Vision Research Tracker

关键创新点：

• 物理感知图像编辑：引入Latent Transition Priors实现从静态到动态的转变
• 方法焦点：潜在空间过渡先验驱动物理一致性编辑
• 研究价值：arXiv热点论文，适用于CV动态建模前沿跟踪

OmniGAIA推出全新多模态基准与代理，桥接视频、音频、语言推理差距：

• 360任务基准：聚焦真实场景复杂工具执行与多跳推理
• OmniAtlas代理：主动感知，选择性分析媒体片段，集成工具推理
• 事件图管道：跨模态发现缺失证据、遍历逻辑路径，推动原生omni-modal交互
  arXiv: https://arxiv.org/abs/2602.22897 | GitHub: https://github.com/RUC-NLPIR/OmniGAIA

• Meta AI 发布 视频世界模型物理解释 论文，首批视频编码器解释性研究之一
• V-JEPA 2 展现 丰富反直觉行为，包括 脑-like 群体码 和 高维操控
• 为 CV 视频模型内部机制提供全新视角，推动基础研究与复现

动态3D表面重建前沿趋势凸显：

• Neu-PiG采用神经预条件网格，实现长序列快速动态表面重建。
• tttLRM (CVPR 2026)将多视图照片转为高质量3D高斯溅射，新增视图时持续精炼3D。
• arXiv日选与顶会结合，神经网格+自回归式管道正重塑高效重建范式，值得跟踪实验设计与复现。

想象力有助于视觉推理，但尚未在latent空间中实现。 这揭示了当前方法的机制潜力与关键局限，为CV研究指明gap。

VLM/VL 方法创新

• 🔥 VecGlypher: CVPR 2026 接受论文 VecGlypher 将字体生成视为语言建模问题，利用 LLM 从文本/图像生成可编辑矢量字体，揭示顶级 LLM 在 SVG 几何数据与排版上的失败。
• OptMerge: OptMerge...

DyaDiT提出多模态扩散Transformer，用于社交友好双人手势生成；Causal Motion Diffusion模型专注自回归运动生成，彰显扩散Transformer在运动生成趋势中的关键创新。

OmniGAIA 框架指向原生全模态AI代理，聚焦多模态融合演进，欢迎论文讨论。

视觉语言模型（VLM）正成为图像/视频异常检测新热点：

• 传统视觉模型局限：仅依赖像素信息，难以捕捉图像语义特征。
• VLM优势：结合语言信息，充分利用CLIP/Qwen等基础模型的丰富预训练知识，大幅提升检测性能。
• 研究前沿：最新工作聚焦基础VLM在图像/视频异常检测的应用，值得跟踪idea与实验设计。

CVPR 2026亮点：VecGlypher教LLM“说字体”，解决SVG几何隐藏问题。

• 核心创新：视字体生成为语言建模，从文本/图像生SVG矢量字体。
• LLM局限：顶级专有模型typography失败。
• Meta实习成果，已获CVPR 26接收。

风险感知世界模型预测控制用于泛化端到端自动驾驶，优化风险控制与泛化能力。顶会级工作值得跟踪方法创新与实验设计。

新论文《The Design Space of Tri-Modal Masked Diffusion Models》探讨三模态掩码扩散模型的设计空间，欢迎加入讨论。

JAEGER聚焦模拟物理环境中联合3D音频-视觉grounding与推理：

• 强调物理模拟环境，支持多模态CV-VL前沿
• 突出可复现实验设计潜力，适合顶会跟踪
• 论文页面开放讨论，值得PhD生挖掘idea/gap

OptMerge 引入 MLLM 模型合并基准，聚焦多任务评估。

• 覆盖 VQA、Geometry、Chart、OCR、Grounding 等任务
• 研究模型合并在多模态能力统一中的表现

SeaCache提出谱演化感知缓存机制，针对扩散模型加速推理，强调效率优化与实验验证潜力。值得CV博士生关注arXiv新作。

基础CV理论优化

• 🔥 Test-Time Training with KV Binding Is Secretly Linear Attention: arXiv论文揭示Test-Time Training with KV Binding秘密等价于线性注意力。
• 🔥...

测试时训练（TTT）与KV绑定本质上是线性注意力，新工作揭示这一理论等价。

扩散二象性 Chapter II 聚焦 Ψ-Samplers 与 高效课程，探讨扩散模型采样创新。

• EgoScale 通过多样egocentric人类数据扩展灵巧操纵
• SimToolReal 提出物体中心策略实现零样本灵巧工具操纵
• 趋势意义：数据规模化+零样本方法，或推动操纵任务泛化与通用化

新兴融合趋势揭示具身智能低数据适应与实时决策：

• LAP语言-行动预训练实现零样本跨具身转移
• 条件空间世界建模优化行动生成
• 测试时反思规划助具身LLM从试错中学习
  关注此路径，前沿低资源决策潜力巨大。