在过去几年中，视频生成技术取得了令人瞩目的进展。从基于扩散模型的方法到大规模视频基础模型，生成结果在视觉质量上已经逐渐逼近真实世界。然而，当我们进一步审视这些模型时，一个更本质的问题开始显现：它们究竟是在“理解世界”，还是仅仅在“拟合像素分布”？ 传统视频生成方法大多建立在 2D 图像空间之上，通过逐帧建模来合成动态内容。这种范式虽然在短时间尺度和视觉表现上表现出色，但也暴露出一系列根本性...

【封面图片来源：网站名中国科学院自动化研究所，所有者：GThinker】 一、研究背景  多模态大语言模型（MLLM）在文本推理领域已展现出强大的迭代反思能力，但在涉及复杂视觉场景的推理任务中，依然存在明显缺陷——研究团队将其定义为视觉惯性（Visual Inertia）现象：尽管 MLLM 在文本语境中擅长进行多轮迭代推理并修正错误，但在视觉推理过程中往往不加质疑地依赖最...

【封面图片来源：网站名中国科学院自动化研究所，所有者：MeanFuser】 一、研究背景   端到端自动驾驶近年来取得了飞速进展，生成模型在多模态轨迹规划中展现出巨大潜力。现有基于锚点引导的生成方法能有效刻画驾驶行为的不确定性并提升整体性能，但存在一个内在矛盾：这类方法依赖离散锚点词汇表，并要求其在测试阶段充分覆盖轨迹分布以保证鲁棒性，从而在词汇规模与模型性能之间引入不可调...

一、研究背景   多模态生成是计算机视觉最活跃的研究方向之一。 虚拟试衣（Virtual Try-on）是电商零售核心场景，但传统方法严重依赖人体姿态识别、图像分割等辅助模型，流程冗长，外部误差累积明显；生成质量上，面料质感失真、蕾丝花纹丢失、透明材质处理困难等问题长期困扰用户体验，制约了商业落地。RefTON 开创性地引入服装上身参考图作为视觉指引，仅需人物原图与目标服装...

  一、研究背景  视觉重定位（Visual Relocalization）是机器人和自动驾驶的基础能力：当系统回到一个曾经建图的场景时，如何通过单张图像精准估计6自由度相机位姿。这一任务在弱纹理场景、图像数据库稀疏或视角变化剧烈时面临严峻挑战。 现有方法存在三个核心痛点：一是图像稀疏瓶颈，数据库图像有限时，初始位姿检索和粗匹配精度下降明显；二是特征匹配局限，单一特征类型难...

一、研究背景   大型视觉语言模型（VLM）虽然在2D图像理解和语言推理上表现优异，但在3D空间推理能力上存在明显短板——它们往往难以准确理解物体的相对位置关系、深度信息及3D几何结构，直接制约了其在机器人、自动驾驶等具身智能场景中的应用。 现有多模态融合方法主要存在两大问题：一是浅层融合（Early Fusion）仅在模型输入或早期阶段融合视觉与语言，难以在高层建立细粒度...

 一、研究背景 3D 高斯泼溅（3DGS）凭借其高质量实时渲染能力，已成为新视角合成领域的主流方法。然而随着各类变体涌现，学术界面临一个困境：这些工作往往混杂了实现层面的工程优化与算法层面的创新，导致难以公平评估哪些改进真正有价值，学术比较缺乏统一基准。 与此同时，3DGS 的训练耗时（通常30分钟以上）成为快速迭代实验的瓶颈，显存占用（12GB+）也限制了其在低资源环境下...

  一、研究背景   从视频中准确理解并重建人体3D运动是计算机视觉的重要研究方向，在体育赛事分析、VR/AR、人机交互以及医疗康复等领域具有广泛应用价值。然而，在真实复杂场景中，该任务仍面临三大严峻挑战： 首先是身份关联不稳定——多人交互时，频繁的遮挡和快速运动容易导致ID Switch，影响后续重建的一致性；其次是运动轨迹中断——视角变化和极端遮挡会造成目标跟踪丢失；第...

很多人其实已经在不知不觉中接触到了多智能体协作带来的变化。 电商大促时，仓库里往往不是一台机器人在工作，而是一整组机器人同时分拣、运输、避让和交接。自动驾驶真正困难的地方，也不只是让一辆车学会开，而是让很多辆车在同一条路上彼此配合。现实中的很多复杂任务，本质上都不是单个智能体可以独立完成的，智能系统也是一样。 但现实世界并不会给这些系统太多试错机会。仓库机器人撞一次货架，工业机械臂装错一...

很多人第一次觉得图像生成模型已经足够强，往往是在它能快速画出一张看上去不错的图的时候。但真正开始频繁使用之后，又会慢慢发现另一面。 比如做一张活动主视觉，前几次生成里主体、色调、氛围都对了，可一放大细节就会发现手部、材质、边缘关系经不起看。再比如给一篇文章配封面，模型明明理解了主题，却总在最后呈现时把重点元素放错位置，或者让画面风格和语义之间出现轻微但难以忽视的偏差。 这正是当前生成式 ...