Tag · 11 篇
测试时优化
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。