来源：3D视觉工坊 原文链接：https://mp.weixin.qq.com/s/OeuvkEsZfxOF4SEZcD4wPA 标题：DLWM: Dual Latent World Models enable Holistic Gaussian-centric Pre-training in Autonomous Driving 作者：Yiyao Zhu, Ying Xue, Haimin...

来源：微软亚洲研究院 原文链接：https://mp.weixin.qq.com/s/GECHPc8h_mblnXirldVaRg?scene=1&click_id=96 「 本期内容速览 」01CoD：面向图像压缩的扩散基础模型02基于一维隐表示的生成式视频压缩03HiSpatial：增强视觉-语言大模型的层级3D空间认知能力04面向3D生成的原生紧凑结构化隐表示（Oral, Aw...

来源：知乎博主“TopR” 原文链接：https://zhuanlan.zhihu.com/p/2027411504710922571 论文链接：https://arxiv.org/abs/2601.03824 项目代码：https://github.com/CVL-UESTC/IDESplat 分享我们最近的一篇关于 Generalizable 3D Gaussian Splatting ...

来源：公众号“机器之心” 原文链接：https://mp.weixin.qq.com/s/K8Hnh3bp-mnzJRDZvbaShw 近年来，3D Gaussian Splatting（3DGS）在三维视觉和图形学中展现出很强的表示与渲染能力。相比传统体素或神经辐射场，它用一组可优化的各向异性高斯来表示三维场景，既能保留连续空间结构，又能实现高速渲染。 但在医学和科学成像中，一个很自然的问...

来源：知乎“智能CV” 原文链接：https://zhuanlan.zhihu.com/p/2040370312253071756 论文：https://arxiv.org/pdf/2604.03134 代码：https://github.com/Galaxy-Knight-Lee/SD-FSMIS一、研究方向及背景 这篇论文聚焦于少样本医学图像分割，即 Few-Shot Medical I...

视频智能正从画面生成走向运动控制、动态建模、信号理解与真实场景应用。 作者丨郑佳美 编辑丨马晓宁 过去，视频生成更多是在解决“像不像”的问题：人物是否清晰，画面是否流畅，风格是否统一。但随着模型能力提升，视频真正困难的部分开始显现出来——它不是一组漂亮帧的连续播放，而是一个由时间、空间、运动、相机、光照和物理信号共同构成的动态系统。 只要模型无法理解这些隐含结构，它生成的视频就可能看似逼真，...

2026年，大厂们不再比谁的GPU多，而是比谁的算法更聪明。 作者丨陈淑瑜 编辑丨岑 峰 一个在2026年越来越难以回避的问题是：如果H100全面断供、电费账单直线飙升、训练一次大模型的成本足以买下一家创业公司，大模型的故事还讲得下去吗？ 也许顶级学术会议的论文能给大家一个新的启发。 今年的CVPR收到了四千余篇投稿，其中一个清晰的信号正在浮现：大厂不再比拼GPU数量，而是较量如何把GPU用...

3D 视觉正从重建生成，走向空间理解、动态模拟与工程化应用。 作者丨郑佳美 编辑丨岑 峰 如果说过去几年的视觉 AI 主要是在回答“模型能不能看懂一张图”，那么到 CVPR 2026，一个更清晰的趋势正在浮现：模型正在被要求理解图像背后的三维世界。 二维图像只是现实世界在某个视角下的投影，真正困难的地方不在于生成一张看起来合理的画面，而在于模型能否理解物体的空间结构、相机运动、材质光照、物理...

2025 年到 2026 年，如果要问生成式 AI 领域最值得关注的研究方向，流匹配（Flow Matching） 是一个无法绕开的答案。 从去年起，这个名字开始频繁出现在顶会论文里、被工业界反复讨论、被拿来和统治了图像生成领域长达五年的扩散模型正面比较。 所谓流匹配，本质上是用常微分方程路径（ODE path）替代扩散模型的随机微分方程路径，让数据从噪声到图像的转变不再依赖数百步迭代，从而...

过去几年，视觉生成与视觉理解领域的技术推进，整体上始终沿着一条相对明确的路径展开：当一套建模范式被验证有效之后，后续的大量工作往往都会围绕这套既有框架持续做模型扩容、训练增强、采样优化与局部模块修补，以此换取更高的性能上限。 无论是扩散生成、视频 world model，还是动作建模与视觉匹配，主流研究在很长时间里都更多表现为对既有系统的持续加固，而不是对底层假设本身的重新审视。 但从今年 ...