Tag · 7 篇
潜空间对齐
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。
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。
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。
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。
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。
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。
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。