Tags

#3d-vision55

• 2D Gaussian Splatting：用三维中的二维高斯圆盘重建表面Source note
• 3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic ScenesTopic
• 3D Gaussian Splatting：从稀疏点到实时新视角渲染Source note
• 3DGS as MCMC：用高斯重定位改写密度控制Source note
• 3DGUT：畸变相机高斯无迹投影与混合次级光线Source note
• 4D Gaussian Splatting SLAM:RGB-D Tracking and Dynamic MappingSource note
• 7DGS:Unified Spatial-Temporal-Angular Gaussian SplattingSource note
• AeroDGS：单目航拍动态高斯的地面与轨迹约束Source note
• BrepGaussian：从多视图2DGS到参数化CAD边界Source note
• Changes in Real Time：在线多视场景变化检测与高斯更新Source note
• CoMe：用置信度和方差约束从高斯提取网格Source note
• DepthSplat：单目先验与多视匹配互促深度及高斯重建Source note
• Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene GenerationSource note
• EcoSplat：按目标图元数条件化前馈高斯Source note
• EvaGaussians:Event Stream Assisted Gaussian Splatting from Blurry ImagesSource note
• FastGS：多视误差驱动的增密、剪枝与训练加速Source note
• Faster-GS：训练实现拆账与数值稳定性Source note
• FreeSplatter:Sparse-View Gaussians and Camera Recovery without Input CalibrationSource note
• GAINS：稀疏视图的几何—材质—光照逆渲染Source note
• GPERT：事件相机的逐事件几何与单快照光度高斯追踪Source note
• GaussianDWM：驾驶语言高斯连接理解与生成Source note
• Generative Gaussian Splatting:Video Priors and 3D ConsistencySource note
• Generative Sparse-View Gaussian SplattingSource note
• GlobalSplat：全局场景token预测紧凑高斯Source note
• HyperGaussians：高维条件高斯驱动的面部头像Source note
• LangSplat：高斯语言特征与三级语义查询Source note
• Let it Snow!：物理引导的动态天气高斯编辑Source note
• MVSplat：匹配代价体驱动的前馈三维高斯Source note
• Matryoshka Gaussian Splatting：按前缀长度选择高斯预算Source note
• MetroGS：多卡分布式二维高斯的大场景几何重建Source note
• Mip-Splatting：跨尺度采样与三维高斯抗混叠Source note
• MoVieS：有位姿单目视频的前馈动态高斯与运动建模Source note
• NoPoSplat:Canonical-space Gaussians from Sparse Unposed ImagesSource note
• Off The Grid：按图像局部结构预测亚像素高斯Source note
• POp-GS:Next Best View in 3D-Gaussian Splatting with P-OptimalitySource note
• PhysGM:Large Physical Gaussian Model for Feed-Forward 4D SynthesisSource note
• PhysGaussian：让高斯同时参与仿真与渲染Source note
• RAP：高斯属性驱动的跨场景图元重要性估计Source note
• REALM:An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian SplattingSource note
• SPFSplat:Self-Supervised Pose-Free Gaussian Splatting from Sparse ViewsSource note
• SpeeDe3DGS：动态高斯时间剪枝与运动分组Source note
• Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速Source note
• SplatFormer:Point Transformer Refinement for Out-of-Distribution ViewsSource note
• Splatent：潜空间高斯的新视角参考视图补细节Source note
• StochasticSplats:Replacing Gaussian Sorting with Stochastic TransparencySource note
• TT-Occ：测试时高斯构造与语义占据Source note
• Turbo-GS：稀疏像素渲染与高斯预算控制Source note
• UVGS:Reimagining Unstructured 3D Gaussian Splatting using UV MappingSource note
• Uni3R：无外参多视图的几何与语言语义联合高斯Source note
• WildGS-SLAM:Monocular Gaussian Splatting SLAM in Dynamic EnvironmentsSource note
• WildSplat：无位姿野外照片的外观条件高斯Source note
• gsplat：高斯泼溅实验的可微渲染库与工程基线Source note
• iLRM：多视紧凑视角token反复吸收高分辨率图像Source note
• pixelSplat：从已标定图像对前馈预测三维高斯Source note
• tttLRM：快权重记忆驱动长序列高斯重建Source note

#autoregressive3

• MaskINT：关键帧扩散编辑与非自回归结构插帧的视频编辑Source note
• Pixel Recurrent Neural Networks：像素级自回归图像建模Source note
• tttLRM：快权重记忆驱动长序列高斯重建Source note

#benchmark1

• 视频编辑理解Entity

#benchmarking76

• AIGV-Assessor：用大模型评测文本到视频生成感知质量Source note
• ANetQA：未裁剪视频细粒度组合推理基准Source note
• 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）Source note
• AthletePose3D：高速竞技动作的 3D 姿态与运动学验证Source note
• AthleticsPose：真实田径动作的 3D 姿态与部署边界Source note
• Broadcast2Pitch：从非受控足球转播视频重建比赛状态Source note
• 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）Source note
• COLA：组合式文本到图像检索基准（A Benchmark for Compositional Text-to-image Retrieval）Source note
• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• ColPali 与视觉文档检索（ColPali）Entity
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• ConCon-Chi：个性化视觉语言的新含义与组合性基准Source note
• DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets）Source note
• Datasets, Metrics, and Benchmark ReliabilityTopic
• ELV-Halluc:Semantic Aggregation HallucinationsSource note
• EvalCrafter：大视频生成模型的多维评测与人工偏好校准Source note
• FashionIQ：用自然语言反馈检索图像（A New Dataset Towards Retrieving Images by Natural Language Feedback）Source note
• FiVE-Bench：细粒度视频编辑评测基准Source note
• FineDiving Repository：FineDiving 仓库提供数据集与代码入口。Source note
• FineGym：体操视频的层级细粒度动作理解Source note
• FineSports：多人篮球的层级细粒度时空动作定位Source note
• FlashEval：用代表性 prompt 子集加速文本到图像模型评测Source note
• GANs Trained by a Two Time-Scale Update Rule：FID 的来源与边界Source note
• General Vid-LLMs Still Struggle With Editing-Element Recognition, Reasoning, and Functional JudgmentClaim
• Generative Model EvaluationTopic
• GlitchBench：大型多模态模型能否识别电子游戏故障Source note
• GroundingME:Multi-Dimensional Visual Grounding EvaluationSource note
• HallusionBench：视觉语言幻觉与视觉错觉诊断基准Source note
• IVEBench:Modern Benchmark Suite for Instruction-Guided Video Editing AssessmentSource note
• Imagen Editor 与 EditBench：推进并评测文本引导图像修补Source note
• Improved Techniques for Training GANs：Inception Score 的来源与边界Source note
• LOGO：多人长视频的群体动作质量评估Source note
• LVBench：极长视频理解基准Source note
• M-BEIR 多模态检索评测（M-BEIR）Entity
• MAPLM：地图与交通场景的真实世界多模态问答基准Source note
• MIEB：大规模图像 embedding 评测基准（Massive Image Embedding Benchmark）Source note
• MIRACL-VISION：大规模多语言视觉文档检索基准Source note
• MMMU：跨学科专家级多模态理解与推理基准Source note
• MVBench：综合多模态视频理解基准Source note
• MultiSports：多人时空动作定位的数据锚点Source note
• No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能Source note
• 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。Source note
• 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Source note
• RMIR:Reasoning-Intensive Multimodal Image RetrievalSource note
• RefereeBench：多运动项目规则化视频裁判评测Source note
• 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）Source note
• SOK-Bench：结合开放世界知识的情境视频推理基准Source note
• STI-Bench：精确时空世界理解基准Source note
• ShuttleSet：人工标注的羽毛球单打 stroke-level 数据集Source note
• SoccerNet 2022 Challenges Results：足球视频理解挑战早期基线Source note
• SoccerNet 2023 Challenges Results：足球视频多任务挑战结果Source note
• SoccerNet Action Spotting：SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。Source note
• SoccerNet-Tracking：足球多目标跟踪数据集与基准Source note
• SoccerNet-v2：广播足球内容、剪辑与回放理解基准Source note
• Sports-QA：复杂专业体育视频问答基准Source note
• SportsHHI：体育视频中的高层人—人交互检测基准Source note
• SportsMOT Dataset Page：SportsMOT 官方数据页记录数据下载、许可和基准说明。Source note
• SportsMOT：多运动场景的大规模球员多目标跟踪基准Source note
• SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks）Source note
• TeamTrack：全场视角的多运动多目标跟踪数据集Source note
• UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers）Source note
• VARS：SoccerNet-MVFoul 多视角犯规分类与裁判辅助Source note
• VBench：视频生成模型综合评测套件Source note
• 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）Source note
• Video-Bench：人类偏好对齐的视频生成评测Source note
• WEAR：户外健身的第一视角视频与四肢 IMU 数据集Source note
• Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality）Source note
• 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）Source note
• 图文检索与组合性评测集（Image-Text Retrieval Benchmarks）Entity
• 图文检索的主要瓶颈仍包括数据质量、分布与概念覆盖Claim
• 文本—图像组合式检索的鲁棒性基准（Benchmarking Robustness of Text-Image Composed Retrieval）Source note
• 文本到图像生成的可验证与可复现人工评测Source note
• 标准图文检索分数不足以证明组合性理解Claim
• 现有评测是否真的刻画了视频编辑理解能力Question
• 组合式查询是图文检索中可落地且仍有缺口的研究切口Claim
• 通过形式化验证评测文本到视频模型的神经符号方法Source note

#classification1

• Foundations of Core Vision TasksTopic

#conditioning30

• AVID：用 Temporal MultiDiffusion 做任意长度视频修补Source note
• Attention Calibration for Disentangled Text-to-Image Personalization：解耦式个性化注意力校准Source note
• BBDM：以 Brownian Bridge 端点过程建模成对图像翻译Source note
• 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Source note
• C3Net：CoDi U-Net 上的图像、文本与音频复合条件协调Source note
• CCEdit：以结构—外观解耦实现创意可控视频编辑Source note
• CONFORM：以对比式注意力优化提升文本生成忠实度Source note
• CoLLM：用于组合式图像检索的大语言模型Source note
• Concept Weaver：模板引导的多概念个性化融合Source note
• Condition-Aware Neural Network：以动态权重控制扩散 TransformerSource note
• Custom Diffusion：高效单概念学习与多概念组合Source note
• Customization Assistant：可对话的单图免微调个性化生成Source note
• DLT：以联合离散—连续 Transformer diffusion 做属性级布局生成Source note
• DiffusionCLIP：CLIP 引导的 diffusion U-Net 文本图像操控Source note
• FlowVid：把不完美光流作为软条件的视频编辑Source note
• GLIGEN：以冻结基础模型和门控适配器实现开放集合 grounded 生成Source note
• High-Fidelity Guided Image Synthesis：笔触约束下的 latent diffusion 测试时优化Source note
• Image-specific Prompt Learning：零目标图像的生成器域适配Source note
• 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）Source note
• LayoutDiffusion：面向离散 graphic layout 的专用腐化与免重训条件生成Source note
• 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）Source note
• MotionEditor：参考姿态驱动的人体视频运动编辑Source note
• Paint by Example：以单张参考图控制局部语义编辑Source note
• 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）Source note
• Prompt Tuning Inversion：优化条件嵌入轨迹的真实图像编辑Source note
• Rethinking the Spatial Inconsistency in Classifier-Free Diffusion Guidance：语义区域自适应 CFGSource note
• Self-Guided Diffusion Models：用自监督伪标注替代人工 guidanceSource note
• StreamingT2V：一致、动态、可扩展的长视频文本生成Source note
• 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）Source note
• 生成式零样本组合式图像检索（Generative Zero-Shot Composed Image Retrieval）Source note

#control25

• A-STAR：测试时分离并保留 cross-attentionSource note
• Adding Conditional Control to Text-to-Image Diffusion Models：冻结 U-Net 主干的空间条件侧支Source note
• AnyDoor：训练一次的零样本对象级图像定制Source note
• Attend-and-Excite：用 attention guidance 修复主体遗漏Source note
• BoxDiff：无训练的框约束扩散生成Source note
• CAMEL：面向文本驱动视频编辑的因果运动增强Source note
• Check, Locate, Rectify：训练免费文本到图像布局校准Source note
• Composer:Creative and Controllable Image Synthesis with Composable ConditionsSource note
• DC-ControlNet：SDXL U-Net 上的元素内/元素间层次化多条件控制Source note
• DenseDiffusion：Stable Diffusion 的 training-free 区域文本 attention modulationSource note
• DynVideo-E：用动态 NeRF 编辑大运动与大视角人体视频Source note
• Image EditingTopic
• Image GenerationTopic
• LayoutDiffusion：以对象框控制像素 U-Net 的 layout-to-image 生成Source note
• MotionFollower：通过 score-guided diffusion 编辑视频运动Source note
• MultiDiffusion：用最小二乘融合多条去噪路径的 training-free 组合控制Source note
• Prompt-to-Prompt：用 cross-attention 控制文本驱动图像编辑Source note
• QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入Source note
• ReCo：以坐标 token 和开放区域文本控制图像生成Source note
• Reangle-A-Video：把单目视频重演为多视角同步视频Source note
• SLD：LLM 驱动的闭环扩散生成纠错Source note
• Shape-aware Text-driven Layered Video Editing：用 UV 变形突破 atlas 的固定形状Source note
• Towards Practical Plug-and-Play Diffusion Models：噪声分段外部 guidance 工程Source note
• Video EditingTopic
• Video GenerationTopic

#dataset1

• SportsMOTEntity

#diffusion101

• A Video is Worth 256 Bases：以时空 EM 低秩基改进零样本视频反演Source note
• A-STAR：测试时分离并保留 cross-attentionSource note
• ACT-Diffusion：面向一步扩散模型的高效对抗一致性训练Source note
• AIDI：以加速定点迭代改进真实图像扩散反演Source note
• AVID：用 Temporal MultiDiffusion 做任意长度视频修补Source note
• Accelerating Diffusion Sampling with Optimized Time Steps：用优化时间步改善少步扩散采样Source note
• Accelerating Diffusion Transformer via Gradient-Optimized Cache：修正 DiT 缓存误差Source note
• Adding Conditional Control to Text-to-Image Diffusion Models：冻结 U-Net 主干的空间条件侧支Source note
• Align-A-Video：面向一致视频编辑的确定性奖励调优Source note
• All Are Worth Words：把 ViT 直接变成扩散模型主干Source note
• Analyzing and Improving the Training Dynamics of Diffusion Models：EDM2 的幅值保持训练与 Post-hoc EMASource note
• Attend-and-Excite：用 attention guidance 修复主体遗漏Source note
• Attention Calibration for Disentangled Text-to-Image Personalization：解耦式个性化注意力校准Source note
• BBDM：以 Brownian Bridge 端点过程建模成对图像翻译Source note
• 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Source note
• BoxDiff：无训练的框约束扩散生成Source note
• C3Net：CoDi U-Net 上的图像、文本与音频复合条件协调Source note
• CAMEL：面向文本驱动视频编辑的因果运动增强Source note
• CCEdit：以结构—外观解耦实现创意可控视频编辑Source note
• CONFORM：以对比式注意力优化提升文本生成忠实度Source note
• Check, Locate, Rectify：训练免费文本到图像布局校准Source note
• CoDi：条件扩散蒸馏实现 1–4 步图像条件生成Source note
• Come-Closer-Diffuse-Faster：用好初始化缩短条件扩散逆问题路径Source note
• CommonCanvas：Creative Commons 数据上的开放 T2I 扩散训练Source note
• Composer:Creative and Controllable Image Synthesis with Composable ConditionsSource note
• Concept Weaver：模板引导的多概念个性化融合Source note
• Condition-Aware Neural Network：以动态权重控制扩散 TransformerSource note
• Contrastive Denoising Score：用自注意力对比正则保持编辑结构Source note
• CosmicMan：面向人物的文本到图像基础模型Source note
• Custom Diffusion：高效单概念学习与多概念组合Source note
• Customization Assistant：可对话的单图免微调个性化生成Source note
• DC-ControlNet：SDXL U-Net 上的元素内/元素间层次化多条件控制Source note
• DLT：以联合离散—连续 Transformer diffusion 做属性级布局生成Source note
• DeepCache：用高层特征缓存免费加速 U-Net 扩散模型Source note
• Denoising Diffusion Probabilistic Models：现代去噪扩散模型的关键基线Source note
• DenseDiffusion：Stable Diffusion 的 training-free 区域文本 attention modulationSource note
• DiT and Transformer-Style Denoisers Are Now Major Scalable Generative BackbonesClaim
• Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene GenerationSource note
• DiffEditor：以区域采样与图像提示提升细粒度扩散编辑Source note
• Diffusion Autoencoders：用语义向量与随机细节码构造可解码扩散表示Source note
• Diffusion Efficiency EngineeringTopic
• Diffusion ModelsTopic
• Diffusion Models Without Attention：不用注意力也能做高分辨率扩散Source note
• DiffusionCLIP：CLIP 引导的 diffusion U-Net 文本图像操控Source note
• Distilling ODE Solvers of Diffusion Models into Smaller Steps：冻结去噪器的轻量求解器蒸馏Source note
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models：并行方向蒸馏扩散 ODE 求解器Source note
• DreamBooth：以少样本全模型微调实现主体驱动生成Source note
• EDICT：用双轨耦合变换实现可逆 diffusion sampler 与真实图像编辑Source note
• FADE：面向视频编辑的频率感知扩散模型分解Source note
• Fairy：用 anchor cross-frame attention 并行加速指令视频编辑Source note
• FateZero：融合注意力做零样本文本视频编辑Source note
• FlowVid：把不完美光流作为软条件的视频编辑Source note
• FramePainter：用视频扩散先验增强交互式图像编辑Source note
• FreeU：不重训的扩散 U-Net 特征重加权Source note
• Guidance Matters:Rethinking the Evaluation Pitfall for Text-to-Image GenerationSource note
• High-Fidelity Guided Image Synthesis：笔触约束下的 latent diffusion 测试时优化Source note
• Image EditingTopic
• Image GenerationTopic
• Imagic：以文本嵌入优化、模型微调和插值完成真实图像编辑Source note
• InstructPix2Pix：用合成监督建立自然语言图像编辑接口Source note
• Latent Diffusion Models：高分辨率图像合成的潜空间扩散框架Source note
• LayoutDiffusion：以对象框控制像素 U-Net 的 layout-to-image 生成Source note
• LayoutDiffusion：面向离散 graphic layout 的专用腐化与免重训条件生成Source note
• Let it Snow!：物理引导的动态天气高斯编辑Source note
• LoL:Longer than Longer, Scaling Video Generation to HourSource note
• MotionEditor：参考姿态驱动的人体视频运动编辑Source note
• MotionFollower：通过 score-guided diffusion 编辑视频运动Source note
• MotionStone：用 DiT 解耦运动强度调制的图像到视频生成Source note
• MultiDiffusion：用最小二乘融合多条去噪路径的 training-free 组合控制Source note
• NULL-Text Inversion：用 guided diffusion 编辑真实图像Source note
• OSV：高质量图像到视频生成一步就够Source note
• On Distillation of Guided Diffusion Models：把 CFG 与采样轨迹联合蒸馏到极少步Source note
• Paint by Example：以单张参考图控制局部语义编辑Source note
• Plug-and-Play Diffusion Features：用 U-Net 内部特征控制文本图像翻译Source note
• Post-Training Quantization on Diffusion Models：面向多 timestep 的 INT8 校准Source note
• Prompt Tuning Inversion：优化条件嵌入轨迹的真实图像编辑Source note
• Prompt-to-Prompt：用 cross-attention 控制文本驱动图像编辑Source note
• Q&C:When Quantization Meets Cache in Efficient GenerationSource note
• QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入Source note
• RAVE：随机噪声重排的快速一致视频编辑Source note
• Reangle-A-Video：把单目视频重演为多视角同步视频Source note
• Rethinking the Spatial Inconsistency in Classifier-Free Diffusion Guidance：语义区域自适应 CFGSource note
• SANA-Sprint：连续时间一致性与对抗蒸馏的一步线性 DiTSource note
• SLD：LLM 驱动的闭环扩散生成纠错Source note
• Scalable Diffusion Models with Transformers：DiT 把 Transformer 真正坐实为可扩展扩散主干Source note
• Score-Based Generative Modeling through Stochastic Differential Equations：分数模型的连续时间统一框架Source note
• Self-Guided Diffusion Models：用自监督伪标注替代人工 guidanceSource note
• Specialist Diffusion：少样本艺术风格扩散微调工具箱Source note
• Splatent：潜空间高斯的新视角参考视图补细节Source note
• StableVideo：用 layered atlas 稳定扩散视频外观编辑Source note
• StreamingT2V：一致、动态、可扩展的长视频文本生成Source note
• Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽Source note
• Towards Practical Plug-and-Play Diffusion Models：噪声分段外部 guidance 工程Source note
• VidToMe：用跨帧 token merging 做零样本视频编辑Source note
• Video EditingTopic
• Video GenerationTopic
• Video-P2P：用 shared-null inversion 与解耦 guidance 做 attention-control 视频编辑Source note
• VideoCrafter2：低质量视频与高质量图像协同训练的视频扩散模型Source note
• VideoDirector：借助文本到视频模型实现精确视频编辑Source note
• Wavelet Diffusion Models：在小波空间压缩少步扩散 GANSource note
• 扩散 TransformerEntity

#editing8

• AIDI：以加速定点迭代改进真实图像扩散反演Source note
• Contrastive Denoising Score：用自注意力对比正则保持编辑结构Source note
• EDICT：用双轨耦合变换实现可逆 diffusion sampler 与真实图像编辑Source note
• Imagic：以文本嵌入优化、模型微调和插值完成真实图像编辑Source note
• Plug-and-Play Diffusion Features：用 U-Net 内部特征控制文本图像翻译Source note
• Shape-aware Text-driven Layered Video Editing：用 UV 变形突破 atlas 的固定形状Source note
• VIVE3D：多帧个性化 EG3D 的视角无关人脸视频编辑Source note
• Video-P2P：用 shared-null inversion 与解耦 guidance 做 attention-control 视频编辑Source note

#efficiency43

• ACT-Diffusion：面向一步扩散模型的高效对抗一致性训练Source note
• Accelerating Diffusion Sampling with Optimized Time Steps：用优化时间步改善少步扩散采样Source note
• Accelerating Diffusion Transformer via Gradient-Optimized Cache：修正 DiT 缓存误差Source note
• Analyzing and Improving the Training Dynamics of Diffusion Models：EDM2 的幅值保持训练与 Post-hoc EMASource note
• CoDi：条件扩散蒸馏实现 1–4 步图像条件生成Source note
• ColPali 与视觉文档检索（ColPali）Entity
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• Come-Closer-Diffuse-Faster：用好初始化缩短条件扩散逆问题路径Source note
• DeepCache：用高层特征缓存免费加速 U-Net 扩散模型Source note
• Diffusion Efficiency EngineeringTopic
• Distilling ODE Solvers of Diffusion Models into Smaller Steps：冻结去噪器的轻量求解器蒸馏Source note
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models：并行方向蒸馏扩散 ODE 求解器Source note
• E5-V：使用多模态大语言模型的通用 embedding（Universal Embeddings with Multimodal Large Language Models）Source note
• EcoSplat：按目标图元数条件化前馈高斯Source note
• Fairy：用 anchor cross-frame attention 并行加速指令视频编辑Source note
• FastGS：多视误差驱动的增密、剪枝与训练加速Source note
• Faster-GS：训练实现拆账与数值稳定性Source note
• FreeU：不重训的扩散 U-Net 特征重加权Source note
• 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）Source note
• 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）Source note
• MuCo:Multi-turn Contrastive Learning for Multimodal Embedding ModelSource note
• OSV：高质量图像到视频生成一步就够Source note
• On Distillation of Guided Diffusion Models：把 CFG 与采样轨迹联合蒸馏到极少步Source note
• Post-Training Quantization on Diffusion Models：面向多 timestep 的 INT8 校准Source note
• Q&C:When Quantization Meets Cache in Efficient GenerationSource note
• RAP：高斯属性驱动的跨场景图元重要性估计Source note
• RAVE：随机噪声重排的快速一致视频编辑Source note
• SANA-Sprint：连续时间一致性与对抗蒸馏的一步线性 DiTSource note
• 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Source note
• SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training）Source note
• SkateFormer：用四类骨架—时间分区实现高效联合注意力Source note
• Specialist Diffusion：少样本艺术风格扩散微调工具箱Source note
• Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速Source note
• Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽Source note
• Turbo-GS：稀疏像素渲染与高斯预算控制Source note
• UVGS:Reimagining Unstructured 3D Gaussian Splatting using UV MappingSource note
• VidToMe：用跨帧 token merging 做零样本视频编辑Source note
• VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架Source note
• 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）Source note
• Wavelet Diffusion Models：在小波空间压缩少步扩散 GANSource note
• gsplat：高斯泼溅实验的可微渲染库与工程基线Source note
• 单 GPU 上的数据高效多模态融合（Data-Efficient Multimodal Fusion on a Single GPU）Source note
• 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?）Source note

#evaluation57

• AIGV-Assessor：用大模型评测文本到视频生成感知质量Source note
• ANetQA：未裁剪视频细粒度组合推理基准Source note
• 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）Source note
• AugCLIP:Context-Aware Image Editing EvaluationSource note
• CLIPScore：基于 CLIP 的无参考图文评测Source note
• COLA：组合式文本到图像检索基准（A Benchmark for Compositional Text-to-image Retrieval）Source note
• ConCon-Chi：个性化视觉语言的新含义与组合性基准Source note
• Datasets, Metrics, and Benchmark ReliabilityTopic
• EditInspector:A Benchmark for Evaluation of Text-Guided Image EditsSource note
• EvalCrafter：大视频生成模型的多维评测与人工偏好校准Source note
• Exposing flaws of generative model evaluation metrics and their unfair treatment of diffusion modelsSource note
• FiVE-Bench：细粒度视频编辑评测基准Source note
• FineCausal：可解释细粒度动作质量评估Source note
• FineDiving：程序感知的细粒度动作质量评估Source note
• FlashEval：用代表性 prompt 子集加速文本到图像模型评测Source note
• GANs Trained by a Two Time-Scale Update Rule：FID 的来源与边界Source note
• Generative Model EvaluationTopic
• GigaGAN:Scaling Up GANs for Text-to-Image SynthesisSource note
• GlitchBench：大型多模态模型能否识别电子游戏故障Source note
• Guidance Matters:Rethinking the Evaluation Pitfall for Text-to-Image GenerationSource note
• HallusionBench：视觉语言幻觉与视觉错觉诊断基准Source note
• Image GenerationTopic
• Image-Text RetrievalTopic
• Imagen Editor 与 EditBench：推进并评测文本引导图像修补Source note
• Improved Techniques for Training GANs：Inception Score 的来源与边界Source note
• InteractTrack:Interactive Tracking and Measurement BoundariesSource note
• LOGO：多人长视频的群体动作质量评估Source note
• LVBench：极长视频理解基准Source note
• M-BEIR 多模态检索评测（M-BEIR）Entity
• MAPLM：地图与交通场景的真实世界多模态问答基准Source note
• MIEB：大规模图像 embedding 评测基准（Massive Image Embedding Benchmark）Source note
• MIRACL-VISION：大规模多语言视觉文档检索基准Source note
• MMMU：跨学科专家级多模态理解与推理基准Source note
• MVBench：综合多模态视频理解基准Source note
• NIST AI RMF：NIST AI RMF 提供 AI 风险管理框架。Source note
• No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能Source note
• POp-GS:Next Best View in 3D-Gaussian Splatting with P-OptimalitySource note
• 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Source note
• RMIR:Reasoning-Intensive Multimodal Image RetrievalSource note
• RefereeBench：多运动项目规则化视频裁判评测Source note
• SOK-Bench：结合开放世界知识的情境视频推理基准Source note
• SportsCap：单目体育 3D 运动捕捉与细粒度属性理解Source note
• SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks）Source note
• Temporal Parsing Transformer：无步骤标签的有序部件 AQASource note
• Towards Active Learning for Action Spotting：足球事件定位的低标注路线Source note
• VBench：视频生成模型综合评测套件Source note
• Video-Bench：人类偏好对齐的视频生成评测Source note
• Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality）Source note
• 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）Source note
• 图文检索与组合性评测集（Image-Text Retrieval Benchmarks）Entity
• 如何审计图文检索中的预训练重叠、概念频率与 benchmark 污染？Question
• 怎样构造既难又不错误的图文检索负例？Question
• 文本—图像组合式检索的鲁棒性基准（Benchmarking Robustness of Text-Image Composed Retrieval）Source note
• 文本到图像生成的可验证与可复现人工评测Source note
• 标准图文检索分数不足以证明组合性理解Claim
• 视频编辑理解Entity
• 通过形式化验证评测文本到视频模型的神经符号方法Source note

#gaussian-splatting57

• 2D Gaussian Splatting：用三维中的二维高斯圆盘重建表面Source note
• 3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic ScenesTopic
• 3D Gaussian Splatting：从稀疏点到实时新视角渲染Source note
• 3DGS as MCMC：用高斯重定位改写密度控制Source note
• 3DGUT：畸变相机高斯无迹投影与混合次级光线Source note
• 4D Gaussian Splatting SLAM:RGB-D Tracking and Dynamic MappingSource note
• 7DGS:Unified Spatial-Temporal-Angular Gaussian SplattingSource note
• AeroDGS：单目航拍动态高斯的地面与轨迹约束Source note
• BrepGaussian：从多视图2DGS到参数化CAD边界Source note
• B³-Seg：已有高斯资产的主动视角二值分割Source note
• Changes in Real Time：在线多视场景变化检测与高斯更新Source note
• CoMe：用置信度和方差约束从高斯提取网格Source note
• DINO 密集特征如何迁移到三维高斯语义分割？Question
• DepthSplat：单目先验与多视匹配互促深度及高斯重建Source note
• Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene GenerationSource note
• EcoSplat：按目标图元数条件化前馈高斯Source note
• EvaGaussians:Event Stream Assisted Gaussian Splatting from Blurry ImagesSource note
• FastGS：多视误差驱动的增密、剪枝与训练加速Source note
• Faster-GS：训练实现拆账与数值稳定性Source note
• FreeSplatter:Sparse-View Gaussians and Camera Recovery without Input CalibrationSource note
• GAINS：稀疏视图的几何—材质—光照逆渲染Source note
• GPERT：事件相机的逐事件几何与单快照光度高斯追踪Source note
• GaussianDWM：驾驶语言高斯连接理解与生成Source note
• Generative Gaussian Splatting:Video Priors and 3D ConsistencySource note
• Generative Sparse-View Gaussian SplattingSource note
• GlobalSplat：全局场景token预测紧凑高斯Source note
• HyperGaussians：高维条件高斯驱动的面部头像Source note
• LangSplat：高斯语言特征与三级语义查询Source note
• Let it Snow!：物理引导的动态天气高斯编辑Source note
• MVSplat：匹配代价体驱动的前馈三维高斯Source note
• Matryoshka Gaussian Splatting：按前缀长度选择高斯预算Source note
• MetroGS：多卡分布式二维高斯的大场景几何重建Source note
• Mip-Splatting：跨尺度采样与三维高斯抗混叠Source note
• MoVieS：有位姿单目视频的前馈动态高斯与运动建模Source note
• NoPoSplat:Canonical-space Gaussians from Sparse Unposed ImagesSource note
• Off The Grid：按图像局部结构预测亚像素高斯Source note
• POp-GS:Next Best View in 3D-Gaussian Splatting with P-OptimalitySource note
• PhysGM:Large Physical Gaussian Model for Feed-Forward 4D SynthesisSource note
• PhysGaussian：让高斯同时参与仿真与渲染Source note
• RAP：高斯属性驱动的跨场景图元重要性估计Source note
• REALM:An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian SplattingSource note
• SPFSplat:Self-Supervised Pose-Free Gaussian Splatting from Sparse ViewsSource note
• SpeeDe3DGS：动态高斯时间剪枝与运动分组Source note
• Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速Source note
• SplatFormer:Point Transformer Refinement for Out-of-Distribution ViewsSource note
• Splatent：潜空间高斯的新视角参考视图补细节Source note
• StochasticSplats:Replacing Gaussian Sorting with Stochastic TransparencySource note
• TT-Occ：测试时高斯构造与语义占据Source note
• Turbo-GS：稀疏像素渲染与高斯预算控制Source note
• UVGS:Reimagining Unstructured 3D Gaussian Splatting using UV MappingSource note
• Uni3R：无外参多视图的几何与语言语义联合高斯Source note
• WildGS-SLAM:Monocular Gaussian Splatting SLAM in Dynamic EnvironmentsSource note
• WildSplat：无位姿野外照片的外观条件高斯Source note
• gsplat：高斯泼溅实验的可微渲染库与工程基线Source note
• iLRM：多视紧凑视角token反复吸收高分辨率图像Source note
• pixelSplat：从已标定图像对前馈预测三维高斯Source note
• tttLRM：快权重记忆驱动长序列高斯重建Source note

#image-editing35

• AIDI：以加速定点迭代改进真实图像扩散反演Source note
• AnyDoor：训练一次的零样本对象级图像定制Source note
• AnyEdit：面向任意创意的统一高质量图像编辑Source note
• AugCLIP:Context-Aware Image Editing EvaluationSource note
• BBDM：以 Brownian Bridge 端点过程建模成对图像翻译Source note
• 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Source note
• Contrastive Denoising Score：用自注意力对比正则保持编辑结构Source note
• DIVE：用 DINO 做主体驱动视频编辑Source note
• DiffEditor：以区域采样与图像提示提升细粒度扩散编辑Source note
• DiffusionCLIP：CLIP 引导的 diffusion U-Net 文本图像操控Source note
• DreamOmni：统一图像生成与编辑Source note
• EDICT：用双轨耦合变换实现可逆 diffusion sampler 与真实图像编辑Source note
• EditInspector:A Benchmark for Evaluation of Text-Guided Image EditsSource note
• FireEdit：基于区域感知视觉语言模型的细粒度指令图像编辑Source note
• FramePainter：用视频扩散先验增强交互式图像编辑Source note
• Image EditingTopic
• Imagen Editor 与 EditBench：推进并评测文本引导图像修补Source note
• Imagic：以文本嵌入优化、模型微调和插值完成真实图像编辑Source note
• InsightEdit：迈向更强指令跟随的图像编辑Source note
• InstructPix2Pix：用合成监督建立自然语言图像编辑接口Source note
• NULL-Text Inversion：用 guided diffusion 编辑真实图像Source note
• Paint by Example：以单张参考图控制局部语义编辑Source note
• Pathways on the Image Manifold：通过视频生成做图像编辑Source note
• Pix2Video：利用图像扩散进行视频编辑Source note
• Plug-and-Play Diffusion Features：用 U-Net 内部特征控制文本图像翻译Source note
• Prompt Tuning Inversion：优化条件嵌入轨迹的真实图像编辑Source note
• Prompt-to-Prompt：用 cross-attention 控制文本驱动图像编辑Source note
• QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入Source note
• SLD：LLM 驱动的闭环扩散生成纠错Source note
• SwiftEdit：基于一步扩散的极速文本引导图像编辑Source note
• UniReal：通过学习真实世界动态实现通用图像生成与编辑Source note
• Unified Image Models Show Multi-Task and Workflow Benefits; Overall Performance Leadership Remains UnverifiedClaim
• 图像生成与编辑统一建模Entity
• 图像编辑的进步主要来自数据扩展还是架构升级Question
• 统一图像模型与专用或模块化流水线如何分工Question

#image-generation83

• A-STAR：测试时分离并保留 cross-attentionSource note
• ACT-Diffusion：面向一步扩散模型的高效对抗一致性训练Source note
• Accelerating Diffusion Sampling with Optimized Time Steps：用优化时间步改善少步扩散采样Source note
• Accelerating Diffusion Transformer via Gradient-Optimized Cache：修正 DiT 缓存误差Source note
• Adding Conditional Control to Text-to-Image Diffusion Models：冻结 U-Net 主干的空间条件侧支Source note
• All Are Worth Words：把 ViT 直接变成扩散模型主干Source note
• Analyzing and Improving the Training Dynamics of Diffusion Models：EDM2 的幅值保持训练与 Post-hoc EMASource note
• AnyDoor：训练一次的零样本对象级图像定制Source note
• AnyEdit：面向任意创意的统一高质量图像编辑Source note
• Attend-and-Excite：用 attention guidance 修复主体遗漏Source note
• Attention Calibration for Disentangled Text-to-Image Personalization：解耦式个性化注意力校准Source note
• Auto-Encoding Variational Bayes：变分自编码器与重参数化Source note
• BoxDiff：无训练的框约束扩散生成Source note
• C3Net：CoDi U-Net 上的图像、文本与音频复合条件协调Source note
• CONFORM：以对比式注意力优化提升文本生成忠实度Source note
• Check, Locate, Rectify：训练免费文本到图像布局校准Source note
• CoDi：条件扩散蒸馏实现 1–4 步图像条件生成Source note
• Come-Closer-Diffuse-Faster：用好初始化缩短条件扩散逆问题路径Source note
• CommonCanvas：Creative Commons 数据上的开放 T2I 扩散训练Source note
• Composer:Creative and Controllable Image Synthesis with Composable ConditionsSource note
• Concept Weaver：模板引导的多概念个性化融合Source note
• Condition-Aware Neural Network：以动态权重控制扩散 TransformerSource note
• CosmicMan：面向人物的文本到图像基础模型Source note
• Custom Diffusion：高效单概念学习与多概念组合Source note
• Customization Assistant：可对话的单图免微调个性化生成Source note
• DC-ControlNet：SDXL U-Net 上的元素内/元素间层次化多条件控制Source note
• DLT：以联合离散—连续 Transformer diffusion 做属性级布局生成Source note
• DeepCache：用高层特征缓存免费加速 U-Net 扩散模型Source note
• Denoising Diffusion Probabilistic Models：现代去噪扩散模型的关键基线Source note
• DenseDiffusion：Stable Diffusion 的 training-free 区域文本 attention modulationSource note
• Diffusion Autoencoders：用语义向量与随机细节码构造可解码扩散表示Source note
• Diffusion Efficiency EngineeringTopic
• Diffusion ModelsTopic
• Diffusion Models Without Attention：不用注意力也能做高分辨率扩散Source note
• Distilling ODE Solvers of Diffusion Models into Smaller Steps：冻结去噪器的轻量求解器蒸馏Source note
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models：并行方向蒸馏扩散 ODE 求解器Source note
• Domain Expansion of Image Generators：图像生成器的领域扩展Source note
• DreamBooth：以少样本全模型微调实现主体驱动生成Source note
• DreamOmni：统一图像生成与编辑Source note
• D²iT：用于高精度图像生成的动态扩散 TransformerSource note
• Encapsulated Composition：组合式文本到图像/视频模型高质量视频合成Source note
• Exposing flaws of generative model evaluation metrics and their unfair treatment of diffusion modelsSource note
• FireEdit：基于区域感知视觉语言模型的细粒度指令图像编辑Source note
• FlashEval：用代表性 prompt 子集加速文本到图像模型评测Source note
• Foundations of Visual Generative ModelsTopic
• FreeU：不重训的扩散 U-Net 特征重加权Source note
• GLIGEN：以冻结基础模型和门控适配器实现开放集合 grounded 生成Source note
• Generative Adversarial Nets：生成对抗网络Source note
• GigaGAN:Scaling Up GANs for Text-to-Image SynthesisSource note
• Glow：可逆 1×1 卷积的生成流模型Source note
• Guidance Matters:Rethinking the Evaluation Pitfall for Text-to-Image GenerationSource note
• High-Fidelity Guided Image Synthesis：笔触约束下的 latent diffusion 测试时优化Source note
• Image GenerationTopic
• Image-specific Prompt Learning：零目标图像的生成器域适配Source note
• InsightEdit：迈向更强指令跟随的图像编辑Source note
• Latent Diffusion Models：高分辨率图像合成的潜空间扩散框架Source note
• LayoutDiffusion：以对象框控制像素 U-Net 的 layout-to-image 生成Source note
• LayoutDiffusion：面向离散 graphic layout 的专用腐化与免重训条件生成Source note
• MultiDiffusion：用最小二乘融合多条去噪路径的 training-free 组合控制Source note
• OmniGen：统一图像生成Source note
• On Distillation of Guided Diffusion Models：把 CFG 与采样轨迹联合蒸馏到极少步Source note
• Pathways on the Image Manifold：通过视频生成做图像编辑Source note
• Pixel Recurrent Neural Networks：像素级自回归图像建模Source note
• Post-Training Quantization on Diffusion Models：面向多 timestep 的 INT8 校准Source note
• Q&C:When Quantization Meets Cache in Efficient GenerationSource note
• ReCo：以坐标 token 和开放区域文本控制图像生成Source note
• Rethinking the Spatial Inconsistency in Classifier-Free Diffusion Guidance：语义区域自适应 CFGSource note
• SANA-Sprint：连续时间一致性与对抗蒸馏的一步线性 DiTSource note
• SLD：LLM 驱动的闭环扩散生成纠错Source note
• Scalable Diffusion Models with Transformers：DiT 把 Transformer 真正坐实为可扩展扩散主干Source note
• Score-Based Generative Modeling through Stochastic Differential Equations：分数模型的连续时间统一框架Source note
• Self-Guided Diffusion Models：用自监督伪标注替代人工 guidanceSource note
• Specialist Diffusion：少样本艺术风格扩散微调工具箱Source note
• SwiftEdit：基于一步扩散的极速文本引导图像编辑Source note
• Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽Source note
• Towards Practical Plug-and-Play Diffusion Models：噪声分段外部 guidance 工程Source note
• UniReal：通过学习真实世界动态实现通用图像生成与编辑Source note
• Unified Image Models Show Multi-Task and Workflow Benefits; Overall Performance Leadership Remains UnverifiedClaim
• Wavelet Diffusion Models：在小波空间压缩少步扩散 GANSource note
• 图像生成与编辑统一建模Entity
• 图像编辑的进步主要来自数据扩展还是架构升级Question
• 文本到图像生成的可验证与可复现人工评测Source note
• 统一图像模型与专用或模块化流水线如何分工Question

#method3

• DINO 家族：自监督视觉表示与预训练骨干Entity
• 图像生成与编辑统一建模Entity
• 扩散 TransformerEntity

#model1

• CLIP 系列模型（CLIP Family）Entity

#multimodal40

• ALBEF：先对齐再融合（Align before Fuse）Source note
• 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）Source note
• 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）Source note
• 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）Source note
• 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）Source note
• CLIP 系列模型（CLIP Family）Entity
• CLIP：用自然语言监督学习可迁移视觉表示Source note
• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• CoCa：对比式图像描述器作为图文基础模型（Contrastive Captioners are Image-Text Foundation Models）Source note
• ColPali 与视觉文档检索（ColPali）Entity
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets）Source note
• Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source note
• FILIP：细粒度交互式语言-图像预训练（Fine-grained Interactive Language-Image Pre-Training）Source note
• FashionIQ：用自然语言反馈检索图像（A New Dataset Towards Retrieving Images by Natural Language Feedback）Source note
• Generative Model EvaluationTopic
• Image-Text RetrievalTopic
• 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）Source note
• M-BEIR 多模态检索评测（M-BEIR）Entity
• No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能Source note
• 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）Source note
• SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training）Source note
• SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks）Source note
• UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers）Source note
• 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）Source note
• Vision-LanguageTopic
• Vision-Language and Multimodal Representation FoundationsTopic
• WEAR：户外健身的第一视角视频与四肢 IMU 数据集Source note
• Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality）Source note
• 双塔负责可扩展召回，细粒度模块负责精排与关系匹配Claim
• 图文检索哪个子方向最适合中等算力的研究生项目？Question
• 图文检索的主要瓶颈仍包括数据质量、分布与概念覆盖Claim
• 多语言多样性改善视觉语言表示（Multilingual Diversity Improves Vision-Language Representations）Source note
• 如何审计图文检索中的预训练重叠、概念频率与 benchmark 污染？Question
• 怎样构造既难又不错误的图文检索负例？Question
• 标准图文检索分数不足以证明组合性理解Claim
• 组合式查询是图文检索中可落地且仍有缺口的研究切口Claim
• 细粒度图文对齐如何兼顾索引效率？Question
• 统一多模态向量是否真的能跨任务、跨语言泛化？Question
• 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Claim

#near-cvpr-2025388

• 2D Gaussian Splatting：用三维中的二维高斯圆盘重建表面Source note
• 3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic ScenesTopic
• 3D Gaussian Splatting：从稀疏点到实时新视角渲染Source note
• 3DGS as MCMC：用高斯重定位改写密度控制Source note
• 3DGUT：畸变相机高斯无迹投影与混合次级光线Source note
• 4D Gaussian Splatting SLAM:RGB-D Tracking and Dynamic MappingSource note
• 7DGS:Unified Spatial-Temporal-Angular Gaussian SplattingSource note
• A ConvNet for the 2020s：ConvNeXt 与现代卷积主干Source note
• A Video is Worth 256 Bases：以时空 EM 低秩基改进零样本视频反演Source note
• A-STAR：测试时分离并保留 cross-attentionSource note
• ACT-Diffusion：面向一步扩散模型的高效对抗一致性训练Source note
• AI Driven Soccer Analysis：单主场足球 2D 映射原型Source note
• AIDI：以加速定点迭代改进真实图像扩散反演Source note
• AIGV-Assessor：用大模型评测文本到视频生成感知质量Source note
• ALBEF：先对齐再融合（Align before Fuse）Source note
• 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）Source note
• ANetQA：未裁剪视频细粒度组合推理基准Source note
• 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）Source note
• AVID：用 Temporal MultiDiffusion 做任意长度视频修补Source note
• Accelerating Diffusion Sampling with Optimized Time Steps：用优化时间步改善少步扩散采样Source note
• Accelerating Diffusion Transformer via Gradient-Optimized Cache：修正 DiT 缓存误差Source note
• Adding Conditional Control to Text-to-Image Diffusion Models：冻结 U-Net 主干的空间条件侧支Source note
• AeroDGS：单目航拍动态高斯的地面与轨迹约束Source note
• Align-A-Video：面向一致视频编辑的确定性奖励调优Source note
• All Are Worth Words：把 ViT 直接变成扩散模型主干Source note
• Analyzing and Improving the Training Dynamics of Diffusion Models：EDM2 的幅值保持训练与 Post-hoc EMASource note
• AnyDoor：训练一次的零样本对象级图像定制Source note
• AnyEdit：面向任意创意的统一高质量图像编辑Source note
• AthletePose3D：高速竞技动作的 3D 姿态与运动学验证Source note
• AthleticsPose：真实田径动作的 3D 姿态与部署边界Source note
• Attend-and-Excite：用 attention guidance 修复主体遗漏Source note
• Attention Calibration for Disentangled Text-to-Image Personalization：解耦式个性化注意力校准Source note
• AugCLIP:Context-Aware Image Editing EvaluationSource note
• Auto-Encoding Variational Bayes：变分自编码器与重参数化Source note
• Automated Offside Detection：基于双固定广角相机的时空越位检测原型Source note
• BBDM：以 Brownian Bridge 端点过程建模成对图像翻译Source note
• 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）Source note
• BST：面向羽毛球击球类型识别的骨架动作 TransformerSource note
• BadmintonDB：面向球员级比赛分析与预测的羽毛球数据集Source note
• 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Source note
• BlockGCN：保留骨架拓扑并轻量建模多种关节关系Source note
• BoxDiff：无训练的框约束扩散生成Source note
• BrepGaussian：从多视图2DGS到参数化CAD边界Source note
• Broadcast2Pitch：从非受控足球转播视频重建比赛状态Source note
• B³-Seg：已有高斯资产的主动视角二值分割Source note
• C3Net：CoDi U-Net 上的图像、文本与音频复合条件协调Source note
• CAMEL：面向文本驱动视频编辑的因果运动增强Source note
• CCEdit：以结构—外观解耦实现创意可控视频编辑Source note
• 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）Source note
• CLIP 系列模型（CLIP Family）Entity
• CLIPScore：基于 CLIP 的无参考图文评测Source note
• CLIP：用自然语言监督学习可迁移视觉表示Source note
• COLA：组合式文本到图像检索基准（A Benchmark for Compositional Text-to-image Retrieval）Source note
• CONFORM：以对比式注意力优化提升文本生成忠实度Source note
• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• 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。Source note
• Changes in Real Time：在线多视场景变化检测与高斯更新Source note
• Check, Locate, Rectify：训练免费文本到图像布局校准Source note
• CoCa：对比式图像描述器作为图文基础模型（Contrastive Captioners are Image-Text Foundation Models）Source note
• CoDi：条件扩散蒸馏实现 1–4 步图像条件生成Source note
• CoLLM：用于组合式图像检索的大语言模型Source note
• CoMe：用置信度和方差约束从高斯提取网格Source note
• ColPali 与视觉文档检索（ColPali）Entity
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• Come-Closer-Diffuse-Faster：用好初始化缩短条件扩散逆问题路径Source note
• CommonCanvas：Creative Commons 数据上的开放 T2I 扩散训练Source note
• Composer:Creative and Controllable Image Synthesis with Composable ConditionsSource note
• Computer Vision OverviewTopic
• ConCon-Chi：个性化视觉语言的新含义与组合性基准Source note
• Concept Weaver：模板引导的多概念个性化融合Source note
• Condition-Aware Neural Network：以动态权重控制扩散 TransformerSource note
• Contrastive Denoising Score：用自注意力对比正则保持编辑结构Source note
• CosmicMan：面向人物的文本到图像基础模型Source note
• Custom Diffusion：高效单概念学习与多概念组合Source note
• Customization Assistant：可对话的单图免微调个性化生成Source note
• DC-ControlNet：SDXL U-Net 上的元素内/元素间层次化多条件控制Source note
• DETR：把目标检测改写成 Transformer set predictionSource note
• DINO 家族：自监督视觉表示与预训练骨干Entity
• DINO 密集特征如何迁移到三维高斯语义分割？Question
• DINOv2:Learning Robust Visual Features without SupervisionSource note
• DINOv3Source note
• DIVE：用 DINO 做主体驱动视频编辑Source note
• DLT：以联合离散—连续 Transformer diffusion 做属性级布局生成Source note
• DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets）Source note
• Datasets, Metrics, and Benchmark ReliabilityTopic
• Deep Residual Learning for Image Recognition：ResNet 与残差学习Source note
• DeepCache：用高层特征缓存免费加速 U-Net 扩散模型Source note
• DeepLabCut：DeepLabCut 是少量标注即可训练的无标记关键点追踪工具。Source note
• Denoising Diffusion Probabilistic Models：现代去噪扩散模型的关键基线Source note
• DenseDiffusion：Stable Diffusion 的 training-free 区域文本 attention modulationSource note
• DepthSplat：单目先验与多视匹配互促深度及高斯重建Source note
• DiT and Transformer-Style Denoisers Are Now Major Scalable Generative BackbonesClaim
• Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene GenerationSource note
• DiffEditor：以区域采样与图像提示提升细粒度扩散编辑Source note
• Diffusion Autoencoders：用语义向量与随机细节码构造可解码扩散表示Source note
• Diffusion Efficiency EngineeringTopic
• Diffusion ModelsTopic
• Diffusion Models Without Attention：不用注意力也能做高分辨率扩散Source note
• DiffusionCLIP：CLIP 引导的 diffusion U-Net 文本图像操控Source note
• Distilling ODE Solvers of Diffusion Models into Smaller Steps：冻结去噪器的轻量求解器蒸馏Source note
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models：并行方向蒸馏扩散 ODE 求解器Source note
• Domain Expansion of Image Generators：图像生成器的领域扩展Source note
• DreamBooth：以少样本全模型微调实现主体驱动生成Source note
• DreamOmni：统一图像生成与编辑Source note
• DynVideo-E：用动态 NeRF 编辑大运动与大视角人体视频Source note
• D²iT：用于高精度图像生成的动态扩散 TransformerSource note
• E5-V：使用多模态大语言模型的通用 embedding（Universal Embeddings with Multimodal Large Language Models）Source note
• EDICT：用双轨耦合变换实现可逆 diffusion sampler 与真实图像编辑Source note
• ELV-Halluc:Semantic Aggregation HallucinationsSource note
• EcoSplat：按目标图元数条件化前馈高斯Source note
• EditInspector:A Benchmark for Evaluation of Text-Guided Image EditsSource note
• Emerging Properties in Self-Supervised Vision TransformersSource note
• Encapsulated Composition：组合式文本到图像/视频模型高质量视频合成Source note
• EvaGaussians:Event Stream Assisted Gaussian Splatting from Blurry ImagesSource note
• EvalCrafter：大视频生成模型的多维评测与人工偏好校准Source note
• Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source note
• Exposing flaws of generative model evaluation metrics and their unfair treatment of diffusion modelsSource note
• FADE：面向视频编辑的频率感知扩散模型分解Source note
• FILIP：细粒度交互式语言-图像预训练（Fine-grained Interactive Language-Image Pre-Training）Source note
• Fairy：用 anchor cross-frame attention 并行加速指令视频编辑Source note
• FashionIQ：用自然语言反馈检索图像（A New Dataset Towards Retrieving Images by Natural Language Feedback）Source note
• FastGS：多视误差驱动的增密、剪枝与训练加速Source note
• Faster R-CNN：共享特征的区域提议网络Source note
• Faster-GS：训练实现拆账与数值稳定性Source note
• FateZero：融合注意力做零样本文本视频编辑Source note
• FiVE-Bench：细粒度视频编辑评测基准Source note
• FineCausal：可解释细粒度动作质量评估Source note
• FineDiving Repository：FineDiving 仓库提供数据集与代码入口。Source note
• FineDiving：程序感知的细粒度动作质量评估Source note
• FineGym：体操视频的层级细粒度动作理解Source note
• FineSports：多人篮球的层级细粒度时空动作定位Source note
• FireEdit：基于区域感知视觉语言模型的细粒度指令图像编辑Source note
• FlashEval：用代表性 prompt 子集加速文本到图像模型评测Source note
• FlowVid：把不完美光流作为软条件的视频编辑Source note
• Foundations of Core Vision TasksTopic
• Foundations of Visual Generative ModelsTopic
• FramePainter：用视频扩散先验增强交互式图像编辑Source note
• FreeSplatter:Sparse-View Gaussians and Camera Recovery without Input CalibrationSource note
• FreeU：不重训的扩散 U-Net 特征重加权Source note
• Fully Convolutional Networks for Semantic Segmentation：全卷积语义分割Source note
• GAINS：稀疏视图的几何—材质—光照逆渲染Source note
• GANs Trained by a Two Time-Scale Update Rule：FID 的来源与边界Source note
• GLIGEN：以冻结基础模型和门控适配器实现开放集合 grounded 生成Source note
• GPERT：事件相机的逐事件几何与单快照光度高斯追踪Source note
• GaussianDWM：驾驶语言高斯连接理解与生成Source note
• General Vid-LLMs Still Struggle With Editing-Element Recognition, Reasoning, and Functional JudgmentClaim
• Generative Adversarial Nets：生成对抗网络Source note
• Generative Gaussian Splatting:Video Priors and 3D ConsistencySource note
• Generative Model EvaluationTopic
• Generative Sparse-View Gaussian SplattingSource note
• GigaGAN:Scaling Up GANs for Text-to-Image SynthesisSource note
• GlitchBench：大型多模态模型能否识别电子游戏故障Source note
• GlobalSplat：全局场景token预测紧凑高斯Source note
• Glow：可逆 1×1 卷积的生成流模型Source note
• GroundingME:Multi-Dimensional Visual Grounding EvaluationSource note
• Guidance Matters:Rethinking the Evaluation Pitfall for Text-to-Image GenerationSource note
• HallusionBench：视觉语言幻觉与视觉错觉诊断基准Source note
• High-Fidelity Guided Image Synthesis：笔触约束下的 latent diffusion 测试时优化Source note
• HomeCourt：HomeCourt 代表手机相机驱动的消费级训练反馈应用。Source note
• Human-in-the-loop Adaptation：团队运动示例检索的人机适配Source note
• HyperGaussians：高维条件高斯驱动的面部头像Source note
• IVEBench:Modern Benchmark Suite for Instruction-Guided Video Editing AssessmentSource note
• Image EditingTopic
• Image GenerationTopic
• Image-Text RetrievalTopic
• Image-specific Prompt Learning：零目标图像的生成器域适配Source note
• ImageNet Classification with Deep Convolutional Neural Networks：AlexNet 与深度视觉转折Source note
• Imagen Editor 与 EditBench：推进并评测文本引导图像修补Source note
• Imagic：以文本嵌入优化、模型微调和插值完成真实图像编辑Source note
• Improved Techniques for Training GANs：Inception Score 的来源与边界Source note
• IndexEntry
• InsViE-1M：通过精细数据构造实现 instruction-based 视频编辑Source note
• InsightEdit：迈向更强指令跟随的图像编辑Source note
• InstructPix2Pix：用合成监督建立自然语言图像编辑接口Source note
• InteractTrack:Interactive Tracking and Measurement BoundariesSource note
• 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）Source note
• KINEXON Player Tracking：KINEXON player tracking 页面展示 UWB/GPS/LPS 球员追踪系统。Source note
• 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）Source note
• LLM Wiki PatternEntry
• LOGO：多人长视频的群体动作质量评估Source note
• LVBench：极长视频理解基准Source note
• LangSplat：高斯语言特征与三级语义查询Source note
• Latent Diffusion Models：高分辨率图像合成的潜空间扩散框架Source note
• LayoutDiffusion：以对象框控制像素 U-Net 的 layout-to-image 生成Source note
• LayoutDiffusion：面向离散 graphic layout 的专用腐化与免重训条件生成Source note
• Let it Snow!：物理引导的动态天气高斯编辑Source note
• 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）Source note
• 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Source note
• LoL:Longer than Longer, Scaling Video Generation to HourSource note
• M-BEIR 多模态检索评测（M-BEIR）Entity
• MAPLM：地图与交通场景的真实世界多模态问答基准Source note
• MIEB：大规模图像 embedding 评测基准（Massive Image Embedding Benchmark）Source note
• MIRACL-VISION：大规模多语言视觉文档检索基准Source note
• 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。Source note
• MMMU：跨学科专家级多模态理解与推理基准Source note
• MMPose / RTMPose：MMPose 提供 2D/3D 姿态估计工具链，RTMPose 强调实时部署。Source note
• MVBench：综合多模态视频理解基准Source note
• MVSplat：匹配代价体驱动的前馈三维高斯Source note
• Mask R-CNN：实例分割与 RoIAlignSource note
• MaskINT：关键帧扩散编辑与非自回归结构插帧的视频编辑Source note
• Matryoshka Gaussian Splatting：按前缀长度选择高斯预算Source note
• MediaPipe Pose：MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。Source note
• MetroGS：多卡分布式二维高斯的大场景几何重建Source note
• Mip-Splatting：跨尺度采样与三维高斯抗混叠Source note
• MoVieS：有位姿单目视频的前馈动态高斯与运动建模Source note
• 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）Source note
• MonoTrack:Shuttle Trajectory Reconstruction from Monocular Badminton VideoSource note
• MotionEditor：参考姿态驱动的人体视频运动编辑Source note
• MotionFollower：通过 score-guided diffusion 编辑视频运动Source note
• MotionStone：用 DiT 解耦运动强度调制的图像到视频生成Source note
• MuCo:Multi-turn Contrastive Learning for Multimodal Embedding ModelSource note
• MultiDiffusion：用最小二乘融合多条去噪路径的 training-free 组合控制Source note
• MultiSenseBadminton：面向羽毛球表现评估的多传感器生物力学数据集Source note
• MultiSports：多人时空动作定位的数据锚点Source note
• NFL Hawk-Eye First Down：AP 报道 NFL 引入基于 Hawk-Eye 的首攻测量技术。Source note
• NIST AI RMF：NIST AI RMF 提供 AI 风险管理框架。Source note
• NULL-Text Inversion：用 guided diffusion 编辑真实图像Source note
• No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能Source note
• NoPoSplat:Canonical-space Gaussians from Sparse Unposed ImagesSource note
• OSV：高质量图像到视频生成一步就够Source note
• Off The Grid：按图像局部结构预测亚像素高斯Source note
• OmniGen：统一图像生成Source note
• On Distillation of Guided Diffusion Models：把 CFG 与采样轨迹联合蒸馏到极少步Source note
• 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。Source note
• OpenPose：OpenPose 是早期多人 2D 关键点检测工具。Source note
• POp-GS:Next Best View in 3D-Gaussian Splatting with P-OptimalitySource note
• Paint by Example：以单张参考图控制局部语义编辑Source note
• PathCRF：从球员轨迹推断结构化控球路径与足球事件Source note
• Pathways on the Image Manifold：通过视频生成做图像编辑Source note
• PhysGM:Large Physical Gaussian Model for Feed-Forward 4D SynthesisSource note
• PhysGaussian：让高斯同时参与仿真与渲染Source note
• 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）Source note
• 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Source note
• Pix2Video：利用图像扩散进行视频编辑Source note
• Pixel Recurrent Neural Networks：像素级自回归图像建模Source note
• Plug-and-Play Diffusion Features：用 U-Net 内部特征控制文本图像翻译Source note
• Post-Training Quantization on Diffusion Models：面向多 timestep 的 INT8 校准Source note
• Premier League Semi-Automated Offside：Reuters 报道英超启用半自动越位技术。Source note
• Prompt Tuning Inversion：优化条件嵌入轨迹的真实图像编辑Source note
• Prompt-to-Prompt：用 cross-attention 控制文本驱动图像编辑Source note
• ProtoGCN：用运动原型重构放大相似骨架动作的局部差异Source note
• Q&C:When Quantization Meets Cache in Efficient GenerationSource note
• QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入Source note
• Quo Vadis, Action Recognition?：I3D、Kinetics 与 3D 视频预训练Source note
• RAP：高斯属性驱动的跨场景图元重要性估计Source note
• RAVE：随机噪声重排的快速一致视频编辑Source note
• REALM:An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian SplattingSource note
• RMIR:Reasoning-Intensive Multimodal Image RetrievalSource note
• ReCo：以坐标 token 和开放区域文本控制图像生成Source note
• Reangle-A-Video：把单目视频重演为多视角同步视频Source note
• RefereeBench：多运动项目规则化视频裁判评测Source note
• Rethinking the Spatial Inconsistency in Classifier-Free Diffusion Guidance：语义区域自适应 CFGSource note
• SANA-Sprint：连续时间一致性与对抗蒸馏的一步线性 DiTSource note
• 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）Source note
• SLD：LLM 驱动的闭环扩散生成纠错Source note
• SOK-Bench：结合开放世界知识的情境视频推理基准Source note
• SPFSplat:Self-Supervised Pose-Free Gaussian Splatting from Sparse ViewsSource note
• ST-GCN：骨架动作识别的时空图卷积基线Source note
• STI-Bench：精确时空世界理解基准Source note
• Scalable Diffusion Models with Transformers：DiT 把 Transformer 真正坐实为可扩展扩散主干Source note
• Score-Based Generative Modeling through Stochastic Differential Equations：分数模型的连续时间统一框架Source note
• 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。Source note
• Segment Anything：把分割做成可提示的视觉基础模型Source note
• Self-Guided Diffusion Models：用自监督伪标注替代人工 guidanceSource note
• Shape-aware Text-driven Layered Video Editing：用 UV 变形突破 atlas 的固定形状Source note
• ShuttleSet：人工标注的羽毛球单打 stroke-level 数据集Source note
• 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Source note
• SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training）Source note
• SkateFormer：用四类骨架—时间分区实现高效联合注意力Source note
• SketchVideo：基于草图的视频生成与编辑Source note
• SoccerNet 2022 Challenges Results：足球视频理解挑战早期基线Source note
• SoccerNet 2023 Challenges Results：足球视频多任务挑战结果Source note
• SoccerNet 2023 Tracking Challenge MOT4MOT：球员跟踪团队报告Source note
• SoccerNet Action Spotting：SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。Source note
• SoccerNet-GSR：足球比赛状态重建锚点Source note
• SoccerNet-Tracking：足球多目标跟踪数据集与基准Source note
• SoccerNet-v2 Camera Calibration：足球场标定与球员定位Source note
• SoccerNet-v2：广播足球内容、剪辑与回放理解基准Source note
• Specialist Diffusion：少样本艺术风格扩散微调工具箱Source note
• SpeeDe3DGS：动态高斯时间剪枝与运动分组Source note
• Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速Source note
• SplatFormer:Point Transformer Refinement for Out-of-Distribution ViewsSource note
• Splatent：潜空间高斯的新视角参考视图补细节Source note
• SportMamba：面向团队运动的非线性多目标跟踪Source note
• Sports AI Research RoadmapTopic
• Sports AI Video UnderstandingTopic
• Sports-QA：复杂专业体育视频问答基准Source note
• SportsCap：单目体育 3D 运动捕捉与细粒度属性理解Source note
• SportsHHI：体育视频中的高层人—人交互检测基准Source note
• SportsMOTEntity
• SportsMOT Dataset Page：SportsMOT 官方数据页记录数据下载、许可和基准说明。Source note
• SportsMOT：多运动场景的大规模球员多目标跟踪基准Source note
• StableVideo：用 layered atlas 稳定扩散视频外观编辑Source note
• StochasticSplats:Replacing Gaussian Sorting with Stochastic TransparencySource note
• StreamingT2V：一致、动态、可扩展的长视频文本生成Source note
• SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks）Source note
• SwiftEdit：基于一步扩散的极速文本引导图像编辑Source note
• Swin Transformer：移位窗口与层级视觉 TransformerSource note
• TT-Occ：测试时高斯构造与语义占据Source note
• TacticAI:An AI Assistant for Football TacticsSource note
• TeamTrack：全场视角的多运动多目标跟踪数据集Source note
• TemPose：面向羽毛球细粒度动作识别的骨架 TransformerSource note
• Temporal Parsing Transformer：无步骤标签的有序部件 AQASource note
• Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽Source note
• TimeSformer：用于视频理解的分解式时空注意力Source note
• Tora：面向视频生成的轨迹导向扩散 TransformerSource note
• Towards Active Learning for Action Spotting：足球事件定位的低标注路线Source note
• Towards Practical Plug-and-Play Diffusion Models：噪声分段外部 guidance 工程Source note
• Towards Structured Analysis：广播羽毛球视频的结构化分析早期系统Source note
• Towards Universal Soccer Video UnderstandingSource note
• TrackMAE：用轨迹遮挡与预测学习运动敏感的视频表征Source note
• TrackNetV2:Efficient Shuttlecock Tracking NetworkSource note
• TrackNetV3：增强羽毛球 shuttle tracking 的数据增强与轨迹校正Source note
• TrackNetV4：用运动注意力图增强快速体育小目标追踪Source note
• TrackNet：体育高速小目标追踪网络Source note
• TranSPORTmer：多智能体体育轨迹理解的统一 Transformer 框架Source note
• Tune-A-Video：单样本调优图像扩散模型做文本到视频生成Source note
• Turbo-GS：稀疏像素渲染与高斯预算控制Source note
• Two-Stream Convolutional Networks for Action Recognition：RGB 与光流双流视频表示Source note
• U-Net：编码器—解码器与跳跃连接的医学图像分割Source note
• UVGS:Reimagining Unstructured 3D Gaussian Splatting using UV MappingSource note
• Uni3R：无外参多视图的几何与语言语义联合高斯Source note
• UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers）Source note
• UniReal：通过学习真实世界动态实现通用图像生成与编辑Source note
• Unified Image Models Show Multi-Task and Workflow Benefits; Overall Performance Leadership Remains UnverifiedClaim
• VARS：SoccerNet-MVFoul 多视角犯规分类与裁判辅助Source note
• VBench：视频生成模型综合评测套件Source note
• VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentationSource note
• VEU-Bench:Benchmarking Video Editing Element Understanding in General Vid-LLMsSource note
• VIVE3D：多帧个性化 EG3D 的视角无关人脸视频编辑Source note
• 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）Source note
• ViLEM：图文检索的视觉—语言错误建模（Visual-Language Error Modeling for Image-Text Retrieval）Source note
• VidToMe：用跨帧 token merging 做零样本视频编辑Source note
• Video EditingTopic
• Video GenerationTopic
• Video Representation and Temporal ModelingTopic
• Video UnderstandingTopic
• Video-Bench：人类偏好对齐的视频生成评测Source note
• Video-P2P：用 shared-null inversion 与解耦 guidance 做 attention-control 视频编辑Source note
• VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架Source note
• VideoCrafter2：低质量视频与高质量图像协同训练的视频扩散模型Source note
• VideoDirector：借助文本到视频模型实现精确视频编辑Source note
• VideoMAE：数据高效的视频掩码自编码预训练Source note
• 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）Source note
• Vision Transformer：把图像切成 token 的通用视觉主干Source note
• Vision-LanguageTopic
• Vision-Language and Multimodal Representation FoundationsTopic
• Visual Representations and BackbonesTopic
• WEAR：户外健身的第一视角视频与四肢 IMU 数据集Source note
• Wavelet Diffusion Models：在小波空间压缩少步扩散 GANSource note
• WildGS-SLAM:Monocular Gaussian Splatting SLAM in Dynamic EnvironmentsSource note
• WildSplat：无位姿野外照片的外观条件高斯Source note
• Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality）Source note
• X-VARS：可解释足球视频助理裁判系统Source note
• gsplat：高斯泼溅实验的可微渲染库与工程基线Source note
• iLRM：多视紧凑视角token反复吸收高分辨率图像Source note
• pixelSplat：从已标定图像对前馈预测三维高斯Source note
• tttLRM：快权重记忆驱动长序列高斯重建Source note
• 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）Source note
• 体育姿态估计与跟踪综述：方法、数据、挑战与路线图Source note
• 单 GPU 上的数据高效多模态融合（Data-Efficient Multimodal Fusion on a Single GPU）Source note
• 双塔负责可扩展召回，细粒度模块负责精排与关系匹配Claim
• 图像生成与编辑统一建模Entity
• 图像编辑的进步主要来自数据扩展还是架构升级Question
• 图文检索与组合性评测集（Image-Text Retrieval Benchmarks）Entity
• 图文检索哪个子方向最适合中等算力的研究生项目？Question
• 图文检索的主要瓶颈仍包括数据质量、分布与概念覆盖Claim
• 多语言多样性改善视觉语言表示（Multilingual Diversity Improves Vision-Language Representations）Source note
• 多边语义关系建模用于图文检索（Multilateral Semantic Relations Modeling for Image Text Retrieval）Source note
• 如何审计图文检索中的预训练重叠、概念频率与 benchmark 污染？Question
• 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?）Source note
• 怎样构造既难又不错误的图文检索负例？Question
• 扩散 TransformerEntity
• 文本—图像组合式检索的鲁棒性基准（Benchmarking Robustness of Text-Image Composed Retrieval）Source note
• 文本到图像生成的可验证与可复现人工评测Source note
• 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）Source note
• 标准图文检索分数不足以证明组合性理解Claim
• 现有评测是否真的刻画了视频编辑理解能力Question
• 生成式零样本组合式图像检索（Generative Zero-Shot Composed Image Retrieval）Source note
• 组合式查询是图文检索中可落地且仍有缺口的研究切口Claim
• 细粒度图文对齐如何兼顾索引效率？Question
• 统一图像模型与专用或模块化流水线如何分工Question
• 统一多模态向量是否真的能跨任务、跨语言泛化？Question
• 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Claim
• 羽毛球挥拍动作纠正 demo 应如何定义Question
• 视频编辑理解Entity
• 通过多模态大模型实现语言驱动视频修补Source note
• 通过形式化验证评测文本到视频模型的神经符号方法Source note

#needs-verification3

• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• DiT and Transformer-Style Denoisers Are Now Major Scalable Generative BackbonesClaim
• Unified Image Models Show Multi-Task and Workflow Benefits; Overall Performance Leadership Remains UnverifiedClaim

#neural-rendering12

• 3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic ScenesTopic
• 3DGUT：畸变相机高斯无迹投影与混合次级光线Source note
• 4D Gaussian Splatting SLAM:RGB-D Tracking and Dynamic MappingSource note
• 7DGS:Unified Spatial-Temporal-Angular Gaussian SplattingSource note
• EvaGaussians:Event Stream Assisted Gaussian Splatting from Blurry ImagesSource note
• Generative Sparse-View Gaussian SplattingSource note
• HyperGaussians：高维条件高斯驱动的面部头像Source note
• MoVieS：有位姿单目视频的前馈动态高斯与运动建模Source note
• Off The Grid：按图像局部结构预测亚像素高斯Source note
• SpeeDe3DGS：动态高斯时间剪枝与运动分组Source note
• Uni3R：无外参多视图的几何与语言语义联合高斯Source note
• iLRM：多视紧凑视角token反复吸收高分辨率图像Source note

#object-detection3

• Faster R-CNN：共享特征的区域提议网络Source note
• Foundations of Core Vision TasksTopic
• Mask R-CNN：实例分割与 RoIAlignSource note

#open-claim8

• DiT and Transformer-Style Denoisers Are Now Major Scalable Generative BackbonesClaim
• General Vid-LLMs Still Struggle With Editing-Element Recognition, Reasoning, and Functional JudgmentClaim
• Unified Image Models Show Multi-Task and Workflow Benefits; Overall Performance Leadership Remains UnverifiedClaim
• 双塔负责可扩展召回，细粒度模块负责精排与关系匹配Claim
• 图文检索的主要瓶颈仍包括数据质量、分布与概念覆盖Claim
• 标准图文检索分数不足以证明组合性理解Claim
• 组合式查询是图文检索中可落地且仍有缺口的研究切口Claim
• 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Claim

#primary-source322

• 2D Gaussian Splatting：用三维中的二维高斯圆盘重建表面Source note
• 3D Gaussian Splatting：从稀疏点到实时新视角渲染Source note
• 3DGS as MCMC：用高斯重定位改写密度控制Source note
• 3DGUT：畸变相机高斯无迹投影与混合次级光线Source note
• 4D Gaussian Splatting SLAM:RGB-D Tracking and Dynamic MappingSource note
• 7DGS:Unified Spatial-Temporal-Angular Gaussian SplattingSource note
• A ConvNet for the 2020s：ConvNeXt 与现代卷积主干Source note
• A Video is Worth 256 Bases：以时空 EM 低秩基改进零样本视频反演Source note
• A-STAR：测试时分离并保留 cross-attentionSource note
• ACT-Diffusion：面向一步扩散模型的高效对抗一致性训练Source note
• AI Driven Soccer Analysis：单主场足球 2D 映射原型Source note
• AIDI：以加速定点迭代改进真实图像扩散反演Source note
• AIGV-Assessor：用大模型评测文本到视频生成感知质量Source note
• ALBEF：先对齐再融合（Align before Fuse）Source note
• 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）Source note
• ANetQA：未裁剪视频细粒度组合推理基准Source note
• 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）Source note
• AVID：用 Temporal MultiDiffusion 做任意长度视频修补Source note
• Accelerating Diffusion Sampling with Optimized Time Steps：用优化时间步改善少步扩散采样Source note
• Accelerating Diffusion Transformer via Gradient-Optimized Cache：修正 DiT 缓存误差Source note
• Adding Conditional Control to Text-to-Image Diffusion Models：冻结 U-Net 主干的空间条件侧支Source note
• AeroDGS：单目航拍动态高斯的地面与轨迹约束Source note
• Align-A-Video：面向一致视频编辑的确定性奖励调优Source note
• All Are Worth Words：把 ViT 直接变成扩散模型主干Source note
• Analyzing and Improving the Training Dynamics of Diffusion Models：EDM2 的幅值保持训练与 Post-hoc EMASource note
• AnyDoor：训练一次的零样本对象级图像定制Source note
• AnyEdit：面向任意创意的统一高质量图像编辑Source note
• AthletePose3D：高速竞技动作的 3D 姿态与运动学验证Source note
• AthleticsPose：真实田径动作的 3D 姿态与部署边界Source note
• Attend-and-Excite：用 attention guidance 修复主体遗漏Source note
• Attention Calibration for Disentangled Text-to-Image Personalization：解耦式个性化注意力校准Source note
• AugCLIP:Context-Aware Image Editing EvaluationSource note
• Auto-Encoding Variational Bayes：变分自编码器与重参数化Source note
• Automated Offside Detection：基于双固定广角相机的时空越位检测原型Source note
• BBDM：以 Brownian Bridge 端点过程建模成对图像翻译Source note
• 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）Source note
• BST：面向羽毛球击球类型识别的骨架动作 TransformerSource note
• BadmintonDB：面向球员级比赛分析与预测的羽毛球数据集Source note
• 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Source note
• BlockGCN：保留骨架拓扑并轻量建模多种关节关系Source note
• BoxDiff：无训练的框约束扩散生成Source note
• BrepGaussian：从多视图2DGS到参数化CAD边界Source note
• Broadcast2Pitch：从非受控足球转播视频重建比赛状态Source note
• B³-Seg：已有高斯资产的主动视角二值分割Source note
• C3Net：CoDi U-Net 上的图像、文本与音频复合条件协调Source note
• CAMEL：面向文本驱动视频编辑的因果运动增强Source note
• CCEdit：以结构—外观解耦实现创意可控视频编辑Source note
• 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）Source note
• CLIPScore：基于 CLIP 的无参考图文评测Source note
• CLIP：用自然语言监督学习可迁移视觉表示Source note
• COLA：组合式文本到图像检索基准（A Benchmark for Compositional Text-to-image Retrieval）Source note
• CONFORM：以对比式注意力优化提升文本生成忠实度Source note
• Changes in Real Time：在线多视场景变化检测与高斯更新Source note
• Check, Locate, Rectify：训练免费文本到图像布局校准Source note
• CoCa：对比式图像描述器作为图文基础模型（Contrastive Captioners are Image-Text Foundation Models）Source note
• CoDi：条件扩散蒸馏实现 1–4 步图像条件生成Source note
• CoLLM：用于组合式图像检索的大语言模型Source note
• CoMe：用置信度和方差约束从高斯提取网格Source note
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• Come-Closer-Diffuse-Faster：用好初始化缩短条件扩散逆问题路径Source note
• CommonCanvas：Creative Commons 数据上的开放 T2I 扩散训练Source note
• Composer:Creative and Controllable Image Synthesis with Composable ConditionsSource note
• ConCon-Chi：个性化视觉语言的新含义与组合性基准Source note
• Concept Weaver：模板引导的多概念个性化融合Source note
• Condition-Aware Neural Network：以动态权重控制扩散 TransformerSource note
• Contrastive Denoising Score：用自注意力对比正则保持编辑结构Source note
• CosmicMan：面向人物的文本到图像基础模型Source note
• Custom Diffusion：高效单概念学习与多概念组合Source note
• Customization Assistant：可对话的单图免微调个性化生成Source note
• DC-ControlNet：SDXL U-Net 上的元素内/元素间层次化多条件控制Source note
• DETR：把目标检测改写成 Transformer set predictionSource note
• DINOv2:Learning Robust Visual Features without SupervisionSource note
• DINOv3Source note
• DIVE：用 DINO 做主体驱动视频编辑Source note
• DLT：以联合离散—连续 Transformer diffusion 做属性级布局生成Source note
• DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets）Source note
• Deep Residual Learning for Image Recognition：ResNet 与残差学习Source note
• DeepCache：用高层特征缓存免费加速 U-Net 扩散模型Source note
• Denoising Diffusion Probabilistic Models：现代去噪扩散模型的关键基线Source note
• DenseDiffusion：Stable Diffusion 的 training-free 区域文本 attention modulationSource note
• DepthSplat：单目先验与多视匹配互促深度及高斯重建Source note
• Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene GenerationSource note
• DiffEditor：以区域采样与图像提示提升细粒度扩散编辑Source note
• Diffusion Autoencoders：用语义向量与随机细节码构造可解码扩散表示Source note
• Diffusion Models Without Attention：不用注意力也能做高分辨率扩散Source note
• DiffusionCLIP：CLIP 引导的 diffusion U-Net 文本图像操控Source note
• Distilling ODE Solvers of Diffusion Models into Smaller Steps：冻结去噪器的轻量求解器蒸馏Source note
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models：并行方向蒸馏扩散 ODE 求解器Source note
• Domain Expansion of Image Generators：图像生成器的领域扩展Source note
• DreamBooth：以少样本全模型微调实现主体驱动生成Source note
• DreamOmni：统一图像生成与编辑Source note
• DynVideo-E：用动态 NeRF 编辑大运动与大视角人体视频Source note
• D²iT：用于高精度图像生成的动态扩散 TransformerSource note
• E5-V：使用多模态大语言模型的通用 embedding（Universal Embeddings with Multimodal Large Language Models）Source note
• EDICT：用双轨耦合变换实现可逆 diffusion sampler 与真实图像编辑Source note
• ELV-Halluc:Semantic Aggregation HallucinationsSource note
• EcoSplat：按目标图元数条件化前馈高斯Source note
• EditInspector:A Benchmark for Evaluation of Text-Guided Image EditsSource note
• Emerging Properties in Self-Supervised Vision TransformersSource note
• Encapsulated Composition：组合式文本到图像/视频模型高质量视频合成Source note
• EvaGaussians:Event Stream Assisted Gaussian Splatting from Blurry ImagesSource note
• EvalCrafter：大视频生成模型的多维评测与人工偏好校准Source note
• Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source note
• Exposing flaws of generative model evaluation metrics and their unfair treatment of diffusion modelsSource note
• FADE：面向视频编辑的频率感知扩散模型分解Source note
• FILIP：细粒度交互式语言-图像预训练（Fine-grained Interactive Language-Image Pre-Training）Source note
• Fairy：用 anchor cross-frame attention 并行加速指令视频编辑Source note
• FashionIQ：用自然语言反馈检索图像（A New Dataset Towards Retrieving Images by Natural Language Feedback）Source note
• FastGS：多视误差驱动的增密、剪枝与训练加速Source note
• Faster R-CNN：共享特征的区域提议网络Source note
• Faster-GS：训练实现拆账与数值稳定性Source note
• FateZero：融合注意力做零样本文本视频编辑Source note
• FiVE-Bench：细粒度视频编辑评测基准Source note
• FineCausal：可解释细粒度动作质量评估Source note
• FineDiving：程序感知的细粒度动作质量评估Source note
• FineGym：体操视频的层级细粒度动作理解Source note
• FineSports：多人篮球的层级细粒度时空动作定位Source note
• FireEdit：基于区域感知视觉语言模型的细粒度指令图像编辑Source note
• FlashEval：用代表性 prompt 子集加速文本到图像模型评测Source note
• FlowVid：把不完美光流作为软条件的视频编辑Source note
• FramePainter：用视频扩散先验增强交互式图像编辑Source note
• FreeSplatter:Sparse-View Gaussians and Camera Recovery without Input CalibrationSource note
• FreeU：不重训的扩散 U-Net 特征重加权Source note
• Fully Convolutional Networks for Semantic Segmentation：全卷积语义分割Source note
• GAINS：稀疏视图的几何—材质—光照逆渲染Source note
• GANs Trained by a Two Time-Scale Update Rule：FID 的来源与边界Source note
• GLIGEN：以冻结基础模型和门控适配器实现开放集合 grounded 生成Source note
• GPERT：事件相机的逐事件几何与单快照光度高斯追踪Source note
• GaussianDWM：驾驶语言高斯连接理解与生成Source note
• Generative Adversarial Nets：生成对抗网络Source note
• Generative Gaussian Splatting:Video Priors and 3D ConsistencySource note
• Generative Sparse-View Gaussian SplattingSource note
• GigaGAN:Scaling Up GANs for Text-to-Image SynthesisSource note
• GlitchBench：大型多模态模型能否识别电子游戏故障Source note
• GlobalSplat：全局场景token预测紧凑高斯Source note
• Glow：可逆 1×1 卷积的生成流模型Source note
• GroundingME:Multi-Dimensional Visual Grounding EvaluationSource note
• Guidance Matters:Rethinking the Evaluation Pitfall for Text-to-Image GenerationSource note
• HallusionBench：视觉语言幻觉与视觉错觉诊断基准Source note
• High-Fidelity Guided Image Synthesis：笔触约束下的 latent diffusion 测试时优化Source note
• Human-in-the-loop Adaptation：团队运动示例检索的人机适配Source note
• HyperGaussians：高维条件高斯驱动的面部头像Source note
• IVEBench:Modern Benchmark Suite for Instruction-Guided Video Editing AssessmentSource note
• Image-specific Prompt Learning：零目标图像的生成器域适配Source note
• ImageNet Classification with Deep Convolutional Neural Networks：AlexNet 与深度视觉转折Source note
• Imagen Editor 与 EditBench：推进并评测文本引导图像修补Source note
• Imagic：以文本嵌入优化、模型微调和插值完成真实图像编辑Source note
• Improved Techniques for Training GANs：Inception Score 的来源与边界Source note
• InsViE-1M：通过精细数据构造实现 instruction-based 视频编辑Source note
• InsightEdit：迈向更强指令跟随的图像编辑Source note
• InstructPix2Pix：用合成监督建立自然语言图像编辑接口Source note
• InteractTrack:Interactive Tracking and Measurement BoundariesSource note
• 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）Source note
• 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）Source note
• LOGO：多人长视频的群体动作质量评估Source note
• LVBench：极长视频理解基准Source note
• LangSplat：高斯语言特征与三级语义查询Source note
• Latent Diffusion Models：高分辨率图像合成的潜空间扩散框架Source note
• LayoutDiffusion：以对象框控制像素 U-Net 的 layout-to-image 生成Source note
• LayoutDiffusion：面向离散 graphic layout 的专用腐化与免重训条件生成Source note
• Let it Snow!：物理引导的动态天气高斯编辑Source note
• 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）Source note
• 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Source note
• LoL:Longer than Longer, Scaling Video Generation to HourSource note
• MAPLM：地图与交通场景的真实世界多模态问答基准Source note
• MIEB：大规模图像 embedding 评测基准（Massive Image Embedding Benchmark）Source note
• MIRACL-VISION：大规模多语言视觉文档检索基准Source note
• MMMU：跨学科专家级多模态理解与推理基准Source note
• MVBench：综合多模态视频理解基准Source note
• MVSplat：匹配代价体驱动的前馈三维高斯Source note
• Mask R-CNN：实例分割与 RoIAlignSource note
• MaskINT：关键帧扩散编辑与非自回归结构插帧的视频编辑Source note
• Matryoshka Gaussian Splatting：按前缀长度选择高斯预算Source note
• MetroGS：多卡分布式二维高斯的大场景几何重建Source note
• Mip-Splatting：跨尺度采样与三维高斯抗混叠Source note
• MoVieS：有位姿单目视频的前馈动态高斯与运动建模Source note
• 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）Source note
• MonoTrack:Shuttle Trajectory Reconstruction from Monocular Badminton VideoSource note
• MotionEditor：参考姿态驱动的人体视频运动编辑Source note
• MotionFollower：通过 score-guided diffusion 编辑视频运动Source note
• MotionStone：用 DiT 解耦运动强度调制的图像到视频生成Source note
• MuCo:Multi-turn Contrastive Learning for Multimodal Embedding ModelSource note
• MultiDiffusion：用最小二乘融合多条去噪路径的 training-free 组合控制Source note
• MultiSenseBadminton：面向羽毛球表现评估的多传感器生物力学数据集Source note
• MultiSports：多人时空动作定位的数据锚点Source note
• NULL-Text Inversion：用 guided diffusion 编辑真实图像Source note
• No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能Source note
• NoPoSplat:Canonical-space Gaussians from Sparse Unposed ImagesSource note
• OSV：高质量图像到视频生成一步就够Source note
• Off The Grid：按图像局部结构预测亚像素高斯Source note
• OmniGen：统一图像生成Source note
• On Distillation of Guided Diffusion Models：把 CFG 与采样轨迹联合蒸馏到极少步Source note
• 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。Source note
• POp-GS:Next Best View in 3D-Gaussian Splatting with P-OptimalitySource note
• Paint by Example：以单张参考图控制局部语义编辑Source note
• PathCRF：从球员轨迹推断结构化控球路径与足球事件Source note
• Pathways on the Image Manifold：通过视频生成做图像编辑Source note
• PhysGM:Large Physical Gaussian Model for Feed-Forward 4D SynthesisSource note
• PhysGaussian：让高斯同时参与仿真与渲染Source note
• 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）Source note
• 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Source note
• Pix2Video：利用图像扩散进行视频编辑Source note
• Pixel Recurrent Neural Networks：像素级自回归图像建模Source note
• Plug-and-Play Diffusion Features：用 U-Net 内部特征控制文本图像翻译Source note
• Post-Training Quantization on Diffusion Models：面向多 timestep 的 INT8 校准Source note
• Prompt Tuning Inversion：优化条件嵌入轨迹的真实图像编辑Source note
• Prompt-to-Prompt：用 cross-attention 控制文本驱动图像编辑Source note
• ProtoGCN：用运动原型重构放大相似骨架动作的局部差异Source note
• Q&C:When Quantization Meets Cache in Efficient GenerationSource note
• QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入Source note
• Quo Vadis, Action Recognition?：I3D、Kinetics 与 3D 视频预训练Source note
• RAP：高斯属性驱动的跨场景图元重要性估计Source note
• RAVE：随机噪声重排的快速一致视频编辑Source note
• REALM:An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian SplattingSource note
• RMIR:Reasoning-Intensive Multimodal Image RetrievalSource note
• ReCo：以坐标 token 和开放区域文本控制图像生成Source note
• Reangle-A-Video：把单目视频重演为多视角同步视频Source note
• RefereeBench：多运动项目规则化视频裁判评测Source note
• Rethinking the Spatial Inconsistency in Classifier-Free Diffusion Guidance：语义区域自适应 CFGSource note
• SANA-Sprint：连续时间一致性与对抗蒸馏的一步线性 DiTSource note
• 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）Source note
• SLD：LLM 驱动的闭环扩散生成纠错Source note
• SOK-Bench：结合开放世界知识的情境视频推理基准Source note
• SPFSplat:Self-Supervised Pose-Free Gaussian Splatting from Sparse ViewsSource note
• ST-GCN：骨架动作识别的时空图卷积基线Source note
• STI-Bench：精确时空世界理解基准Source note
• Scalable Diffusion Models with Transformers：DiT 把 Transformer 真正坐实为可扩展扩散主干Source note
• Score-Based Generative Modeling through Stochastic Differential Equations：分数模型的连续时间统一框架Source note
• Segment Anything：把分割做成可提示的视觉基础模型Source note
• Self-Guided Diffusion Models：用自监督伪标注替代人工 guidanceSource note
• Shape-aware Text-driven Layered Video Editing：用 UV 变形突破 atlas 的固定形状Source note
• ShuttleSet：人工标注的羽毛球单打 stroke-level 数据集Source note
• 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Source note
• SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training）Source note
• SkateFormer：用四类骨架—时间分区实现高效联合注意力Source note
• SketchVideo：基于草图的视频生成与编辑Source note
• SoccerNet 2022 Challenges Results：足球视频理解挑战早期基线Source note
• SoccerNet 2023 Challenges Results：足球视频多任务挑战结果Source note
• SoccerNet 2023 Tracking Challenge MOT4MOT：球员跟踪团队报告Source note
• SoccerNet-GSR：足球比赛状态重建锚点Source note
• SoccerNet-Tracking：足球多目标跟踪数据集与基准Source note
• SoccerNet-v2 Camera Calibration：足球场标定与球员定位Source note
• SoccerNet-v2：广播足球内容、剪辑与回放理解基准Source note
• Specialist Diffusion：少样本艺术风格扩散微调工具箱Source note
• SpeeDe3DGS：动态高斯时间剪枝与运动分组Source note
• Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速Source note
• SplatFormer:Point Transformer Refinement for Out-of-Distribution ViewsSource note
• Splatent：潜空间高斯的新视角参考视图补细节Source note
• SportMamba：面向团队运动的非线性多目标跟踪Source note
• Sports-QA：复杂专业体育视频问答基准Source note
• SportsCap：单目体育 3D 运动捕捉与细粒度属性理解Source note
• SportsHHI：体育视频中的高层人—人交互检测基准Source note
• SportsMOT：多运动场景的大规模球员多目标跟踪基准Source note
• StableVideo：用 layered atlas 稳定扩散视频外观编辑Source note
• StochasticSplats:Replacing Gaussian Sorting with Stochastic TransparencySource note
• StreamingT2V：一致、动态、可扩展的长视频文本生成Source note
• SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks）Source note
• SwiftEdit：基于一步扩散的极速文本引导图像编辑Source note
• Swin Transformer：移位窗口与层级视觉 TransformerSource note
• TT-Occ：测试时高斯构造与语义占据Source note
• TacticAI:An AI Assistant for Football TacticsSource note
• TeamTrack：全场视角的多运动多目标跟踪数据集Source note
• TemPose：面向羽毛球细粒度动作识别的骨架 TransformerSource note
• Temporal Parsing Transformer：无步骤标签的有序部件 AQASource note
• Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽Source note
• TimeSformer：用于视频理解的分解式时空注意力Source note
• Tora：面向视频生成的轨迹导向扩散 TransformerSource note
• Towards Active Learning for Action Spotting：足球事件定位的低标注路线Source note
• Towards Practical Plug-and-Play Diffusion Models：噪声分段外部 guidance 工程Source note
• Towards Structured Analysis：广播羽毛球视频的结构化分析早期系统Source note
• Towards Universal Soccer Video UnderstandingSource note
• TrackMAE：用轨迹遮挡与预测学习运动敏感的视频表征Source note
• TrackNetV2:Efficient Shuttlecock Tracking NetworkSource note
• TrackNetV3：增强羽毛球 shuttle tracking 的数据增强与轨迹校正Source note
• TrackNetV4：用运动注意力图增强快速体育小目标追踪Source note
• TrackNet：体育高速小目标追踪网络Source note
• TranSPORTmer：多智能体体育轨迹理解的统一 Transformer 框架Source note
• Tune-A-Video：单样本调优图像扩散模型做文本到视频生成Source note
• Turbo-GS：稀疏像素渲染与高斯预算控制Source note
• Two-Stream Convolutional Networks for Action Recognition：RGB 与光流双流视频表示Source note
• U-Net：编码器—解码器与跳跃连接的医学图像分割Source note
• UVGS:Reimagining Unstructured 3D Gaussian Splatting using UV MappingSource note
• Uni3R：无外参多视图的几何与语言语义联合高斯Source note
• UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers）Source note
• UniReal：通过学习真实世界动态实现通用图像生成与编辑Source note
• VARS：SoccerNet-MVFoul 多视角犯规分类与裁判辅助Source note
• VBench：视频生成模型综合评测套件Source note
• VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentationSource note
• VEU-Bench:Benchmarking Video Editing Element Understanding in General Vid-LLMsSource note
• VIVE3D：多帧个性化 EG3D 的视角无关人脸视频编辑Source note
• 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）Source note
• ViLEM：图文检索的视觉—语言错误建模（Visual-Language Error Modeling for Image-Text Retrieval）Source note
• VidToMe：用跨帧 token merging 做零样本视频编辑Source note
• Video-Bench：人类偏好对齐的视频生成评测Source note
• Video-P2P：用 shared-null inversion 与解耦 guidance 做 attention-control 视频编辑Source note
• VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架Source note
• VideoCrafter2：低质量视频与高质量图像协同训练的视频扩散模型Source note
• VideoDirector：借助文本到视频模型实现精确视频编辑Source note
• VideoMAE：数据高效的视频掩码自编码预训练Source note
• 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）Source note
• Vision Transformer：把图像切成 token 的通用视觉主干Source note
• WEAR：户外健身的第一视角视频与四肢 IMU 数据集Source note
• Wavelet Diffusion Models：在小波空间压缩少步扩散 GANSource note
• WildGS-SLAM:Monocular Gaussian Splatting SLAM in Dynamic EnvironmentsSource note
• WildSplat：无位姿野外照片的外观条件高斯Source note
• Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality）Source note
• X-VARS：可解释足球视频助理裁判系统Source note
• gsplat：高斯泼溅实验的可微渲染库与工程基线Source note
• iLRM：多视紧凑视角token反复吸收高分辨率图像Source note
• pixelSplat：从已标定图像对前馈预测三维高斯Source note
• tttLRM：快权重记忆驱动长序列高斯重建Source note
• 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）Source note
• 单 GPU 上的数据高效多模态融合（Data-Efficient Multimodal Fusion on a Single GPU）Source note
• 多语言多样性改善视觉语言表示（Multilingual Diversity Improves Vision-Language Representations）Source note
• 多边语义关系建模用于图文检索（Multilateral Semantic Relations Modeling for Image Text Retrieval）Source note
• 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?）Source note
• 文本—图像组合式检索的鲁棒性基准（Benchmarking Robustness of Text-Image Composed Retrieval）Source note
• 文本到图像生成的可验证与可复现人工评测Source note
• 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）Source note
• 生成式零样本组合式图像检索（Generative Zero-Shot Composed Image Retrieval）Source note
• 通过多模态大模型实现语言驱动视频修补Source note
• 通过形式化验证评测文本到视频模型的神经符号方法Source note

#reasoning23

• ANetQA：未裁剪视频细粒度组合推理基准Source note
• Automated Offside Detection：基于双固定广角相机的时空越位检测原型Source note
• COLA：组合式文本到图像检索基准（A Benchmark for Compositional Text-to-image Retrieval）Source note
• CoLLM：用于组合式图像检索的大语言模型Source note
• FineCausal：可解释细粒度动作质量评估Source note
• MMMU：跨学科专家级多模态理解与推理基准Source note
• PathCRF：从球员轨迹推断结构化控球路径与足球事件Source note
• 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Source note
• SOK-Bench：结合开放世界知识的情境视频推理基准Source note
• ST-GCN：骨架动作识别的时空图卷积基线Source note
• Sports AI Research RoadmapTopic
• Sports AI Video UnderstandingTopic
• TacticAI:An AI Assistant for Football TacticsSource note
• Temporal Parsing Transformer：无步骤标签的有序部件 AQASource note
• TimeSformer：用于视频理解的分解式时空注意力Source note
• Towards Universal Soccer Video UnderstandingSource note
• TranSPORTmer：多智能体体育轨迹理解的统一 Transformer 框架Source note
• VARS：SoccerNet-MVFoul 多视角犯规分类与裁判辅助Source note
• VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentationSource note
• ViLEM：图文检索的视觉—语言错误建模（Visual-Language Error Modeling for Image-Text Retrieval）Source note
• Video UnderstandingTopic
• VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架Source note
• X-VARS：可解释足球视频助理裁判系统Source note

#representation-learning70

• A ConvNet for the 2020s：ConvNeXt 与现代卷积主干Source note
• ALBEF：先对齐再融合（Align before Fuse）Source note
• 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）Source note
• Auto-Encoding Variational Bayes：变分自编码器与重参数化Source note
• 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）Source note
• BST：面向羽毛球击球类型识别的骨架动作 TransformerSource note
• BadmintonDB：面向球员级比赛分析与预测的羽毛球数据集Source note
• BlockGCN：保留骨架拓扑并轻量建模多种关节关系Source note
• CLIP 系列模型（CLIP Family）Entity
• CLIP：用自然语言监督学习可迁移视觉表示Source note
• CoCa：对比式图像描述器作为图文基础模型（Contrastive Captioners are Image-Text Foundation Models）Source note
• ColPali 与视觉文档检索（ColPali）Entity
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• Computer Vision OverviewTopic
• DETR：把目标检测改写成 Transformer set predictionSource note
• DINO 家族：自监督视觉表示与预训练骨干Entity
• DINO 密集特征如何迁移到三维高斯语义分割？Question
• DINOv2:Learning Robust Visual Features without SupervisionSource note
• DINOv3Source note
• DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets）Source note
• Deep Residual Learning for Image Recognition：ResNet 与残差学习Source note
• Diffusion Autoencoders：用语义向量与随机细节码构造可解码扩散表示Source note
• Domain Expansion of Image Generators：图像生成器的领域扩展Source note
• E5-V：使用多模态大语言模型的通用 embedding（Universal Embeddings with Multimodal Large Language Models）Source note
• Emerging Properties in Self-Supervised Vision TransformersSource note
• FILIP：细粒度交互式语言-图像预训练（Fine-grained Interactive Language-Image Pre-Training）Source note
• Faster R-CNN：共享特征的区域提议网络Source note
• Foundations of Visual Generative ModelsTopic
• Fully Convolutional Networks for Semantic Segmentation：全卷积语义分割Source note
• Image-Text RetrievalTopic
• ImageNet Classification with Deep Convolutional Neural Networks：AlexNet 与深度视觉转折Source note
• 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）Source note
• 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）Source note
• 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）Source note
• MuCo:Multi-turn Contrastive Learning for Multimodal Embedding ModelSource note
• MultiSenseBadminton：面向羽毛球表现评估的多传感器生物力学数据集Source note
• 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）Source note
• ProtoGCN：用运动原型重构放大相似骨架动作的局部差异Source note
• Quo Vadis, Action Recognition?：I3D、Kinetics 与 3D 视频预训练Source note
• 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）Source note
• Segment Anything：把分割做成可提示的视觉基础模型Source note
• 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Source note
• SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training）Source note
• SkateFormer：用四类骨架—时间分区实现高效联合注意力Source note
• SportsCap：单目体育 3D 运动捕捉与细粒度属性理解Source note
• Swin Transformer：移位窗口与层级视觉 TransformerSource note
• TemPose：面向羽毛球细粒度动作识别的骨架 TransformerSource note
• TrackMAE：用轨迹遮挡与预测学习运动敏感的视频表征Source note
• Two-Stream Convolutional Networks for Action Recognition：RGB 与光流双流视频表示Source note
• U-Net：编码器—解码器与跳跃连接的医学图像分割Source note
• UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers）Source note
• 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）Source note
• ViLEM：图文检索的视觉—语言错误建模（Visual-Language Error Modeling for Image-Text Retrieval）Source note
• Video Representation and Temporal ModelingTopic
• VideoMAE：数据高效的视频掩码自编码预训练Source note
• 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）Source note
• Vision Transformer：把图像切成 token 的通用视觉主干Source note
• Vision-Language and Multimodal Representation FoundationsTopic
• Visual Representations and BackbonesTopic
• 单 GPU 上的数据高效多模态融合（Data-Efficient Multimodal Fusion on a Single GPU）Source note
• 双塔负责可扩展召回，细粒度模块负责精排与关系匹配Claim
• 多语言多样性改善视觉语言表示（Multilingual Diversity Improves Vision-Language Representations）Source note
• 多边语义关系建模用于图文检索（Multilateral Semantic Relations Modeling for Image Text Retrieval）Source note
• 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?）Source note
• 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）Source note
• 生成式零样本组合式图像检索（Generative Zero-Shot Composed Image Retrieval）Source note
• 细粒度图文对齐如何兼顾索引效率？Question
• 统一多模态向量是否真的能跨任务、跨语言泛化？Question
• 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Claim
• 羽毛球挥拍动作纠正 demo 应如何定义Question

#secondary-source16

• 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。Source note
• DeepLabCut：DeepLabCut 是少量标注即可训练的无标记关键点追踪工具。Source note
• FineDiving Repository：FineDiving 仓库提供数据集与代码入口。Source note
• HomeCourt：HomeCourt 代表手机相机驱动的消费级训练反馈应用。Source note
• KINEXON Player Tracking：KINEXON player tracking 页面展示 UWB/GPS/LPS 球员追踪系统。Source note
• 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。Source note
• MMPose / RTMPose：MMPose 提供 2D/3D 姿态估计工具链，RTMPose 强调实时部署。Source note
• MediaPipe Pose：MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。Source note
• NFL Hawk-Eye First Down：AP 报道 NFL 引入基于 Hawk-Eye 的首攻测量技术。Source note
• NIST AI RMF：NIST AI RMF 提供 AI 风险管理框架。Source note
• OpenPose：OpenPose 是早期多人 2D 关键点检测工具。Source note
• Premier League Semi-Automated Offside：Reuters 报道英超启用半自动越位技术。Source note
• 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。Source note
• SoccerNet Action Spotting：SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。Source note
• SportsMOT Dataset Page：SportsMOT 官方数据页记录数据下载、许可和基准说明。Source note
• 体育姿态估计与跟踪综述：方法、数据、挑战与路线图Source note

#segmentation7

• B³-Seg：已有高斯资产的主动视角二值分割Source note
• Changes in Real Time：在线多视场景变化检测与高斯更新Source note
• DINO 密集特征如何迁移到三维高斯语义分割？Question
• Fully Convolutional Networks for Semantic Segmentation：全卷积语义分割Source note
• Mask R-CNN：实例分割与 RoIAlignSource note
• TT-Occ：测试时高斯构造与语义占据Source note
• U-Net：编码器—解码器与跳跃连接的医学图像分割Source note

#survey-needed11

• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• DINO 密集特征如何迁移到三维高斯语义分割？Question
• 图像编辑的进步主要来自数据扩展还是架构升级Question
• 图文检索哪个子方向最适合中等算力的研究生项目？Question
• 如何审计图文检索中的预训练重叠、概念频率与 benchmark 污染？Question
• 怎样构造既难又不错误的图文检索负例？Question
• 现有评测是否真的刻画了视频编辑理解能力Question
• 细粒度图文对齐如何兼顾索引效率？Question
• 统一图像模型与专用或模块化流水线如何分工Question
• 统一多模态向量是否真的能跨任务、跨语言泛化？Question
• 羽毛球挥拍动作纠正 demo 应如何定义Question

#tracking28

• AI Driven Soccer Analysis：单主场足球 2D 映射原型Source note
• BST：面向羽毛球击球类型识别的骨架动作 TransformerSource note
• Broadcast2Pitch：从非受控足球转播视频重建比赛状态Source note
• Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source note
• InteractTrack:Interactive Tracking and Measurement BoundariesSource note
• KINEXON Player Tracking：KINEXON player tracking 页面展示 UWB/GPS/LPS 球员追踪系统。Source note
• MonoTrack:Shuttle Trajectory Reconstruction from Monocular Badminton VideoSource note
• PathCRF：从球员轨迹推断结构化控球路径与足球事件Source note
• 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。Source note
• SoccerNet 2023 Tracking Challenge MOT4MOT：球员跟踪团队报告Source note
• SoccerNet-GSR：足球比赛状态重建锚点Source note
• SoccerNet-Tracking：足球多目标跟踪数据集与基准Source note
• SoccerNet-v2 Camera Calibration：足球场标定与球员定位Source note
• SportMamba：面向团队运动的非线性多目标跟踪Source note
• Sports AI Research RoadmapTopic
• Sports AI Video UnderstandingTopic
• SportsMOTEntity
• SportsMOT Dataset Page：SportsMOT 官方数据页记录数据下载、许可和基准说明。Source note
• SportsMOT：多运动场景的大规模球员多目标跟踪基准Source note
• TeamTrack：全场视角的多运动多目标跟踪数据集Source note
• Towards Structured Analysis：广播羽毛球视频的结构化分析早期系统Source note
• TrackMAE：用轨迹遮挡与预测学习运动敏感的视频表征Source note
• TrackNetV2:Efficient Shuttlecock Tracking NetworkSource note
• TrackNetV3：增强羽毛球 shuttle tracking 的数据增强与轨迹校正Source note
• TrackNetV4：用运动注意力图增强快速体育小目标追踪Source note
• TrackNet：体育高速小目标追踪网络Source note
• TranSPORTmer：多智能体体育轨迹理解的统一 Transformer 框架Source note
• 体育姿态估计与跟踪综述：方法、数据、挑战与路线图Source note

#video-editing34

• A Video is Worth 256 Bases：以时空 EM 低秩基改进零样本视频反演Source note
• AVID：用 Temporal MultiDiffusion 做任意长度视频修补Source note
• Align-A-Video：面向一致视频编辑的确定性奖励调优Source note
• CAMEL：面向文本驱动视频编辑的因果运动增强Source note
• CCEdit：以结构—外观解耦实现创意可控视频编辑Source note
• DIVE：用 DINO 做主体驱动视频编辑Source note
• DynVideo-E：用动态 NeRF 编辑大运动与大视角人体视频Source note
• FADE：面向视频编辑的频率感知扩散模型分解Source note
• Fairy：用 anchor cross-frame attention 并行加速指令视频编辑Source note
• FateZero：融合注意力做零样本文本视频编辑Source note
• FiVE-Bench：细粒度视频编辑评测基准Source note
• FlowVid：把不完美光流作为软条件的视频编辑Source note
• General Vid-LLMs Still Struggle With Editing-Element Recognition, Reasoning, and Functional JudgmentClaim
• IVEBench:Modern Benchmark Suite for Instruction-Guided Video Editing AssessmentSource note
• InsViE-1M：通过精细数据构造实现 instruction-based 视频编辑Source note
• MaskINT：关键帧扩散编辑与非自回归结构插帧的视频编辑Source note
• MotionEditor：参考姿态驱动的人体视频运动编辑Source note
• MotionFollower：通过 score-guided diffusion 编辑视频运动Source note
• Pix2Video：利用图像扩散进行视频编辑Source note
• QK-Edit：在 MM-DiT 中重构图像与视频编辑的 attention 注入Source note
• RAVE：随机噪声重排的快速一致视频编辑Source note
• Shape-aware Text-driven Layered Video Editing：用 UV 变形突破 atlas 的固定形状Source note
• SketchVideo：基于草图的视频生成与编辑Source note
• StableVideo：用 layered atlas 稳定扩散视频外观编辑Source note
• VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentationSource note
• VEU-Bench:Benchmarking Video Editing Element Understanding in General Vid-LLMsSource note
• VIVE3D：多帧个性化 EG3D 的视角无关人脸视频编辑Source note
• VidToMe：用跨帧 token merging 做零样本视频编辑Source note
• Video EditingTopic
• Video-P2P：用 shared-null inversion 与解耦 guidance 做 attention-control 视频编辑Source note
• VideoDirector：借助文本到视频模型实现精确视频编辑Source note
• 现有评测是否真的刻画了视频编辑理解能力Question
• 视频编辑理解Entity
• 通过多模态大模型实现语言驱动视频修补Source note

#video-generation24

• AIGV-Assessor：用大模型评测文本到视频生成感知质量Source note
• CAMEL：面向文本驱动视频编辑的因果运动增强Source note
• Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene GenerationSource note
• Encapsulated Composition：组合式文本到图像/视频模型高质量视频合成Source note
• EvalCrafter：大视频生成模型的多维评测与人工偏好校准Source note
• FramePainter：用视频扩散先验增强交互式图像编辑Source note
• InsViE-1M：通过精细数据构造实现 instruction-based 视频编辑Source note
• 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Source note
• LoL:Longer than Longer, Scaling Video Generation to HourSource note
• MaskINT：关键帧扩散编辑与非自回归结构插帧的视频编辑Source note
• MotionFollower：通过 score-guided diffusion 编辑视频运动Source note
• MotionStone：用 DiT 解耦运动强度调制的图像到视频生成Source note
• OSV：高质量图像到视频生成一步就够Source note
• Pix2Video：利用图像扩散进行视频编辑Source note
• Reangle-A-Video：把单目视频重演为多视角同步视频Source note
• SketchVideo：基于草图的视频生成与编辑Source note
• StreamingT2V：一致、动态、可扩展的长视频文本生成Source note
• Tora：面向视频生成的轨迹导向扩散 TransformerSource note
• Tune-A-Video：单样本调优图像扩散模型做文本到视频生成Source note
• VBench：视频生成模型综合评测套件Source note
• Video GenerationTopic
• Video-Bench：人类偏好对齐的视频生成评测Source note
• VideoCrafter2：低质量视频与高质量图像协同训练的视频扩散模型Source note
• 通过形式化验证评测文本到视频模型的神经符号方法Source note

#video-representation3

• Quo Vadis, Action Recognition?：I3D、Kinetics 与 3D 视频预训练Source note
• Two-Stream Convolutional Networks for Action Recognition：RGB 与光流双流视频表示Source note
• Video Representation and Temporal ModelingTopic

#video-understanding82

• AI Driven Soccer Analysis：单主场足球 2D 映射原型Source note
• ANetQA：未裁剪视频细粒度组合推理基准Source note
• AthletePose3D：高速竞技动作的 3D 姿态与运动学验证Source note
• AthleticsPose：真实田径动作的 3D 姿态与部署边界Source note
• Automated Offside Detection：基于双固定广角相机的时空越位检测原型Source note
• BST：面向羽毛球击球类型识别的骨架动作 TransformerSource note
• BadmintonDB：面向球员级比赛分析与预测的羽毛球数据集Source note
• BlockGCN：保留骨架拓扑并轻量建模多种关节关系Source note
• Broadcast2Pitch：从非受控足球转播视频重建比赛状态Source note
• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• 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。Source note
• DeepLabCut：DeepLabCut 是少量标注即可训练的无标记关键点追踪工具。Source note
• ELV-Halluc:Semantic Aggregation HallucinationsSource note
• Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source note
• FineCausal：可解释细粒度动作质量评估Source note
• FineDiving Repository：FineDiving 仓库提供数据集与代码入口。Source note
• FineDiving：程序感知的细粒度动作质量评估Source note
• FineGym：体操视频的层级细粒度动作理解Source note
• FineSports：多人篮球的层级细粒度时空动作定位Source note
• GlitchBench：大型多模态模型能否识别电子游戏故障Source note
• HomeCourt：HomeCourt 代表手机相机驱动的消费级训练反馈应用。Source note
• Human-in-the-loop Adaptation：团队运动示例检索的人机适配Source note
• InteractTrack:Interactive Tracking and Measurement BoundariesSource note
• LOGO：多人长视频的群体动作质量评估Source note
• LVBench：极长视频理解基准Source note
• 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。Source note
• MMPose / RTMPose：MMPose 提供 2D/3D 姿态估计工具链，RTMPose 强调实时部署。Source note
• MVBench：综合多模态视频理解基准Source note
• MediaPipe Pose：MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。Source note
• MonoTrack:Shuttle Trajectory Reconstruction from Monocular Badminton VideoSource note
• MultiSenseBadminton：面向羽毛球表现评估的多传感器生物力学数据集Source note
• MultiSports：多人时空动作定位的数据锚点Source note
• NFL Hawk-Eye First Down：AP 报道 NFL 引入基于 Hawk-Eye 的首攻测量技术。Source note
• 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。Source note
• OpenPose：OpenPose 是早期多人 2D 关键点检测工具。Source note
• PathCRF：从球员轨迹推断结构化控球路径与足球事件Source note
• Premier League Semi-Automated Offside：Reuters 报道英超启用半自动越位技术。Source note
• ProtoGCN：用运动原型重构放大相似骨架动作的局部差异Source note
• Quo Vadis, Action Recognition?：I3D、Kinetics 与 3D 视频预训练Source note
• RefereeBench：多运动项目规则化视频裁判评测Source note
• SOK-Bench：结合开放世界知识的情境视频推理基准Source note
• ST-GCN：骨架动作识别的时空图卷积基线Source note
• STI-Bench：精确时空世界理解基准Source note
• ShuttleSet：人工标注的羽毛球单打 stroke-level 数据集Source note
• SkateFormer：用四类骨架—时间分区实现高效联合注意力Source note
• SoccerNet 2022 Challenges Results：足球视频理解挑战早期基线Source note
• SoccerNet 2023 Challenges Results：足球视频多任务挑战结果Source note
• SoccerNet 2023 Tracking Challenge MOT4MOT：球员跟踪团队报告Source note
• SoccerNet Action Spotting：SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。Source note
• SoccerNet-GSR：足球比赛状态重建锚点Source note
• SoccerNet-Tracking：足球多目标跟踪数据集与基准Source note
• SoccerNet-v2 Camera Calibration：足球场标定与球员定位Source note
• SoccerNet-v2：广播足球内容、剪辑与回放理解基准Source note
• Sports AI Research RoadmapTopic
• Sports AI Video UnderstandingTopic
• Sports-QA：复杂专业体育视频问答基准Source note
• SportsCap：单目体育 3D 运动捕捉与细粒度属性理解Source note
• SportsHHI：体育视频中的高层人—人交互检测基准Source note
• TacticAI:An AI Assistant for Football TacticsSource note
• TemPose：面向羽毛球细粒度动作识别的骨架 TransformerSource note
• Temporal Parsing Transformer：无步骤标签的有序部件 AQASource note
• TimeSformer：用于视频理解的分解式时空注意力Source note
• Towards Active Learning for Action Spotting：足球事件定位的低标注路线Source note
• Towards Structured Analysis：广播羽毛球视频的结构化分析早期系统Source note
• Towards Universal Soccer Video UnderstandingSource note
• TrackMAE：用轨迹遮挡与预测学习运动敏感的视频表征Source note
• TrackNetV2:Efficient Shuttlecock Tracking NetworkSource note
• TrackNetV3：增强羽毛球 shuttle tracking 的数据增强与轨迹校正Source note
• TrackNetV4：用运动注意力图增强快速体育小目标追踪Source note
• TrackNet：体育高速小目标追踪网络Source note
• Two-Stream Convolutional Networks for Action Recognition：RGB 与光流双流视频表示Source note
• VARS：SoccerNet-MVFoul 多视角犯规分类与裁判辅助Source note
• VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentationSource note
• Video Representation and Temporal ModelingTopic
• Video UnderstandingTopic
• VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架Source note
• VideoMAE：数据高效的视频掩码自编码预训练Source note
• WEAR：户外健身的第一视角视频与四肢 IMU 数据集Source note
• X-VARS：可解释足球视频助理裁判系统Source note
• 体育姿态估计与跟踪综述：方法、数据、挑战与路线图Source note
• 羽毛球挥拍动作纠正 demo 应如何定义Question
• 通过多模态大模型实现语言驱动视频修补Source note

#vision4

• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• DETR：把目标检测改写成 Transformer set predictionSource note
• Segment Anything：把分割做成可提示的视觉基础模型Source note
• Vision Transformer：把图像切成 token 的通用视觉主干Source note

#vision-foundations9

• A ConvNet for the 2020s：ConvNeXt 与现代卷积主干Source note
• Computer Vision OverviewTopic
• DINOv2:Learning Robust Visual Features without SupervisionSource note
• DINOv3Source note
• Deep Residual Learning for Image Recognition：ResNet 与残差学习Source note
• Emerging Properties in Self-Supervised Vision TransformersSource note
• ImageNet Classification with Deep Convolutional Neural Networks：AlexNet 与深度视觉转折Source note
• Swin Transformer：移位窗口与层级视觉 TransformerSource note
• Visual Representations and BackbonesTopic

#vision-language71

• ALBEF：先对齐再融合（Align before Fuse）Source note
• 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）Source note
• 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）Source note
• 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）Source note
• 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）Source note
• CLIP 系列模型（CLIP Family）Entity
• CLIPScore：基于 CLIP 的无参考图文评测Source note
• CLIP：用自然语言监督学习可迁移视觉表示Source note
• Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?Question
• CoCa：对比式图像描述器作为图文基础模型（Contrastive Captioners are Image-Text Foundation Models）Source note
• CoLLM：用于组合式图像检索的大语言模型Source note
• ColPali 与视觉文档检索（ColPali）Entity
• ColPali：用视觉语言模型做高效文档检索（Efficient Document Retrieval with Vision Language Models）Source note
• ConCon-Chi：个性化视觉语言的新含义与组合性基准Source note
• DataComp：寻找下一代多模态数据集（In search of the next generation of multimodal datasets）Source note
• E5-V：使用多模态大语言模型的通用 embedding（Universal Embeddings with Multimodal Large Language Models）Source note
• FILIP：细粒度交互式语言-图像预训练（Fine-grained Interactive Language-Image Pre-Training）Source note
• FashionIQ：用自然语言反馈检索图像（A New Dataset Towards Retrieving Images by Natural Language Feedback）Source note
• FineSports：多人篮球的层级细粒度时空动作定位Source note
• GaussianDWM：驾驶语言高斯连接理解与生成Source note
• GroundingME:Multi-Dimensional Visual Grounding EvaluationSource note
• HallusionBench：视觉语言幻觉与视觉错觉诊断基准Source note
• Human-in-the-loop Adaptation：团队运动示例检索的人机适配Source note
• Image-Text RetrievalTopic
• 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）Source note
• 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）Source note
• 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）Source note
• MAPLM：地图与交通场景的真实世界多模态问答基准Source note
• MIEB：大规模图像 embedding 评测基准（Massive Image Embedding Benchmark）Source note
• MIRACL-VISION：大规模多语言视觉文档检索基准Source note
• MMMU：跨学科专家级多模态理解与推理基准Source note
• 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）Source note
• MuCo:Multi-turn Contrastive Learning for Multimodal Embedding ModelSource note
• No Zero-Shot Without Exponential Data：预训练概念频率决定多模态模型性能Source note
• 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）Source note
• REALM:An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian SplattingSource note
• RMIR:Reasoning-Intensive Multimodal Image RetrievalSource note
• 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）Source note
• STI-Bench：精确时空世界理解基准Source note
• 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Source note
• SigLIP：语言-图像预训练的 Sigmoid 损失（Sigmoid Loss for Language Image Pre-Training）Source note
• Sports-QA：复杂专业体育视频问答基准Source note
• SugarCrepe：修复可被捷径攻破的视觉语言组合性基准（Fixing Hackable Benchmarks）Source note
• UniIR：训练和评测通用多模态信息检索器（Training and Benchmarking Universal Multimodal Information Retrievers）Source note
• VEGGIE：统一指令视频编辑、grounding 与 reasoning segmentationSource note
• 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）Source note
• ViLEM：图文检索的视觉—语言错误建模（Visual-Language Error Modeling for Image-Text Retrieval）Source note
• VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架Source note
• 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）Source note
• Vision-LanguageTopic
• Vision-Language and Multimodal Representation FoundationsTopic
• Winoground：探测视觉语言组合性（Probing Vision and Language Models for Visio-Linguistic Compositionality）Source note
• X-VARS：可解释足球视频助理裁判系统Source note
• 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）Source note
• 单 GPU 上的数据高效多模态融合（Data-Efficient Multimodal Fusion on a Single GPU）Source note
• 双塔负责可扩展召回，细粒度模块负责精排与关系匹配Claim
• 图文检索哪个子方向最适合中等算力的研究生项目？Question
• 图文检索的主要瓶颈仍包括数据质量、分布与概念覆盖Claim
• 多语言多样性改善视觉语言表示（Multilingual Diversity Improves Vision-Language Representations）Source note
• 多边语义关系建模用于图文检索（Multilateral Semantic Relations Modeling for Image Text Retrieval）Source note
• 如何审计图文检索中的预训练重叠、概念频率与 benchmark 污染？Question
• 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?）Source note
• 怎样构造既难又不错误的图文检索负例？Question
• 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）Source note
• 标准图文检索分数不足以证明组合性理解Claim
• 生成式零样本组合式图像检索（Generative Zero-Shot Composed Image Retrieval）Source note
• 组合式查询是图文检索中可落地且仍有缺口的研究切口Claim
• 细粒度图文对齐如何兼顾索引效率？Question
• 统一多模态向量是否真的能跨任务、跨语言泛化？Question
• 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Claim
• 通过多模态大模型实现语言驱动视频修补Source note