splatting
把动态高斯泼溅扩展到低光照视频，用本征分解（时变光照 × 时不变反射率）加遮挡-去遮挡网络做自监督，可直接迁移到夜间动态场景的新视角合成与4D重建。
没有匹配的论文。