索引 · llmwiki

这是视觉生成、视频理解与体育 AI 研究 wiki 的总入口。

想看长期内容目录，从这里开始；想看当前操作面板、backlog 和下一步，请转到 dashboard。

最后更新：2026-10-10 | Topics：20（8 Concept、11 Research、1 Roadmap） | Sources：338 | Entities：9 | Claims：8 | Questions：11 | 独立全文分析文件：323（#48新增CVF正式12页及视频分析，主动选图画质与信息计算/完整采集成本分开；DINOv3期刊版本待对齐，3DGS已编译55篇） | 结构化图示：61 | Topic 三层迁移完成

总览入口

知识维护 v2 试点：标准图文检索分数不足以证明组合性理解增加限定复核日期、原文证据定位与替代链字段；图文检索编译流程增加关系检索和更新影响复核。内部操作说明保存于 docs/wiki-v2-tooling.md。

docs/prompts/3dgs-research/TASK-3dgs-foundations-to-proposal — 3DGS基础学习与研究开题的历史规划；当前百篇正式论文编译以三维高斯泼溅：用户百篇定向证据协议及内部manifest为准。
三维高斯泼溅：表示、优化、几何与动态任务 — 已核五十五篇正式出版论文的公开全文版本；POp-GS区分已知候选位姿选图与完整采集成本，UVGS区分有损资产存储、画质与映射训练，GS-GS区分生成伪图、真实观测与完整成本，EvaGaussians区分事件辅助模糊重建画质与真实几何，4DGS-SLAM区分RGB-D动态地图、静态区域跟踪与完整成本，7DGS区分联合动态外观与精修开关成本，StochasticSplats区分采样、噪声与精修成本，GGS区分生成一致性与图像质量，SPFSplat区分无真值外参训练与默认内参、预训练先验，WildGS-SLAM支持动态RGB跟踪/静态建图；3D Gaussian Splatting Evidence Matrix列比较口径。

LLM Wiki — Karpathy 提出的 LLM Wiki 概念说明，也是本知识库的设计理念入口。
公开站双语层 — wiki.garyko.com/en/ 现在作为英文导航 pilot，优先读取 title_en / summary_en，中文 Markdown 仍然是唯一知识源。
docs/superpowers/specs/2026-04-12-cvpr-2025-hermes-kb-design — 第一阶段设计方案与范围界定。
AGENTS — Hermes 在本 vault 中的编译职责、工作流程与操作规则。
SCHEMA — 页面结构规范、frontmatter 要求、标签体系与 lint 检查标准。
dashboard — 当前知识库进度、backlog、优先级与下一步建议动作。
docs/evidence-audit/evidence-audit-final-report — 老师展示前的证据层审计总报告。
docs/evidence-audit/evidence-repair-status — 证据修复 pass 的 live gate 状态与 artifact 修复结果。
docs/evidence-audit/claim-semantic-audit-2026-07-10 — 三条公开 Claim 与原论文结论的一致性审计及证据重分类。
docs/evidence-audit/full-paper-deep-review-progress — 251 篇论文的全文、PDF、深分析覆盖与逐篇处理状态。
docs/evidence-audit/full-paper-deep-review-final-report — 全量深读的完成统计、结论修订、反证、证据例外与最终验证结果。
docs/topic-migration-matrix — Concept / Research / Roadmap 三层 Topic 迁移矩阵、图示目标与质量门。
docs/research-topic-quality-contract — Research Topic 从证据地图到决策就绪的四级成熟阶段、检索协议和发布质量门。
图像编辑（Image Editing）检索与综合协议 — 图像编辑试点的研究问题、范围、检索式、筛选流和阶段升级门。
图文检索（Image-Text Retrieval）检索与综合协议 — 图文检索的冻结研究问题、来源库、完整检索式、纳入/排除标准和阶段升级门。
图文检索（Image-Text Retrieval）40 篇证据矩阵 — 图文检索现有 40 篇核心论文的逐篇任务、方法、评测、结论边界和证据状态矩阵。
docs/research-monitoring/daily/2026-07-15-image-editing — 图像编辑 2025—2026 定向缺口扫描：10 个优先候选、4 个后备和 Hermes 编译队列；候选尚未进入正式证据层。
docs/research-monitoring/daily-policy — 每日最多10篇候选、1—3篇全文深读与编译，质量门后发布，失败保留收据恢复。
公开站入口：/ 为可交互研究地图，/main 为阅读入口，/catalog 为本索引的完整目录。
log — 按时间记录的 ingest、编译、修复与结构调整历史。

中文阅读路线

看当前工作状态：按 dashboard → 当前优先问题 → 下一轮推荐动作 阅读。
第一次学习机器视觉：按 计算机视觉概览与发展脉络 → 图像表示与视觉主干网络 → 分类、检测、分割、姿态与跟踪 → 数据集、评测指标与基准可靠性 阅读。
看生成基础：按 视觉生成模型基础 → 扩散模型 → 图像生成 → 生成模型评测 阅读。
看视频基础：按 视频表示、运动信息与时序建模 → 视频理解 → 体育 AI 研究路线图 阅读。
看视觉语言基础：按 图文对齐、视觉语言模型与多模态表示基础 → 图文检索（Image-Text Retrieval） → 视觉语言 阅读。
看生成式视觉主线：按 图像生成 → 图像编辑 → 视频生成 → 扩散效率工程 → DiT 与 Transformer 风格去噪器已成为主要可扩展生成主干之一 阅读。
看视频理解 / 评测主线：按 视频理解 → 生成模型评测 → 视频编辑 → 通用 Vid-LLM 在视频剪辑元素识别、推理与功能判断上仍明显不足 阅读。
看图文检索研究方向：按 图文检索（Image-Text Retrieval） → 图文检索与组合性评测集（Image-Text Retrieval Benchmarks） → 标准图文检索分数不足以证明组合性理解 → 图文检索哪个子方向最适合中等算力的研究生项目？ 阅读；先看综合判断，再回到论文 source note。
看三维高斯泼溅：按 三维高斯泼溅：表示、优化、几何与动态任务 → 3D Gaussian Splatting Evidence Matrix → 五十五篇Source 阅读，先看静态底座，再比较动态单目SLAM、无内外参前馈、已知内参前馈与已建图元精修；44条待筛、#36全文权限阻塞。
看体育 AI 主线：按 体育 AI 研究路线图 → 体育 AI 视频理解 → 羽毛球挥拍动作纠正 demo 应如何定义 → SportsMOT 阅读。
看图像生成与编辑的一体化路线：按 图像生成 → 图像编辑 → 图像生成与编辑统一建模 → 统一图像模型已显示多任务与工作流优势，整体性能优势仍待验证 阅读。
直接查论文：从下面的 论文来源 区块按中文简介筛选，再进入对应 source note。

主题页

基础概念（Concept）

计算机视觉概览与发展脉络 — 从输入、表示、任务输出和证据理解现代计算机视觉。
图像表示与视觉主干网络 — CNN、U-Net、ViT、层级 Transformer、GCN 与 SSM 的表示与选型。
分类、检测、分割、姿态与跟踪 — 分类、检测、分割、姿态和跟踪的输出边界、流程与指标。
视觉生成模型基础 — VAE、GAN、自回归、规范化流和扩散的生成基础。
扩散模型 — 从前向加噪、逆过程、去噪主干到求解器理解扩散。
视频表示、运动信息与时序建模 — RGB、光流、3D 卷积、视频 token、骨架和轨迹表示。
图文对齐、视觉语言模型与多模态表示基础 — 双塔对齐、跨模态融合、生成目标、数据与组合性。
数据集、评测指标与基准可靠性 — 数据来源、IS/FID/CLIPScore、诊断基准和人评协议。

研究专题（Research）

三维高斯泼溅：表示、优化、几何与动态任务 — 三维高斯泼溅四十六篇正式全文证据地图；百篇定向计划持续筛选。

扩散效率工程 — 扩散效率工程主线，整理 backbone、采样提速、部署压缩与 guidance 工程化。
生成模型评测 — 生成模型评测方式、基准设计、盲点，以及证据质量问题。
图像编辑 — 图像编辑主题，关注指令编辑、控制能力、保真度和推理效率。
图像生成 — 图像生成主题，覆盖图像合成、编辑一体化、可控性与条件机制。
体育 AI 视频理解 — 体育 AI 视频理解主题，聚焦球员跟踪、人-人交互、全场轨迹与多智能体状态理解。
视频编辑 — 视频编辑主题，关注文本驱动编辑、时序一致性、保真度与评测。
视频生成 — 视频生成主题，关注长时生成、运动控制、速度与一致性。
视频理解 — 视频理解主题，聚焦时序推理、长上下文建模与视频评测问题。
视觉语言 — 视觉-语言主题，聚焦多模态条件控制、对齐与语言驱动推理。
图文检索（Image-Text Retrieval） — 图文检索主题，覆盖双塔、细粒度对齐、组合式查询、统一向量、数据质量与评测可靠性。

应用与研究路线（Roadmap）

体育 AI 研究路线图 — 体育 AI 研究路线图，把感知、跟踪、轨迹、比赛状态、规则、训练反馈与止损条件组织成可执行路径。

论文来源

自监督视觉表示与 DINO 家族

DINO：自蒸馏学习视觉 Transformer 表示 — ICCV 2021；跨视图自蒸馏，官方主文及补充全文。
DINOv2：可迁移的自监督视觉特征 — TMLR 2024-01；通用冻结视觉特征，带期刊页眉作者稿全文与版本边界。
DINOv3：稳定密集特征的视觉基础模型 — TMLR 2026-05 正式身份已核；作者稿全文分析，期刊全文版本对齐待核。

三维高斯泼溅基础与少视图重建（正式身份/全文已核）

3D Gaussian Splatting：从稀疏点到实时新视角渲染 — 原始3DGS，ACM TOG/SIGGRAPH 2023；逐场高斯与快速渲染。
Mip-Splatting：跨尺度采样与三维高斯抗混叠 — Mip-Splatting，CVPR 2024；3D/2D滤波与跨尺度抗混叠。
2D Gaussian Splatting：用三维中的二维高斯圆盘重建表面 — 2DGS，SIGGRAPH 2024；二维圆盘表面与几何/RGB取舍。
3DGS as MCMC：用高斯重定位改写密度控制 — 3DGS as MCMC，NeurIPS 2024；随机点初始化、重定位与成本。
pixelSplat：从已标定图像对前馈预测三维高斯 — pixelSplat，CVPR 2024；已标定双视前馈概率深度。
MVSplat：匹配代价体驱动的前馈三维高斯 — MVSplat，ECCV 2024；平面扫描代价体与跨场景比较。
LangSplat：高斯语言特征与三级语义查询 — LangSplat，CVPR 2024；SAM/CLIP语义监督、高斯查询和全成本边界。
PhysGaussian：让高斯同时参与仿真与渲染 — PhysGaussian，CVPR 2024；指定材料/力的MPM仿真与真实物性证据边界。
FastGS：多视误差驱动的增密、剪枝与训练加速 — FastGS，CVPR 2026；多视误差点管理与同卡速度—质量取舍。
Turbo-GS：稀疏像素渲染与高斯预算控制 — Turbo-GS，CVPR 2026；4K稀疏像素监督/动态预算与模型体积。
Faster-GS：训练实现拆账与数值稳定性 — Faster-GS，CVPR 2026；反传/优化器/内核拆账与峰显存。
SpeeDe3DGS：动态高斯时间剪枝与运动分组 — SpeeDe3DGS，CVPR 2026；动态时间剪枝、SE(3)分组与跨GPU成本边界。
MoVieS：有位姿单目视频的前馈动态高斯与运动建模 — MoVieS，CVPR 2026；有位姿动态视频前馈、NVS/运动对照与多卡训练成本。
iLRM：多视紧凑视角token反复吸收高分辨率图像 — iLRM，CVPR 2026；多视视角token、同输入前馈对照与相机误差。
Uni3R：无外参多视图的几何与语言语义联合高斯 — Uni3R，CVPR 2026；带内参无外参语义高斯、教师依赖和主表反证。
PhysGM：单图预测物性高斯并模拟4D动态 — PhysGM，CVPR 2026；单图物性高斯、伪标物性与人评对照冲突。
REALM：多视大模型推理定位与高斯实例编辑 — REALM，CVPR 2026；已有高斯上的隐式语言分割与多工具编辑成本。
Diff4Splat：视频扩散生成可变形高斯场 — Diff4Splat，CVPR 2026；单图扩散生成时变高斯与质量—速度取舍。
Off The Grid：按图像局部结构预测亚像素高斯 — Off The Grid，CVPR 2026；无给定相机、亚像素图元定位与VGGT教师。
EcoSplat：按目标图元数条件化前馈高斯 — EcoSplat，CVPR 2026；指定图元K、两阶段条件化筛选与跨域画质。
tttLRM：快权重记忆驱动长序列高斯重建 — tttLRM，CVPR 2026；已知相机长视序列的快权重及因果重建。
BrepGaussian：从多视图2DGS到参数化CAD边界 — BrepGaussian，CVPR 2026；多视图2DGS边/面片特征与CAD参数拟合。
GaussianDWM：驾驶语言高斯连接理解与生成 — GaussianDWM，CVPR 2026；LiDAR建场与语言高斯连接驾驶理解和RGB-D生成。
TT-Occ：测试时高斯构造与语义占据 — TT-Occ，CVPR 2026；测试时视觉教师/高斯体素化与语义占据。
Let it Snow!：物理引导的动态天气高斯编辑 — Let it Snow!，CVPR 2026；MPM+视频SDS的动态天气与预建图成本。
HyperGaussians：高维条件高斯驱动的面部头像 — HyperGaussians，CVPR 2026；面部条件高维高斯、表情追踪与渲染成本。
Changes in Real Time：在线多视场景变化检测与高斯更新 — Changes in Real Time，CVPR 2026；在线多视变化检测与事后场景更新。
GlobalSplat：全局场景token预测紧凑高斯 — GlobalSplat，ECCV 2026；有位姿多视token的固定容量前馈与域外反证。
Matryoshka Gaussian Splatting：按前缀长度选择高斯预算 — Matryoshka Gaussian Splatting，ECCV 2026；逐场训练连续预算前缀与高预算画质取舍。
WildSplat：无位姿野外照片的外观条件高斯 — WildSplat，ECCV 2026；无外参外观条件前馈与半幅参考协议。
CoMe：用置信度和方差约束从高斯提取网格 — CoMe，ECCV 2026；置信度网格、不确定性与数据预处理反证。
GAINS：稀疏视图的几何—材质—光照逆渲染 — GAINS，ECCV 2026；稀疏已标定视图材质逆渲染、预训练先验与真实GT缺口。
MetroGS：多卡分布式二维高斯的大场景几何重建 — MetroGS，CVPR 2026；四卡城市场景2DGS几何、分阶段深度与TSDF成本。
GPERT：事件相机的逐事件几何与单快照光度高斯追踪 — GPERT，CVPR 2026；有位姿事件流的几何/光度分支及彩色反证。
B³-Seg：已有高斯资产的主动视角二值分割 — B³-Seg，CVPR 2026；已有高斯资产主动视角分割与预训练教师成本。
AeroDGS：单目航拍动态高斯的地面与轨迹约束 — AeroDGS，CVPR 2026；单目动态航拍的地面/轨迹约束与长航线局限。
RAP：高斯属性驱动的跨场景图元重要性估计 — RAP，CVPR 2026；已建高斯的重要性预测与训练中室内感知退化。
Splatent：潜空间高斯的新视角参考视图补细节 — Splatent，CVPR 2026；已知相机潜空间高斯和参考视图细节修复。
3DGUT：畸变相机高斯无迹投影与混合次级光线 — 3DGUT，CVPR 2025；畸变相机无迹投影与混合次级光线。
Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速 — Speedy-Splat，CVPR 2025；精确tile覆盖与高斯裁剪，联审画质退化。
gsplat：高斯泼溅实验的可微渲染库与工程基线 — gsplat，JMLR 2025；可微库基线、增密策略与显存口径。
DepthSplat：单目先验与多视匹配互促深度及高斯重建 — DepthSplat，CVPR 2025；单目特征/多视匹配与渲染深度预训练。
NoPoSplat：稀疏无外参图像的统一参考系高斯重建 — NoPoSplat，ICLR 2025 Conference；已知内参、无输入外参的首视坐标高斯与评测对齐边界，Oral声明待核。
SplatFormer：用点Transformer精修已建高斯的域外视角 — SplatFormer，ICLR 2025 Conference；已建高斯的点Transformer域外精修、近视角反例与预处理/训练/建图分账。
FreeSplatter：无输入相机参数的稀疏视图高斯与位姿恢复 — FreeSplatter，ICCV 2025；无输入内外参、共享焦距/PnP位姿，训练深度/相机真值与Re10K跨域反证。
WildGS-SLAM：动态环境单目跟踪与静态高斯建图 — WildGS-SLAM，CVPR 2025；动态RGB单目SLAM的在线不确定性跟踪与静态高斯建图，完整序列FPS及背景不可见失败边界。
POp-GS：用不确定性选择下一张照片 — CVPR2025；已有地图指导下一视角，块对角估计画质和信息计算成本存在取舍，非完整路径规划验证。
UVGS：把高斯资产展开成二维张量 — CVPR2025；高斯资产球面展开与学习压缩，99.5%存储减少伴随画质损失，冻结AE之外仍有映射/扩散训练成本。
Generative Sparse-View Gaussian Splatting：生成先验辅助少视角重建 — CVPR2025；已知相机的生成伪图与逐场LoRA交替优化，静态及同步多机位动态画质改善；真实几何与完整效率待核。
EvaGaussians：事件流辅助模糊图像重建 — ICCV2025；事件流辅助模糊RGB静态重建，正式身份与作者v3版本分开记录；真实真值/指标冲突/全链成本待核。
4D Gaussian Splatting SLAM：保留动态地图的RGB-D定位建图 — ICCV2025；RGB-D动态地图与相机跟踪，光流收益依赖静动态分离；完整速度与最终稿差异待核。
7DGS：联合时间与观察方向的高维高斯 — ICCV2025；联合时间与方向的高维动态表示，完整/无精修画质与速度分开；作者v1最终稿差异待核。
StochasticSplats：用随机透明采样换掉高斯排序 — ICCV2025；随机透明采样取代排序，低采样噪声、反向成本与语义定位退化分账；作者v1最终稿差异待核。
Generative Gaussian Splatting：视频先验与三维一致性的取舍 — ICCV 2025正式身份、作者v1全文；有相机的视频先验静态场生成，一致性/画质取舍、深度监督和精修分账，最终版差异待核。
SPFSplat：训练与推理均不输入真值外参的稀疏高斯重建 — SPFSplat，ICCV 2025；主训练及推理无真值外参，默认内参与MASt3R先验、EPA比较权限及DTU反例须分账；既有发布收据已核实。

前馈生成的质量—速度与评测完整性

GigaGAN：大规模前馈生成与质量—速度边界 — GigaGAN；CVPR 2023；大规模GAN、低延迟与结构失败并存，保留正式/扩展版差异、非单调消融、训练成本及图像—caption分母审计边界。

生成评测的表征与记忆负对照

DGM-Eval：生成评测的表征偏差、人评边界与记忆混杂 — DGM-Eval；NeurIPS 2023；DINOv2/FID与人评错序、类内多样性及记忆混杂，保留模型级统计单位、事后筛选与正式版本口径冲突。

图像编辑偏好、覆盖与实现边界

AugCLIP：上下文自适应的编辑保持与修改评测 — AugCLIP；CVPR 2025；上下文自适应评分、成功预筛的人评边界、SC/GPT-4V反胜及固定demo的特征更新/归一化审计，不据此改写正式榜单。

推理检索与源图划分审计

RMIR：推理密集型多模态图像检索与来源隔离边界 — RMIR；CVPR 2026；功能/时序/因果检索，核验850个训练—测试共享源图路径及TSR补齐边界；区分后续微调风险与未被证明的原榜单泄漏。

跨事件语义绑定与指标退化

ELV-Halluc：跨事件语义绑定与幻觉诊断 — ELV-Halluc；CVPR 2026；跨事件负例与DPO配置取舍，新增固定代码/数据的输入缺字段、答案解析、全同回答退化及完美预测除零审计。

体育交互跟踪与失败分母

InteractTrack：动态目标跟踪与人机交互的测量边界 — InteractTrack / IMAT；CVPR 2026；动态目标与纠偏评测，核实实现含0.5阈值，补充零框/缺行分母单元反例与人机成本边界，不把回放分数当真实用户收益。

量化与缓存的组合误差

Q&C：量化与缓存的组合误差及修复边界 — ICLR 2026；同NFE组合失效与TAP/VC修复，保留低比特掉质、不同速度分母、8.18小时校准及代码不可访问的边界。

流式视频的回退、动态与记忆边界

LoL：缓解流式视频的汇聚帧回退，不等于解决长期记忆 — CVPR 2026；多头RoPE扰动改善汇聚帧回退—动态取舍，区分100秒主表与12小时演示，保留表间基线口径及代码未发布的边界。

视频编辑评测的覆盖与复现边界

IVEBench：指令式视频编辑的多轴评测与复现边界 — ICLR 2026；质量/服从/保持多轴诊断，Long抽帧与OOM分母、人评统计单位，以及正式公式与公开CLI的版本差异。

视觉定位与拒答取舍

GroundingME：复杂视觉定位与拒答的能力边界 — CVPR 2026；困难定位与拒答评测，负例微调的域外正例/总分代价；补齐多IoU、人类验证、坐标接口与印表冲突审计。

统一条件与组合泛化边界

Composer：可组合条件的统一图像合成 — ICML 2023；统一八类条件与dropout消融，区分组合式使用、单/双条件外推尝试、严格泛化缺口与冲突仲裁。

生成评测与引导强度反证

Guidance Matters：引导强度如何扭曲图像生成评测 — ICLR 2026；有效CFG与NFE匹配揭示偏好代理优势边界，保留剩余效果、表5重复及缺独立人评的局限。

图像编辑评审器反证

EditInspector：图像编辑评审器的漏检与幻觉 — ACL 2025 Long Papers；主差异识别不等于细节覆盖，补充人工κ、匹配器耦合、指标分母和来源级独立性审计。

图文检索训练效率与反证

MuCo：共享视觉上下文的多轮对比学习 — CVPR 2026；共享视觉上下文的多轮对比训练，补充整体均分下的CIRR退化、同源负例屏蔽与成本口径限制。

机器视觉基础概念补证（2026-07-14）

ImageNet Classification with Deep Convolutional Neural Networks：AlexNet 与深度视觉转折 — NeurIPS 2012；大规模数据、GPU 与深卷积表示的转折节点。
Deep Residual Learning for Image Recognition：ResNet 与残差学习 — CVPR 2016；用残差连接缓解深层网络优化退化。
Swin Transformer：移位窗口与层级视觉 Transformer — ICCV 2021；以移位窗口和层级特征适配高分辨率密集任务。
A ConvNet for the 2020s：ConvNeXt 与现代卷积主干 — CVPR 2022；现代纯卷积主干对“注意力唯一性”的结构对照。
Faster R-CNN：共享特征的区域提议网络 — NeurIPS 2015；共享特征 RPN 与两阶段目标检测。
Fully Convolutional Networks for Semantic Segmentation：全卷积语义分割 — CVPR 2015；全卷积逐像素语义分割。
U-Net：编码器—解码器与跳跃连接的医学图像分割 — MICCAI 2015；编码器—解码器与同尺度跳跃连接。
Mask R-CNN：实例分割与 RoIAlign — ICCV 2017；实例分割、并行 mask 分支与 RoIAlign。
Auto-Encoding Variational Bayes：变分自编码器与重参数化 — ICLR 2014；摊销变分推断与重参数化潜变量。
Generative Adversarial Nets：生成对抗网络 — NeurIPS 2014；生成器—判别器对抗学习。
Pixel Recurrent Neural Networks：像素级自回归图像建模 — ICML 2016；像素级自回归条件分解。
Glow：可逆 1×1 卷积的生成流模型 — NeurIPS 2018；可逆 1×1 卷积与规范化流。
Two-Stream Convolutional Networks for Action Recognition：RGB 与光流双流视频表示 — NeurIPS 2014；RGB 外观与光流运动的双流视频表示。
Quo Vadis, Action Recognition?：I3D、Kinetics 与 3D 视频预训练 — CVPR 2017；2D 滤波器时域膨胀与 Kinetics 视频预训练。
Improved Techniques for Training GANs：Inception Score 的来源与边界 — NeurIPS 2016；Inception Score 的来源与分类器代理边界。
GANs Trained by a Two Time-Scale Update Rule：FID 的来源与边界 — NeurIPS 2017；FID 特征分布距离的来源与有限样本边界。
CLIPScore：基于 CLIP 的无参考图文评测 — EMNLP 2021；基于 CLIP 的无参考图文一致性评测。

扩散模型奠基补证（2026-07-14）

Denoising Diffusion Probabilistic Models：现代去噪扩散模型的关键基线 — NeurIPS 2020；建立现代高质量图像扩散的噪声预测训练与离散反向采样基线。
Score-Based Generative Modeling through Stochastic Differential Equations：分数模型的连续时间统一框架 — ICLR 2021；用连续时间 SDE/ODE 统一 DDPM、分数模型、采样与似然计算。

图文检索专题（2026-07-14）

ALIGN：用噪声文本监督扩展视觉与视觉语言表示学习（Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision） — ICML 2021；用噪声文本监督扩展视觉与视觉语言表示学习。
FILIP：细粒度交互式语言-图像预训练（Fine-grained Interactive Language-Image Pre-Training） — ICLR 2022；用 patch-token late interaction 做细粒度图文预训练。
ALBEF：先对齐再融合（Align before Fuse） — NeurIPS 2021；把双塔对齐与 cross-encoder 融合拆成先对齐再融合。
BLIP：用自举式图文预训练统一视觉语言理解与生成（Bootstrapping Language-Image Pre-training） — ICML 2022；用自举式 caption 过滤和多任务预训练统一理解与生成。
CoCa：对比式图像描述器作为图文基础模型（Contrastive Captioners are Image-Text Foundation Models） — TMLR 2022 / arXiv；把对比学习与 caption decoder 组合成图文基础模型。
SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training） — ICCV 2023；用 sigmoid loss 改写图文对比训练，减少全局 batch 配对依赖。
LAION-5B：用于下一代图文模型的开放大规模数据集（An open large-scale dataset for training next generation image-text models） — NeurIPS 2022 Datasets and Benchmarks；开放大规模图文数据集与过滤管线。
DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets） — NeurIPS 2023 Datasets and Benchmarks；在固定计算预算下系统比较数据构造与过滤。
ARO：视觉语言模型何时像词袋，以及如何改进（When and why vision-language models behave like bags-of-words） — ICLR 2023；用属性、关系和计数诊断视觉语言模型的词袋捷径。
Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality） — CVPR 2022；用成对图文和交换关系测试视觉语言组合性。
SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks） — NeurIPS 2023 Datasets and Benchmarks；修复可被文本捷径攻破的组合性 benchmark。
FashionIQ：用自然语言反馈检索图像（A New Dataset Towards Retrieving Images by Natural Language Feedback） — CVPR 2021；用参考图像和自然语言反馈进行服饰组合式检索。
CIRR：用预训练视觉语言模型检索真实世界图像（Image Retrieval on Real-life Images） — ICCV 2021；在真实世界图像上进行组合式图像检索。
SEARLE：用文本反演做零样本组合式图像检索（Zero-Shot Composed Image Retrieval with Textual Inversion） — ICCV 2023；用文本反演和多真值 CIRCO 推进零样本组合式检索。
UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers） — ECCV 2024；用 instruction 与 M-BEIR 统一多个多模态检索任务。
VLM2Vec：把视觉语言模型训练成通用多模态向量模型（Training Vision-Language Models for Massive Multimodal Embedding Tasks） — ICLR 2025；把视觉语言模型训练成通用多模态向量模型。
多语言多样性改善视觉语言表示（Multilingual Diversity Improves Vision-Language Representations） — NeurIPS 2024；研究多语言与地域多样性对视觉语言表示的影响。
ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models） — ICLR 2025；用页面多向量与 late interaction 做视觉文档检索。
No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能 — NeurIPS 2024；从概念频率和预训练重叠角度审计 zero-shot 结论。
有效的条件式与组合式图像检索：结合 CLIP 特征（Effective Conditioned and Composed Image Retrieval Combining CLIP-Based Features） — CVPR 2022；用轻量组合器融合 CLIP 图像与修改文本特征，建立监督式 CIR 强基线。
Pic2Word：把图片映射成词，用于零样本组合式图像检索（Mapping Pictures to Words for Zero-shot Composed Image Retrieval） — CVPR 2023；把参考图映射为伪词并接入 CLIP 文本空间进行组合式检索。
多边语义关系建模用于图文检索（Multilateral Semantic Relations Modeling for Image Text Retrieval） — CVPR 2023；用概率 embedding 与超图关系建模一对多图文匹配。
ViLEM：图文检索的视觉—语言错误建模（Visual-Language Error Modeling for Image-Text Retrieval） — CVPR 2023；用词级错误检测、纠正与可信负例增强双编码器细粒度语义。
COLA：组合式文本到图像检索基准（A Benchmark for Compositional Text-to-image Retrieval） — NeurIPS 2023 Datasets and Benchmarks；从组合性与语言捷径角度评测视觉语言模型。
文本—图像组合式检索的鲁棒性基准（Benchmarking Robustness of Text-Image Composed Retrieval） — NeurIPS 2023 R0-FoMo Workshop；分析 composed image retrieval 的鲁棒性与失败模式。
LinCIR：仅用语言高效训练零样本组合式图像检索（Language-only Efficient Training of Zero-shot Composed Image Retrieval） — CVPR 2024；仅用文本自遮蔽投影训练零样本组合式图像检索。
KEDs：知识增强的双流零样本组合式图像检索（Knowledge-Enhanced Dual-stream Zero-shot Composed Image Retrieval） — CVPR 2024；用知识增强与语义组合推进零样本 CIR。
如何让 Cross Encoder 成为高效图文检索的好教师？（How to Make Cross Encoder a Good Teacher for Efficient Image-Text Retrieval?） — CVPR 2024；用有效 hard negative 的 cross-encoder 排序蒸馏高效双塔。
单 GPU 上的数据高效多模态融合（Data-Efficient Multimodal Fusion on a Single GPU） — CVPR 2024；在冻结单模态特征空间中做跨模态混合，研究低数据、单 GPU 对齐。
MobileCLIP：通过多模态强化训练得到快速图文模型（Fast Image-Text Models through Multi-Modal Reinforced Training） — CVPR 2024；面向移动端效率优化 CLIP 的图文 embedding。
一张图胜过 77 个文本 token：在密集描述上评估 CLIP 类模型（A Picture is Worth More Than 77 Text Tokens） — CVPR 2024；以密集描述和局部 mask 检查 CLIP 类模型的细粒度区域对齐。
E5-V：使用多模态大语言模型的通用 embedding（Universal Embeddings with Multimodal Large Language Models） — arXiv；将视觉信息接入 E5 风格的通用多模态 embedding。
VisRAG：面向多模态文档的视觉检索增强生成（Vision-based Retrieval-augmented Generation on Multi-modality Documents） — ICLR 2025；直接对文档页面图像做视觉检索增强生成。
MIEB：大规模图像 embedding 评测基准（Massive Image Embedding Benchmark） — ICCV 2025；用 38 种语言、130 个任务统一评测图像与图文 embedding。
SigLIP 2：具有更强语义理解、定位与 dense features 的多语言视觉语言编码器 — arXiv；以多语言、蒸馏、captioning 与 dense features 改进 SigLIP。
CoLLM：用于组合式图像检索的大语言模型 — CVPR 2025；用 LLM 生成组合式训练数据并提出 3.4M 样本 MTCIR。
生成式零样本组合式图像检索（Generative Zero-Shot Composed Image Retrieval） — CVPR 2025；用生成式 pseudo-target image 缩小 CIR 的表示差距。
MIRACL-VISION：大规模多语言视觉文档检索基准 — arXiv；18 语言视觉文档检索基准，显示文字密集页面的反方结果。
PinPoint：带显式负例、多图查询与改写测试的组合式图像检索评测 — CVPR 2026；用多真值、显式负例、多图 query 和 paraphrase 压力测试 CIR。

Align-A-Video：面向一致视频编辑的确定性奖励调优 — CVPR 2025；用确定性 reward tuning 提升视频编辑质量，并尽量稳住时序一致性。
AnyEdit：面向任意创意的统一高质量图像编辑 — CVPR 2025；通过大规模多类型编辑数据和任务路由做统一图像编辑。
D²iT：用于高精度图像生成的动态扩散 Transformer — CVPR 2025；用动态区域压缩改进图像生成中的局部细节与全局一致性平衡。
DreamOmni：统一图像生成与编辑 — CVPR 2025；通过合成编辑数据扩展，把图像生成和编辑放进同一训练框架。
FADE：面向视频编辑的频率感知扩散模型分解 — CVPR 2025；借助视频扩散先验和频域调制做免训练视频编辑。
FireEdit：基于区域感知视觉语言模型的细粒度指令图像编辑 — CVPR 2025；用区域感知视觉语言 grounding 提升细粒度图像编辑。
InsightEdit：迈向更强指令跟随的图像编辑 — CVPR 2025；用更好的数据集和双流多模态引导提升指令跟随与背景保持。
LinGen：面向高分辨率分钟级文本到视频生成的线性复杂度框架 — CVPR 2025；把长视频生成的核心复杂度降到线性，冲击分钟级生成。
OmniGen：统一图像生成 — CVPR 2025；用一个更简洁的统一模型覆盖生成、编辑和视觉条件控制。
OSV：高质量图像到视频生成一步就够 — CVPR 2025；一步式 image-to-video 生成，并保留可选 refinement 作为速度-质量旋钮。
StreamingT2V：一致、动态、可扩展的长视频文本生成 — CVPR 2025；通过短期/长期记忆模块保持长视频生成的一致性。
SwiftEdit：基于一步扩散的极速文本引导图像编辑 — CVPR 2025；用一步式扩散把文本引导图像编辑加速到接近实时。
Tora：面向视频生成的轨迹导向扩散 Transformer — CVPR 2025；把轨迹作为显式条件输入，强化视频运动控制与保真度。
UniReal：通过学习真实世界动态实现通用图像生成与编辑 — CVPR 2025；把图像生成和编辑统一重写成非连续视频生成问题。
VEU-Bench：通用 Vid-LLM 的视频剪辑元素理解基准 — CVPR 2025；以 19 个任务和 49,536 个 QA 评测通用 Vid-LLM 的剪辑元素识别、推理与功能判断。
VideoDirector：借助文本到视频模型实现精确视频编辑 — CVPR 2025；通过时空解耦引导实现更精确的视频编辑与内容保留。
AIGV-Assessor：用大模型评测文本到视频生成感知质量 — CVPR 2025；用大模型和专家评分体系评测文本到视频生成的感知质量。
Encapsulated Composition：组合式文本到图像/视频模型高质量视频合成 — CVPR 2025；用 T2I 与 T2V 模块封装组合提高视频合成质量、运动平滑度与速度。
Pathways on the Image Manifold：通过视频生成做图像编辑 — CVPR 2025；把图像编辑重写为视频生成的连续路径搜索过程。
MotionStone：用 DiT 解耦运动强度调制的图像到视频生成 — CVPR 2025；用 DiT 的运动强度调制强化图像到视频生成中的结构控制。
SketchVideo：基于草图的视频生成与编辑 — CVPR 2025；以草图为核心控制接口的视频生成与编辑工作。
Video-Bench：人类偏好对齐的视频生成评测 — CVPR 2025；面向视频生成的人类对齐评测基准。
DiffEditor：以区域采样与图像提示提升细粒度扩散编辑 — CVPR 2024；提升扩散式图像编辑精度与灵活性的代表性工作。
InstructPix2Pix：用合成监督建立自然语言图像编辑接口 — CVPR 2023；早期 instruction-based image editing 的关键锚点。
Tune-A-Video：单样本调优图像扩散模型做文本到视频生成 — ICCV 2023；通过单样本调优把图像扩散模型迁移到视频生成。
VideoCrafter2：低质量视频与高质量图像协同训练的视频扩散模型 — CVPR 2024；面向高质量视频扩散模型的数据与训练方案工作。
EvalCrafter：大视频生成模型的多维评测与人工偏好校准 — CVPR 2024；大视频生成模型评测线的重要早期锚点。
FateZero：融合注意力做零样本文本视频编辑 — ICCV 2023；早期零样本文本视频编辑的重要方法锚点。
FiVE-Bench：细粒度视频编辑评测基准 — ICCV 2025；细粒度视频编辑评测基准。
DreamBooth：以少样本全模型微调实现主体驱动生成 — CVPR 2023；主体驱动生成与个性化扩散微调的重要锚点。
GLIGEN：以冻结基础模型和门控适配器实现开放集合 grounded 生成 — CVPR 2023；开放集合 grounded 文本到图像生成。
Latent Diffusion Models：高分辨率图像合成的潜空间扩散框架 — CVPR 2022；高分辨率图像生成的潜空间扩散框架。
Imagen Editor 与 EditBench：推进并评测文本引导图像修补 — CVPR 2023；把图像编辑方法与 EditBench 评测基准放到同一历史节点。
Video-P2P：用 shared-null inversion 与解耦 guidance 做 attention-control 视频编辑 — CVPR 2024；以 cross-attention control 为核心的视频编辑早期锚点。
FlashEval：用代表性 prompt 子集加速文本到图像模型评测 — CVPR 2024；面向文本到图像扩散模型的快速评测方法。
AnyDoor：训练一次的零样本对象级图像定制 — CVPR 2024；零样本对象级图像定制，补强可控生成与局部编辑路线。
MotionEditor：参考姿态驱动的人体视频运动编辑 — CVPR 2024；把视频编辑推进到运动编辑专门化阶段。
RAVE：随机噪声重排的快速一致视频编辑 — CVPR 2024；强调快速且一致的视频编辑工程路线。
文本到图像生成的可验证与可复现人工评测 — CVPR 2023；关注文本到图像生成人工评测的可验证与可复现性。
Paint by Example：以单张参考图控制局部语义编辑 — CVPR 2023；用参考示例而不是纯文本做图像编辑。
NULL-Text Inversion：用 guided diffusion 编辑真实图像 — CVPR 2023；强化真实图像扩散编辑中的 inversion 机制。
CCEdit：以结构—外观解耦实现创意可控视频编辑 — CVPR 2024；强调创意变化与可控性平衡的视频编辑。
MaskINT：关键帧扩散编辑与非自回归结构插帧的视频编辑 — CVPR 2024；用 masked transformer 走视频编辑的非扩散路线。
AIDI：以加速定点迭代改进真实图像扩散反演 — ICCV 2023；继续加速真实图像扩散反演。
Prompt Tuning Inversion：优化条件嵌入轨迹的真实图像编辑 — ICCV 2023；用 prompt tuning 改善文本驱动图像编辑反演。
FramePainter：用视频扩散先验增强交互式图像编辑 — ICCV 2025；用视频扩散先验增强交互式图像编辑。
DIVE：用 DINO 做主体驱动视频编辑 — ICCV 2025；把主体驱动路线进一步推到视频编辑。
QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入 — ICCV 2025；在 MM-DiT 中重做图像与视频编辑的 attention 注入。
InsViE-1M：通过精细数据构造实现 instruction-based 视频编辑 — ICCV 2025；通过精细数据构造强化 instruction-based 视频编辑。
VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentation — ICCV 2025；把视频编辑与视频概念推理接到同一 grounded generation 框架。
HallusionBench：视觉语言幻觉与视觉错觉诊断基准 — CVPR 2024；诊断大型视觉语言模型中的幻觉与视觉错觉。
CAMEL：面向文本驱动视频编辑的因果运动增强 — CVPR 2024；用因果运动增强提升文本驱动视频编辑。
VidToMe：用跨帧 token merging 做零样本视频编辑 — CVPR 2024；用 token merging 加速零样本视频编辑。
MotionFollower：通过 score-guided diffusion 编辑视频运动 — ICCV 2025；用 score-guided diffusion 做视频运动编辑。
Reangle-A-Video：把单目视频重演为多视角同步视频 — ICCV 2025；把 4D 视频生成重写为视频到视频翻译。
StableVideo：用 layered atlas 稳定扩散视频外观编辑 — ICCV 2023；面向一致性感知的文本驱动扩散视频编辑。
Pix2Video：利用图像扩散进行视频编辑 — ICCV 2023；利用图像扩散能力做视频编辑。
A Video is Worth 256 Bases：以时空 EM 低秩基改进零样本视频反演 — CVPR 2024；用时空 EM inversion 支持零样本视频编辑。
GlitchBench：大型多模态模型能否识别电子游戏故障 — CVPR 2024；用视频故障诊断测试多模态模型的视频理解能力。
AVID：用 Temporal MultiDiffusion 做任意长度视频修补 — CVPR 2024；基于扩散模型的任意长度视频修补。
DynVideo-E：用动态 NeRF 编辑大运动与大视角人体视频 — CVPR 2024；利用动态 NeRF 做大运动/视角变化的人体中心视频编辑。
通过多模态大模型实现语言驱动视频修补 — CVPR 2024；把多模态大模型接入语言驱动视频修补。
Imagic：以文本嵌入优化、模型微调和插值完成真实图像编辑 — CVPR 2023；扩散时代真实图像文本编辑的重要早期锚点。
LayoutDiffusion：以对象框控制像素 U-Net 的 layout-to-image 生成 — CVPR 2023；面向布局到图像生成的可控扩散模型。
MVBench：综合多模态视频理解基准 — CVPR 2024；综合性的多模态视频理解基准。
VBench：视频生成模型综合评测套件 — CVPR 2024；面向视频生成模型的综合评测套件。
Shape-aware Text-driven Layered Video Editing：用 UV 变形突破 atlas 的固定形状 — CVPR 2023；形状感知的分层文本视频编辑。
VIVE3D：多帧个性化 EG3D 的视角无关人脸视频编辑 — CVPR 2023；基于 3D-aware GAN 的视角无关视频编辑。
Fairy：用 anchor cross-frame attention 并行加速指令视频编辑 — CVPR 2024；快速并行的指令引导视频到视频合成。
FlowVid：把不完美光流作为软条件的视频编辑 — CVPR 2024；利用光流一致性做视频到视频合成。
LVBench：极长视频理解基准 — ICCV 2025；极限长视频理解基准。
SOK-Bench：结合开放世界知识的情境视频推理基准 — CVPR 2024；带开放世界知识对齐的情境视频推理基准。
ANetQA：未裁剪视频细粒度组合推理基准 — CVPR 2023；面向未裁剪视频细粒度组合推理的大规模基准。
通过形式化验证评测文本到视频模型的神经符号方法 — CVPR 2025；用形式化验证评测文本到视频模型。
STI-Bench：精确时空世界理解基准 — ICCV 2025；测试 MLLMs 精确时空世界理解能力的 benchmark。
MMMU：跨学科专家级多模态理解与推理基准 — CVPR 2024；大规模多学科多模态理解与推理基准。
MAPLM：地图与交通场景的真实世界多模态问答基准 — CVPR 2024；面向地图与交通场景理解的真实世界视觉语言基准。
ConCon-Chi：个性化视觉语言的新含义与组合性基准 — CVPR 2024；面向个性化视觉语言任务的概念-上下文嵌合基准。
ReCo：以坐标 token 和开放区域文本控制图像生成 — CVPR 2023；区域控制的文本到图像生成。
Custom Diffusion：高效单概念学习与多概念组合 — CVPR 2023；文本到图像扩散中的多概念定制。
Specialist Diffusion：少样本艺术风格扩散微调工具箱 — CVPR 2023；可插拔且样本高效的文本到图像扩散微调。
Image-specific Prompt Learning：零目标图像的生成器域适配 — CVPR 2023；通过图像特定提示学习实现零样本生成模型适配。
Domain Expansion of Image Generators：图像生成器的领域扩展 — CVPR 2023；图像生成器的领域扩展。
Wavelet Diffusion Models：在小波空间压缩少步扩散 GAN — CVPR 2023；在 DDGAN-style 少步 U-Net 中用小波空间降低 FLOPs/显存，证据不覆盖 T2I 或 DiT。
CommonCanvas：Creative Commons 数据上的开放 T2I 扩散训练 — CVPR 2024；在 Creative Commons 图像上训练的开放扩散模型。
Concept Weaver：模板引导的多概念个性化融合 — CVPR 2024；面向文本到图像模型的多概念融合。
CoDi：条件扩散蒸馏实现 1–4 步图像条件生成 — CVPR 2024；把任务条件适配与 consistency distillation 合并到 1–4 步模型训练。
CONFORM：以对比式注意力优化提升文本生成忠实度 — CVPR 2024；用对比式训练提升高保真文本到图像扩散模型。
Check, Locate, Rectify：训练免费文本到图像布局校准 — CVPR 2024；文本到图像生成的训练免费布局校准系统。
Customization Assistant：可对话的单图免微调个性化生成 — CVPR 2024；面向文本到图像生成的定制辅助系统。
Attention Calibration for Disentangled Text-to-Image Personalization：解耦式个性化注意力校准 — CVPR 2024；解耦式文本到图像个性化的注意力校准。
Condition-Aware Neural Network：以动态权重控制扩散 Transformer — CVPR 2024；面向可控图像生成的条件感知网络。
Contrastive Denoising Score：用自注意力对比正则保持编辑结构 — CVPR 2024；用对比去噪评分改进文本引导潜扩散图像编辑。
CosmicMan：面向人物的文本到图像基础模型 — CVPR 2024；面向人物的文本到图像基础模型。

All Are Worth Words：把 ViT 直接变成扩散模型主干 — CVPR 2023；用 U-ViT 证明 ViT 可以直接成为扩散模型主干。
Scalable Diffusion Models with Transformers：DiT 把 Transformer 真正坐实为可扩展扩散主干 — ICCV 2023；正式提出 DiT，并把 Transformer 主干的 scaling 优势坐实为主线证据。
ACT-Diffusion：面向一步扩散模型的高效对抗一致性训练 — CVPR 2024；用对抗一致性训练降低一步扩散的训练资源门槛。
Analyzing and Improving the Training Dynamics of Diffusion Models：EDM2 的幅值保持训练与 Post-hoc EMA — CVPR 2024；通过校正训练动力学提升扩散模型质量上限。
DeepCache：用高层特征缓存免费加速 U-Net 扩散模型 — CVPR 2024；通过缓存相邻去噪步特征做训练免费的扩散加速。

FreeU：不重训的扩散 U-Net 特征重加权 — CVPR 2024；通过重加权 U-Net 主干与跳连，在不重训的前提下提升扩散质量。
Distilling ODE Solvers of Diffusion Models into Smaller Steps：冻结去噪器的轻量求解器蒸馏 — CVPR 2024；把扩散 ODE 求解器蒸馏到更少步数版本。
On Distillation of Guided Diffusion Models：把 CFG 与采样轨迹联合蒸馏到极少步 — CVPR 2023；把 classifier-free guidance 与 progressive distillation 接到一起，推动极少步扩散采样。
Blended Diffusion：在像素扩散过程中逐步混合文本编辑前景与原图背景 — CVPR 2022；把文本驱动自然图像编辑更早地接进 diffusion 生成过程。
Diffusion Autoencoders：用语义向量与随机细节码构造可解码扩散表示 — CVPR 2022；为 diffusion 提供更可解释、可解码的语义表示层。
High-Fidelity Guided Image Synthesis：笔触约束下的 latent diffusion 测试时优化 — CVPR 2023；把 latent diffusion 上的 guidance 质量推进到更高保真。
DiffusionCLIP：CLIP 引导的 diffusion U-Net 文本图像操控 — CVPR 2022；把文本引导图像操控更早接到 diffusion 路线里。
Plug-and-Play Diffusion Features：用 U-Net 内部特征控制文本图像翻译 — CVPR 2023；把 diffusion feature 直接变成文本驱动图像翻译接口。
EDICT：用双轨耦合变换实现可逆 diffusion sampler 与真实图像编辑 — CVPR 2023；把精确 diffusion inversion 变成真实图像编辑的关键接口。
BBDM：以 Brownian Bridge 端点过程建模成对图像翻译 — CVPR 2023；把 Brownian Bridge diffusion 接成图像到图像翻译主线。
Come-Closer-Diffuse-Faster：用好初始化缩短条件扩散逆问题路径 — CVPR 2022；用随机收缩把条件扩散的采样路径压得更短。
Rethinking the Spatial Inconsistency in Classifier-Free Diffusion Guidance：语义区域自适应 CFG — CVPR 2024；用 U-Net attention 自举语义区域并按区域重标 CFG，属于质量治理而非加速。
SANA-Sprint：连续时间一致性与对抗蒸馏的一步线性 DiT — ICCV 2025；用连续时间一致性蒸馏把一步扩散再往前推。
Accelerating Diffusion Transformer via Gradient-Optimized Cache：修正 DiT 缓存误差 — ICCV 2025；用梯度优化缓存继续压缩 DiT 推理成本。
Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models：并行方向蒸馏扩散 ODE 求解器 — ICCV 2025；用额外并行方向改善低 NFE FID，需区分 critical path 与总计算。
Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽 — ICCV 2025；把文本嵌入直接拉进 text-guided diffusion 量化链路。
Post-Training Quantization on Diffusion Models：面向多 timestep 的 INT8 校准 — CVPR 2023；把扩散模型推到 training-free 的 8-bit 量化部署，补上单步网络成本压缩路线。
Towards Practical Plug-and-Play Diffusion Models：噪声分段外部 guidance 工程 — CVPR 2023；把多专家 guidance、参数高效微调和 data-free transfer 组合成可插拔 diffusion 控制框架。
Self-Guided Diffusion Models：用自监督伪标注替代人工 guidance — CVPR 2023；用自监督信号代替人工标签，为 diffusion 提供多粒度 guidance。
Adding Conditional Control to Text-to-Image Diffusion Models：冻结 U-Net 主干的空间条件侧支 — ICCV 2023；用冻结主干 + zero-conv 侧支把空间条件控制做成 diffusion 的通用接口。
A-STAR：测试时分离并保留 cross-attention — ICCV 2023；在测试时直接约束 cross-attention，减少多概念生成里的冲突与遗忘。
BoxDiff：无训练的框约束扩散生成 — ICCV 2023；把 box / scribble 空间约束直接塞进采样期 guidance，不用额外训练。
DenseDiffusion：Stable Diffusion 的 training-free 区域文本 attention modulation — ICCV 2023；用训练免费的 attention modulation 把 dense caption 与布局控制接进 diffusion。
Prompt-to-Prompt：用 cross-attention 控制文本驱动图像编辑 — arXiv 2022；把 cross-attention 直接变成文本编辑控制面板。
Attend-and-Excite：用 attention guidance 修复主体遗漏 — SIGGRAPH 2023；在推理时主动修复 diffusion 的语义遗漏与主体漏生。
MultiDiffusion：用最小二乘融合多条去噪路径的 training-free 组合控制 — arXiv 2023；把多条 diffusion 轨迹融合成统一的受控生成框架。
DLT：以联合离散—连续 Transformer diffusion 做属性级布局生成 — ICCV 2023；把 layout generation 做成离散-连续联合 diffusion。
SLD：LLM 驱动的闭环扩散生成纠错 — CVPR 2024；把 diffusion 生成改成 LLM 驱动的闭环自纠错系统。
C3Net：CoDi U-Net 上的图像、文本与音频复合条件协调 — CVPR 2024；把 ControlNet 推进到多模态复合条件接口。
LayoutDiffusion：面向离散 graphic layout 的专用腐化与免重训条件生成 — ICCV 2023；把 graphic layout generation 做成离散 diffusion 的标准接口。
DC-ControlNet：SDXL U-Net 上的元素内/元素间层次化多条件控制 — ICCV 2025；把多元素条件控制拆成 inter-element / intra-element 两层接口。
SportMamba：面向团队运动的非线性多目标跟踪 — CVPR Workshop 2025 / arXiv；用 Mamba-attention 与高度自适应关联度量处理团队运动中的非线性多目标跟踪。
SportsMOT：多运动场景的大规模球员多目标跟踪基准 — ICCV 2023；多运动场景下的大规模球员 MOT 数据集，是 SportsMOT 的原始基准论文。
SportsHHI：体育视频中的高层人—人交互检测基准 — CVPR 2024；体育视频中高层人-人交互检测数据集，把理解粒度从 tracking 推向 interaction。
TeamTrack：全场视角的多运动多目标跟踪数据集 — CVPR Workshop 2024；全场视角多运动 MOT 数据集，补强 full-pitch tracking 与空间理解。
TranSPORTmer：多智能体体育轨迹理解的统一 Transformer 框架 — ACCV 2024 / arXiv；统一预测、补全、球推断和比赛状态分类的多智能体轨迹理解框架。
体育机器视觉文献清单 — - FineGym：体操视频的层级细粒度动作理解 — CVPR 2020；层级细粒度体育动作理解数据集，是体育动作语义结构的早期锚点。
MultiSports：多人时空动作定位的数据锚点 — ICCV 2021；多人、多运动、时空动作定位数据集，补上体育 AI 的 action localization 层。
FineDiving：程序感知的细粒度动作质量评估 — CVPR 2022；过程感知动作质量评估数据集，连接技术动作评分和可解释训练反馈。
LOGO：多人长视频的群体动作质量评估 — CVPR 2023；长视频群体动作质量评估数据集，补上团队/群体表现评价证据。
TacticAI：足球角球战术预测、检索与条件生成 — Nature Communications 2024；足球角球战术 AI 助手，把体育 AI 推到专家评估和战术建议。
SoccerNet-GSR：足球比赛状态重建锚点 — CVPR Workshop 2024；足球比赛状态重建，统一追踪、身份识别、号码识别与俯视图坐标。
FineSports：多人篮球的层级细粒度时空动作定位 — CVPR 2024；多人层级细粒度篮球动作数据，连接动作理解与团队运动场景。
AthletePose3D：高速竞技动作的 3D 姿态与运动学验证 — CVPR Workshop 2025；真实竞技动作 3D 姿态与生物力学数据集，补上姿态/训练反馈证据。
Towards Universal Soccer Video Understanding：足球专用多任务视觉编码器 — CVPR 2025；统一足球视频理解方向，连接事件、视频和文本语义。
TrackNetV3：增强羽毛球 shuttle tracking 的数据增强与轨迹校正 — ACM MMAsia 2023；羽毛球高速小目标轨迹追踪，本轮 repo zread 已补 TrackNet + InpaintNet 工程路径。
WEAR：户外健身的第一视角视频与四肢 IMU 数据集 — arXiv 2023；WEAR 提供户外运动中的第一视角视频与可穿戴传感器数据，用来研究视频、IMU 与活动识别的多模态融合。
SoccerNet Action Spotting：SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。 — SoccerNet official task；SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。
SportsCap：单目体育 3D 运动捕捉与细粒度属性理解 — arXiv 2021；SportsCap 研究单目体育视频中的 3D 人体运动捕捉和细粒度动作理解。
Automated Offside Detection：基于双固定广角相机的时空越位检测原型 — MMSports 2021；把标定、传球时刻、身份跟踪和规则函数串成越位检测原型；20-clip F1 63.1%，全文复核发现 precision/recall 报告互换与规则覆盖缺口。
OpenCap：OpenCap 用智能手机视频估计人体运动学与动力学，降低实验室级运动捕捉门槛。 — PLOS Computational Biology / PMC 2023；OpenCap 用智能手机视频估计人体运动学与动力学，降低实验室级运动捕捉门槛。
Temporal Parsing Transformer：无步骤标签的有序部件 AQA — ECCV 2022；Temporal Parsing Transformer 把动作质量评估拆成时序解析问题，在打分类体育动作中强调过程结构。
TimeSformer：用于视频理解的分解式时空注意力 — ICML 2021；TimeSformer 用纯 attention 结构建模视频时空关系，是视频 Transformer 路线的重要基础。
ST-GCN：骨架动作识别的时空图卷积基线 — AAAI 2018 / arXiv；ST-GCN 用时空图卷积建模骨架动作，是姿态驱动动作识别的经典基线。
VideoMAE：数据高效的视频掩码自编码预训练 — NeurIPS 2022 / arXiv；VideoMAE 用 masked autoencoding 做视频自监督预训练，强调数据效率。
SportsMOT Dataset Page：SportsMOT 官方数据页记录数据下载、许可和基准说明。 — DeeperAction dataset page；SportsMOT 官方数据页记录数据下载、许可和基准说明。
FineDiving Repository：FineDiving 仓库提供数据集与代码入口。 — GitHub repository；FineDiving 仓库提供数据集与代码入口。
AthleticsPose：真实田径动作的 3D 姿态与部署边界 — arXiv 2025；AthleticsPose 聚焦真实田径动作中的 3D 姿态估计与泛化评估。
体育姿态估计与跟踪综述：方法、数据、挑战与路线图 — Artificial Intelligence Review 2025；这篇综述讨论体育视觉、分析和 AI 系统的发展趋势。
NFL Hawk-Eye First Down：AP 报道 NFL 引入基于 Hawk-Eye 的首攻测量技术。 — Associated Press 2025；AP 报道 NFL 引入基于 Hawk-Eye 的首攻测量技术。
MMAction2：MMAction2 是 OpenMMLab 视频理解工具箱，支持动作识别、检测和骨架动作等任务。 — GitHub repository；MMAction2 是 OpenMMLab 视频理解工具箱，支持动作识别、检测和骨架动作等任务。
Premier League Semi-Automated Offside：Reuters 报道英超启用半自动越位技术。 — Reuters 2025；Reuters 报道英超启用半自动越位技术。
Second Spectrum / Genius Sports：Genius Sports 收购 Second Spectrum 的公告展示了光学追踪、联赛数据和媒体可视化的商业链路。 — Company newsroom；Genius Sports 收购 Second Spectrum 的公告展示了光学追踪、联赛数据和媒体可视化的商业链路。
Catapult Athlete Monitoring：Catapult athlete monitoring 页面展示运动员负荷、训练监测和多模态数据产品。 — Company product page；Catapult athlete monitoring 页面展示运动员负荷、训练监测和多模态数据产品。
KINEXON Player Tracking：KINEXON player tracking 页面展示 UWB/GPS/LPS 球员追踪系统。 — Company product page；KINEXON player tracking 页面展示 UWB/GPS/LPS 球员追踪系统。
HomeCourt：HomeCourt 代表手机相机驱动的消费级训练反馈应用。 — Product page；HomeCourt 代表手机相机驱动的消费级训练反馈应用。
OpenPose：OpenPose 是早期多人 2D 关键点检测工具。 — GitHub repository；OpenPose 是早期多人 2D 关键点检测工具。
MMPose / RTMPose：MMPose 提供 2D/3D 姿态估计工具链，RTMPose 强调实时部署。 — GitHub repository；MMPose 提供 2D/3D 姿态估计工具链，RTMPose 强调实时部署。
MediaPipe Pose：MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。 — Google AI Edge documentation；MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。
DeepLabCut：DeepLabCut 是少量标注即可训练的无标记关键点追踪工具。 — GitHub repository；DeepLabCut 是少量标注即可训练的无标记关键点追踪工具。
NIST AI RMF：NIST AI RMF 提供 AI 风险管理框架。 — NIST；NIST AI RMF 提供 AI 风险管理框架。
Human-in-the-loop Adaptation：团队运动示例检索的人机适配 — arXiv 2026；团队运动视频检索的人机闭环适配样本，补强 coach-assist 和人工复核工作流。
FineCausal：可解释细粒度动作质量评估 — arXiv 2025；可解释细粒度动作质量评估，把体育训练反馈推进到因果解释层。
AI Driven Soccer Analysis：单主场足球 2D 映射原型 — arXiv 2026；足球视频分析系统样本，补强端到端 soccer analysis pipeline。
SoccerNet-v2：广播足球内容、剪辑与回放理解基准 — arXiv 2020；SoccerNet-v2 广播足球视频整体理解基准，补强足球公开数据生态。
SoccerNet-v2 Camera Calibration：足球场标定与球员定位 — arXiv 2021；把足球场标定与球员定位接成 full-pitch understanding 的关键桥。
Towards Active Learning for Action Spotting：足球事件定位的低标注路线 — CVPR Workshop 2023；足球事件定位的主动学习低标注路线。
SoccerNet 2022 Challenges Results：足球视频理解挑战早期基线 — arXiv 2022；SoccerNet 2022 多任务挑战结果，补足球视频理解评测生态前史。
SoccerNet 2023 Challenges Results：足球视频多任务挑战结果 — arXiv 2023；SoccerNet 2023 多任务挑战结果，连接 action spotting、tracking 与公开 leaderboard。
SoccerNet 2023 Tracking Challenge MOT4MOT：球员跟踪团队报告 — arXiv 2023；SoccerNet tracking challenge 团队报告，补球员轨迹系统工程样本。
Event2Tracking：用长时多模态上下文重建多智能体足球轨迹 — AAAI 2025；用长时多模态上下文和 event data 重建足球多智能体轨迹，补上 trajectory-event semantics 关键桥。
X-VARS：可解释足球视频助理裁判系统 — CVPR Workshop 2024；可解释足球 VAR / referee assistant，把视频证据、规则和判罚解释接起来。
RefereeBench：多运动项目规则化视频裁判评测 — arXiv 2026；多运动项目裁判能力 benchmark，测试 Video MLLM 的规则化判罚推理。
Sports-QA：复杂专业体育视频问答基准 — IJCV 2026；复杂专业体育 VideoQA benchmark，补 sports MLLM reasoning 基础层。
TrackNet：体育高速小目标追踪网络 — AVSS 2019 / arXiv；TrackNet 原始高速小目标追踪网络，建立球类小目标 heatmap tracking 基线。
TrackNetV2：高效羽毛球高速小目标 2D 追踪 — ICPAI 2020；TrackNetV2 针对羽毛球 shuttle tracking 优化效率、显存和精度。
MonoTrack：单目羽毛球击球分割与 3D 轨迹重建 — CVPR Workshop 2022；从单目羽毛球视频恢复 3D shuttle trajectory。
TrackNetV4：用运动注意力图增强快速体育小目标追踪 — ICASSP 2025 / arXiv；用 motion attention maps 增强快速小目标追踪，本轮 repo zread 已补 motion prompt / fusion / evaluation / prediction 路径。
TrackMAE：用轨迹遮挡与预测学习运动敏感的视频表征 — arXiv；CVPR 2026 accepted claim pending official proceedings；把 point-tracking 轨迹加入 masked video modeling，补强体育动作识别的 motion-aware 表征底座。
VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架 — arXiv；CVPR 2026 accepted claim pending official proceedings；用 confidence-based early exit 做按需视频推理，适合作为动作纠正的解释策略。
BST：面向羽毛球击球类型识别的骨架动作 Transformer — arXiv；CVPRW 2026 / CVSports accepted claim pending official proceedings；把羽毛球视频理解从 TrackNet/MonoTrack 球路追踪推进到骨架动作识别和 stroke-type classification，并追溯 TemPose、ShuttleSet、BlockGCN、SkateFormer、ProtoGCN 等 related work。
ShuttleSet：人工标注的羽毛球单打 stroke-level 数据集 — KDD 2023；羽毛球单打 stroke-level 数据集，提供 shot type、hit frame、击球位置和双方球员位置标注。
TemPose：面向羽毛球细粒度动作识别的骨架 Transformer — CVPR Workshop 2023；用 skeleton Transformer 做羽毛球细粒度动作识别，并接入 shuttle position。
ProtoGCN：用运动原型重构放大相似骨架动作的局部差异 — CVPR 2025；用 motion prototypes 强化骨架动作识别中的局部细节差异判别。
BlockGCN：保留骨架拓扑并轻量建模多种关节关系 — CVPR 2024；重新编码骨架拓扑，减少 GCN 中 bone connectivity 信息衰减。
SkateFormer：用四类骨架—时间分区实现高效联合注意力 — ECCV 2024；用 skeletal-temporal partition attention 高效建模关键关节和关键帧。
BadmintonDB：面向球员级比赛分析与预测的羽毛球数据集 — ACM MMSports 2022；面向 player-specific match analysis / prediction 的羽毛球数据集，是 BST 跨数据集评估和 stroke taxonomy 扩展的重要参照。
Towards Structured Analysis：广播羽毛球视频的结构化分析早期系统 — WACV 2018；广播羽毛球视频结构化分析早期系统，把 point segmentation、player tracking / identification 和 stroke annotation 连成 pipeline。
MultiSenseBadminton：面向羽毛球表现评估的多传感器生物力学数据集 — Scientific Data 2024；多传感器羽毛球挥拍数据集，覆盖眼动、身体追踪、肌电、足压、视频、落点与技能水平，是训练反馈 demo 的高质量数据形态参照。
SoccerNet-Tracking：足球多目标跟踪数据集与基准 — CVPR Workshop 2022；足球球员、裁判和球的多目标跟踪数据集与 benchmark，是 SoccerNet-GSR 的底层 tracking substrate。
VARS：SoccerNet-MVFoul 多视角犯规分类与裁判辅助 — CVPR Workshop 2023；多视角足球 VAR / foul recognition 系统，提出 SoccerNet-MVFoul 并补上 X-VARS 之前的判罚工作流锚点。
Broadcast2Pitch：从非受控足球转播视频重建比赛状态 — WACV 2026；从非受控足球转播视频重建 pitch-space game state，是 SoccerNet-GSR 的直接 follow-up。
PathCRF：从球员轨迹推断结构化控球路径与足球事件 — arXiv 2026；从 player trajectories 推断 possession path，用控球路径变化识别足球事件。
Accelerating Diffusion Sampling with Optimized Time Steps：用优化时间步改善少步扩散采样 — CVPR 2024；用优化时间步替代均匀步长，提高少步采样表现。
Diffusion Models Without Attention：不用注意力也能做高分辨率扩散 — CVPR 2024；用 state space 主干给出非 DiT 的高分辨率扩散路线。

Vision Transformer：把图像切成 token 的通用视觉主干 — ICLR 2021 / arXiv；把图像切成 patch token，用纯 Transformer 证明大规模视觉预训练可以脱离 CNN 主干。
CLIP：用自然语言监督学习可迁移视觉表示 — ICML 2021 / arXiv；用大规模图文对比学习把自然语言变成可迁移视觉监督信号。
Segment Anything：把分割做成可提示的视觉基础模型 — ICCV 2023 / arXiv；把分割做成 promptable foundation model，并用数据引擎构建 SA-1B。
DETR：把目标检测改写成 Transformer set prediction — ECCV 2020 / arXiv；把目标检测重写成 Transformer set prediction，移除 anchor / NMS 等手工组件。

实体页

DINO 家族：自监督视觉表示与预训练骨干 — 自监督 DINO 家族的架构、训练配方、预训练骨干与检测同名消歧。

CLIP 系列模型（CLIP Family） — CLIP、ALIGN、FILIP、ALBEF、SigLIP 等图文表示模型家族。
图文检索与组合性评测集（Image-Text Retrieval Benchmarks） — Flickr30K、MS COCO、FashionIQ、CIRR、CIRCO、ARO、Winoground、SugarCrepe 等评测集。
M-BEIR 多模态检索评测（M-BEIR） — UniIR 提出的多任务多模态检索 benchmark 与统一 embedding 评测入口。
ColPali 与视觉文档检索（ColPali） — 面向视觉文档的多向量检索模型与 ViDoRe 评测。
扩散 Transformer — 图像与视频生成论文中反复出现的 DiT 主干架构族。
SportsMOT — 团队运动多目标跟踪数据集，把体育视频中的时序理解与目标关联补成具体证据锚点。
图像生成与编辑统一建模 — 将图像生成和编辑放进同一框架的方法家族。
视频编辑理解 — 用于衡量视频编辑操作理解与结果判断能力的评测方向。

判断页

双塔负责可扩展召回，细粒度模块负责精排与关系匹配 — 双塔适合大规模召回，细粒度关系通常需要精排或多向量补充。
图文检索的主要瓶颈仍包括数据质量、分布与概念覆盖 — 数据质量、分布、语言和概念覆盖是图文检索泛化的重要变量。
标准图文检索分数不足以证明组合性理解 — 标准 Recall 不足以证明组合性理解，需加入诊断性评测与反事实负例。
组合式查询是图文检索中可落地且仍有缺口的研究切口 — 组合式查询是可落地但仍受多真值、域偏移和用户意图限制的研究切口。
统一多模态向量需要同时验证任务意图、跨域泛化与检索成本 — 统一多模态向量需要同时验证任务意图、跨域泛化和检索成本。
通用 Vid-LLM 在视频剪辑元素识别、推理与功能判断上仍明显不足 — VEU-Bench 显示通用 Vid-LLM 在剪辑元素识别、依据推理与叙事功能判断上仍有明显缺口。
DiT 与 Transformer 风格去噪器已成为主要可扩展生成主干之一 — DiT / Transformer 风格去噪器已成为主要可扩展生成主干之一，“默认主干”仍待采用率证据。
统一图像模型已显示多任务与工作流优势，整体性能优势仍待验证 — 统一图像模型已显示多任务与工作流优势，整体性能优势仍缺少受控比较。

问题页

DINO 密集特征如何迁移到三维高斯语义分割？ — 二维特征向三维高斯语义迁移的前瞻假设与最小验证问题。

图文检索哪个子方向最适合中等算力的研究生项目？ — 哪个图文检索子方向适合在中等算力和两三年周期内形成连续研究。
细粒度图文对齐如何兼顾索引效率？ — 细粒度图文对齐如何兼顾索引效率与局部关系判断。
怎样构造既难又不错误的图文检索负例？ — 怎样构造既难又不错误、且能解释模型能力的负例。
统一多模态向量是否真的能跨任务、跨语言泛化？ — 统一向量模型是否真的跨任务、跨语言泛化。
如何审计图文检索中的预训练重叠、概念频率与 benchmark 污染？ — 如何审计预训练重叠、概念频率与 benchmark 污染。
图像编辑的进步主要来自数据扩展还是架构升级 — 图像编辑进步究竟主要来自数据扩展还是架构升级。
统一图像模型与专用或模块化流水线如何分工 — 统一图像模型与专用或模块化流水线如何分工。
现有评测是否真的刻画了视频编辑理解能力 — 现有评测是否真的刻画了视频编辑理解能力。
羽毛球挥拍动作纠正 demo 应如何定义 — 羽毛球挥拍动作纠正 demo 的最小任务定义、错误模式和反馈输出格式。
运动定义文字的人机感知差距能否成为可靠研究基准 — 运动定义文字能否形成稳定、可证伪的人机时序感知差距 benchmark。

模板

templates/source-note-template — 结构化 source note 模板。
templates/topic-template — topic 综合页模板。
templates/topic-concept-template — 基础概念页模板。
templates/topic-research-template — 研究专题页模板。
templates/topic-roadmap-template — 应用与研究路线页模板。
templates/entity-template — 模型、数据集、实验室等实体页模板。
templates/claim-template — 待验证或存在争议的 claim 页模板。
templates/question-template — 开放研究问题页模板。
templates/raw-meta-template — raw ingest 元数据模板。
templates/raw-links-template — primary / secondary 链接模板。
templates/research-protocol-template — Research Topic 的检索式、筛选流、证据矩阵与更新条件模板。

工具

scripts/lint_wiki.py — 用于检查 frontmatter、标签、索引覆盖、链接和 raw 链接一致性的首轮 lint 脚本。
docs/linting — 本地 lint 工作流说明，包含默认命令、--strict / --quiet / --json 模式、severity 解释与建议动作摘要的用法。
docs/viewer-layout-rules — Viewer 的长期排版、组件边界、响应式和发布验收规则；布局修复必须同步补回归测试与经验记录。
docs/tools/paper-search-cli-bridge — paper-search-cli 的 llmwiki wrapper，用于论文发现、metadata enrichment 和 raw ingest 草稿生成。
Linux 深度研究 AGENTS 模板 — 在没有 llmwiki 的 Linux 服务器上长期约束 Codex 的证据、权限、断点恢复和验证行为。
图文检索系统调研任务模板 — 与服务器 AGENTS 模板配套的一次性任务文件，覆盖检索、全文核验、研究方向、实验蓝图、反方审查和可迁移 Wiki 编译。
docs/llmwiki-loop-engineering-v0 — 只读候选简报 loop，读取 dashboard / raw 状态 / analysis 覆盖 / lint 结果，每周推荐 3–5 个下一步研究任务。
docs/research-monitoring/daily-policy — 每日按10个Research Topic轮换，由Hermes完成核验、编译及质量门后的公开发布；不自动升级研究阶段。
scripts/llmwiki_daily_research_queue.py — 每日专题轮换、查询簇、预算、写入白名单和 lint gate 的只读 collector。