Tag · 13 篇
多智能体系统
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。