DualCoT-VLA通过并行推理实现视觉-语言-动作模型的视觉语言思维链，提升复杂任务的执行效率。

Zhide Zhong, Junfeng Li, Junjie He 等

3D-Layout-R1通过场景图推理实现语言指导的空间布局编辑，IoU提升15%，中心距离误差减少25%。

Haoyu Zhen, Xiaolong Li, Yilin Zhao 等

LumosX通过关系自注意力和跨注意力实现个性化视频生成，提升面部属性对齐。

Jiazheng Xing, Fei Du, Hangjie Yuan 等

VideoSeek通过视频逻辑流主动寻找关键证据，减少93%帧使用，提升LVBench准确率10.2个百分点。

Jingyang Lin, Jialian Wu, Jiang Liu 等

VEGA-3D利用视频生成模型的隐式3D先验，提升场景理解能力。

Xianjin Wu, Dingkang Liang, Tianrui Feng 等

Matryoshka Gaussian Splatting (MGS) 提供连续细节层次控制，保持全容量渲染质量。

Zhilin Guo, Boqiao Zhang, Hakan Aktas 等

MonoArt通过渐进结构推理实现单目3D重建，提升了PartNet-Mobility数据集上的重建精度和推理速度。

Haitian Li, Haozhe Xie, Junxiang Xu 等

MoTok方法在HumanML3D上将轨迹误差从0.72 cm降至0.08 cm，FID从0.083降至0.029。

Chenyang Gu, Mingyuan Zhang, Haozhe Xie 等

SAMA通过语义锚定和运动对齐实现指令引导的视频编辑，显著提升编辑精度和运动一致性。

Xinyao Zhang, Wenkai Dong, Yuxin Song 等

EffectErase通过逆向学习实现高质量视频对象移除与插入，基于VOR数据集。

Yang Fu, Yike Zheng, Ziyun Dai 等

基于光谱特性的逐像素扩散噪声调度提高了低步数生成质量。

Carlos Esteves, Ameesh Makadia

DriveTok通过3D可变形交叉注意力实现多视角重建和理解，在nuScenes数据集上表现出色。

Dong Zhuo, Wenzhao Zheng, Sicheng Zuo 等

DreamPartGen通过协同潜在去噪实现语义基础的部分级3D生成，几何保真度提高53%。

Tianjiao Yu, Xinzhuo Li, Muntasir Wahed 等

研究发现状态空间模型(SSM)作为视觉编码器在VLM中表现优于视觉变压器(ViT)，尤其在VQA和定位任务中。

Shang-Jui Ray Kuo, Paola Cascante-Bonilla

ARIADNE利用DPO和RL实现冠状动脉造影分析，中心线Dice达到0.838。

Zhan Jin, Yu Luo, Yizhou Zhang 等

提出Spatio-Temporal Token Scoring (STTS)，在不影响性能的情况下提高视频视觉语言模型效率62%。

Jianrui Zhang, Yue Yang, Rohun Tripathi 等

Loc3R-VLM通过单目视频输入实现语言定位和3D推理，表现优于现有方法。

Kevin Qu, Haozhe Qi, Mihai Dusmanu 等

LoST通过语义显著性排序3D形状的token，实现高效的自回归3D生成，仅需0.1%-10%的token。

Niladri Shekhar Dutt, Zifan Shi, Paul Guerrero 等

通过Chain-of-Steps机制，视频生成模型在扩散去噪步骤中展现推理能力。

Ruisi Wang, Zhongang Cai, Fanyi Pu 等

MessyKitchens通过MOD算法实现了高精度的单目3D场景重建，显著提升了物体间接触的物理合理性。

Junaid Ahmed Ansari, Ran Ding, Fabio Pizzati 等