Tags
#autoregressive
- 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
#benchmark
- 视频编辑理解Entity
#benchmarking
- 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
- 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
- HallusionBench：视觉语言幻觉与视觉错觉诊断基准Source 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
- 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
#classification
#conditioning
- 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
#control
- 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
- 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
#dataset
- SportsMOTEntity
#diffusion
- 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
- 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
- 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
- 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
- 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
- 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
- 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
#editing
- 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
#efficiency
- 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
- Fairy：用 anchor cross-frame attention 并行加速指令视频编辑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
- 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
- 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
- Text Embedding Knows How to Quantize：用文本条件动态分配扩散激活位宽Source 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
- 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
#evaluation
- 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
- 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
- EvalCrafter：大视频生成模型的多维评测与人工偏好校准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
- 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
- GlitchBench：大型多模态模型能否识别电子游戏故障Source 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
- 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
- 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
- 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
#image-editing
- 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
- 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
- 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-generation
- 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
- 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
- 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
- Glow：可逆 1×1 卷积的生成流模型Source 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
- 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
#method
- 图像生成与编辑统一建模Entity
- 扩散 TransformerEntity
#model
- CLIP 系列模型（CLIP Family）Entity
#multimodal
- 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-2025
- 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
- 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
- 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
- Broadcast2Pitch：从非受控足球转播视频重建比赛状态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
- 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
- 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
- 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
- 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
- DiT and Transformer-Style Denoisers Are Now Major Scalable Generative BackbonesClaim
- 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
- 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
- Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source 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
- Faster R-CNN：共享特征的区域提议网络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
- 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
- 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
- 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 Model EvaluationTopic
- GlitchBench：大型多模态模型能否识别电子游戏故障Source note
- Glow：可逆 1×1 卷积的生成流模型Source 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
- 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
- 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
- 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
- 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
- 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
- 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
- MediaPipe Pose：MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。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
- 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
- OSV：高质量图像到视频生成一步就够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
- 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
- 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
- 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
- RAVE：随机噪声重排的快速一致视频编辑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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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-verification
#object-detection
- 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-claim
- 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-source
- 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
- 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
- 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
- Broadcast2Pitch：从非受控足球转播视频重建比赛状态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
- 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
- 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
- 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
- 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
- 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
- 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
- Event2Tracking：用长时多模态上下文重建多智能体足球轨迹Source 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
- Faster R-CNN：共享特征的区域提议网络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
- 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
- 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
- Generative Adversarial Nets：生成对抗网络Source note
- GlitchBench：大型多模态模型能否识别电子游戏故障Source note
- Glow：可逆 1×1 卷积的生成流模型Source 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- OSV：高质量图像到视频生成一步就够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
- 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
- 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
- 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
- RAVE：随机噪声重排的快速一致视频编辑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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
#reasoning
- 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-learning
- 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
- 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
- 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
- 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-source
- 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
#segmentation
- 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
- U-Net：编码器—解码器与跳跃连接的医学图像分割Source note
#survey-needed
- Can Motion-Defined Text Become a Reliable Human–Machine Perception Benchmark?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
#tracking
- 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
- 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-editing
- 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
- 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-generation
- 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
- 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
- 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-representation
#video-understanding
- 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
- 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
- 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
#vision
#vision-foundations
- A ConvNet for the 2020s：ConvNeXt 与现代卷积主干Source note
- Computer Vision OverviewTopic
- Deep Residual Learning for Image Recognition：ResNet 与残差学习Source 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-language
- 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
- 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
- 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
- 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