Tag · 3 篇
动态场景理解
分布 视觉语言模型13D 视觉与重建1生成模型与扩散1
01 02 03
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。
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。
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。