来源：深蓝具身智能 原文链接：https://mp.weixin.qq.com/s/KSF-DndHNSau02ZYBMCT8Q 懂物理的3D世界模型，才有资格谈动态操控——高速动态任务场景 不可否认，VLA与视频世界模型在静态或准静态任务上已取得显著进展。 而在真实产线、日常服务场景中的目标往往处于持续运动状态——传送带上的工件、旋转货架上的货品、投掷而来的球体…… 这些动态物体的通用操作...

来源：量子位（QbitAI） 原文链接：https://mp.weixin.qq.com/s/fgnisGlSYBEYCcJLZZ00lg 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持续更新”。 ...

来源：多模态信息融合 原文链接：https://mp.weixin.qq.com/s/QjD1bmw0Bvoga3Jx6BpHOQ01｜引言多曝光融合的目的就是把同一个场景下的不同曝光的照片的优点结合起来，使得高光不过曝、暗部有层次、运动的地方没有拖影。但是真实的设备不会一直用固定的方式去拍摄：在夜晚、逆光或者是室内和室外交接的地方，可能需要两帧、三帧甚至是五帧的数据来完成一次融合。 现有的...

来源：MIPLatPKU 原文链接：https://mp.weixin.qq.com/s/uC9T-Rf_AZJlWdOw9OvxbQ导语本文介绍北京大学MIPL彭宇新教授团队录用于ECCV 2026的2篇论文，研究细粒度多图感知和人与物体交互检测。 第19届欧洲计算机视觉会议，英文全称 The 19th European Conference on Computer Vision (ECC...

来源：全民AI学习 原文链接：https://mp.weixin.qq.com/s/8dpeFwBhkxawr2o1pUo-kg 该论文的第一作者和通讯作者均来自北京大学王选计算机研究所，共同第一作者为博士生雷廷和实习生刘佳林，通讯作者为博士生导师刘洋。团队近年来在 TPAMI、IJCV、CVPR、ICML 等顶会上有多项代表性成果发表，多次荣获国内外多模态理解与生成竞赛冠军，和国内外知名高...

来源：我爱计算机视觉 原文链接：https://mp.weixin.qq.com/s/3xekNy_ObCYtS2-mFkos1g 扩散Transformer（Diffusion Transformers, DiT）如今已成为高保真视觉生成领域的黄金标准，像广为人知的 FLUX.1 和 HunyuanVideo 等模型，其生成效果确实令人惊叹。然而，这种惊艳效果的背后，是极其高昂的推理延迟—...

来源：我爱计算机 原文链接：https://mp.weixin.qq.com/s/QaJ-STPtVDLPX-4j-1UuCg?scene=1 在复杂现实场景下的半监督视频目标分割（Semi-supervised Video Object Segmentation, VOS）任务中，严重遮挡、目标频繁消失与重现、微小尺度以及密集同类干扰物等极端情况，长期困扰着现有的视觉模型。尽管以 SAM3...

来源：多模态视觉 原文链接：https://mp.weixin.qq.com/s/9DDw5LZTBdYIR64l0lM2Bg 在遥感、无人机和港口画面里，目标大多是斜着的，水平检测框会框进一大堆背景，旋转框又因为角度周期性而难训、难收敛。中科大联合华为、清华提出的 RiO-DETR 把端到端旋转 DETR 第一次推进实时区间——最轻量模型只有 4.0M 参数、T4 上端到端延迟 2.7ms...

来源：林叔说事 原文链接：https://mp.weixin.qq.com/s/dF_niCtYfqjwld2AKRJwVw 拿起手机，对着你的房间随手录一段10秒钟的视频。 几分钟后，屏幕里出现了一个活生生的三维物理世界，原先的像素录像成了可以交互的场景。 桌子、椅子、花盆、甚至一只正在扑腾翅膀的鹦鹉，全都被拆解成了独立的实体网格。 你可以把一台虚拟机械臂丢进去：推一把花盆，花盆会顺着桌面...

来源：机器之心 原文链接：https://mp.weixin.qq.com/s/HT6AMtSUoKPSpEKI2TLy5Q 文本指令驱动的视频编辑技术正在从离线内容生产走向直播特效、视频会议和增强现实等在线交互场景。 然而，高质量的视频扩散模型的通常依赖于对完整视频进行双向时空注意力处理，即模型需要等待未来帧到齐，再对整段视频进行联合处理。这种范式能够获得较好的编辑结果，却难以满足低延迟、...