按方向

怎么从噪声里采样出数据。扩散、流匹配、自回归图像生成，以及让采样更快的一切。

在已有图像上做可控修改。输入一张图，输出它的修改版。

核心输出是三维表示：深度、点云、高斯、网格、隐式场。

视觉与语言联合建模。语言必须是任务的一部分，不是可有可无的注释。

输出边界框/关键点/掩码加类别。

与输入同分辨率的掩码。语义、实例、全景、可提示分割。

时间维度是任务关键，而不是把图像模型逐帧跑一遍。

不依赖人工标注，从数据本身构造监督信号。

性能不降的前提下砍算力。量化、剪枝、蒸馏、token 剪枝。

让图像更好看、更接近真实，不涉及语义理解。

输入域被限定在人脸或人体。

数据集来自医学或生命科学，而非自然图像。

街道、卫星、航拍等大尺度户外场景。

核心议题是失效模式本身：攻击、隐私、分布偏移。

核心产出是解释，而不是更高的精度。

存在动作与环境的交互闭环。机器人操作、导航、VLA。

贡献是数据集、基准、评测协议或系统性分析。

暂时放不进任何一格。这个类应该一直很小。