CVPR 2025

[Instant Gaussian Stream: Fast and Generalizable Streaming of Dynamic Scene Reconstruction via Gaussian Splatting 🔗](https://arxiv.org/abs/2503.16979)

实时全息技术？Instant Gaussian Stream 如何变革动态 3D 视频

“全息”通信的梦想——即你可以实时从任何角度观看远程事件——长期以来一直是科幻小说中的经典题材。在计算机视觉领域，这被称为自由视点视频 (Free-Viewpoint Video, FVV) 。其目标是从多个摄像头画面中即时重建动态 3D 场景。 ...

[Inst3D-LMM: Instance-Aware 3D Scene Understanding with Multi-modal Instruction Tuning 🔗](https://arxiv.org/abs/2503.00513)

跨越鸿沟：Inst3D-LMM 如何教 AI 像人类一样理解 3D 场景

想象一下，你让机器人“把笔记本电脑旁边的红色马克杯拿起来”。对我们来说，这是一个微不足道的请求。但对 AI 来说，这是一个几何与语义的噩梦。AI 必须在 3D 空间中识别物体，理解“红色”和“马克杯”长什么样，并弄清楚“旁边”这种空间关系。 ...

[Insight-V: Exploring Long-Chain Visual Reasoning with Multimodal Large Language Models 🔗](https://arxiv.org/abs/2411.14432)

AI 能看又能思考吗？深度解析 Insight-V 的多智能体视觉推理机制

引言在人工智能的快速演进中，我们见证了从单纯预测下一个单词的模型，向能够解决复杂逻辑谜题的模型转变。随着 OpenAI o1 等系统的发布，基于文本的大型语言模型 (LLM) 已经展示了“系统 2 (System 2) ”思维能力——即在回答之前进行深思熟虑、逐步推理和自我修正的能力。 ...

[IncEventGS: Pose-Free Gaussian Splatting from a Single Event Camera 🔗](https://arxiv.org/abs/2410.08107)

看见不可见：利用事件相机和高斯溅射进行增量式 3D 重建

想象一下，一架无人机正高速飞过一条昏暗的隧道。在这种场景下，普通相机很可能会失效；快速的运动会导致严重的运动模糊，而微弱的光线则会产生充满噪点、无法使用的画面。这正是当今许多机器人应用面临的瓶颈。然而，有一种不同类型的传感器正是为了在这种条件下大显身手而生的: 事件相机 (Event Camera) 。 ...

[InPO: Inversion Preference Optimization with Reparametrized DDIM for Efficient Diffusion Model Alignment 🔗](https://arxiv.org/abs/2503.18454)

更快更好地对齐扩散模型：深入解析 InPO

如果你曾把玩过像 Stable Diffusion 这样的文生图 (T2I) 模型，你一定经历过这种挣扎: 输入提示词，得到一个奇怪的结果，调整提示词，得到一个稍微不那么奇怪的结果，如此反复。虽然这些模型很强大，但它们并不是天生就符合人类的审美偏好或能完美遵循详细指令。 ...

[Improving Personalized Search with Regularized Low-Rank Parameter Updates 🔗](https://arxiv.org/abs/2506.10182)

教老模型学新招——利用 POLAR 实现个性化搜索

想象一下你有一个包含数千张照片的数字相册。你想找一张你家宠物狗“Fido”接飞盘的照片。你在搜索栏中输入“Fido 接飞盘”。像 CLIP 这样的标准视觉-语言模型 (VLMs) 与标准物体检测器不同，因为它们可以理解开放式的文本。然而，它们有一个主要的局限性: 它们知道一只狗长什么样，但它们不知道你的狗 Fido 长什么样。 ...

[Improving Gaussian Splatting with Localized Points Management 🔗](https://arxiv.org/abs/2406.04251)

通过局部点管理修正高斯泼溅法的缺陷

3D 高斯泼溅 (3D Gaussian Splatting, 3DGS) 的出现标志着神经渲染领域的范式转变。不同于依赖昂贵光线步进 (ray marching) 的隐式体积神经辐射场 (NeRFs)，3DGS 利用显式点云——具体来说是 3D 高斯球——来实现具有照片级逼真度的实时场景渲染。 ...

[Implicit Correspondence Learning for Image-to-Point Cloud Registration 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Li_Implicit_Correspondence_Learning_for_Image-to-Point_Cloud_Registration_CVPR_2025_paper.pdf)

超越匹配：隐式学习如何解决图像到点云配准问题

超越匹配: 隐式学习如何解决图像到点云配准问题想象一下，你是一个在城市中导航的机器人。你拥有一个预先构建的城市 3D 地图 (点云) ，而你刚刚用机载相机拍了一张照片。为了知道你在这个巨大 3D 世界中的确切位置，你需要弄清楚那张 2D 照片究竟对应地图的哪个部分。这个问题被称为图像到点云配准 (Image-to-Point Cloud Registration) 。 ...

[ImagineFSL: Self-Supervised Pretraining Matters on Imagined Base Set for VLM-based Few-shot Learning 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Yang_ImagineFSL_Self-Supervised_Pretraining_Matters_on_Imagined_Base_Set_for_VLM-based_CVPR_2025_paper.pdf)

数据之梦：ImagineFSL 如何利用合成预训练彻底变革少样本学习

数据之梦: ImagineFSL 如何利用合成预训练彻底变革少样本学习在深度学习的世界里，数据是驱动引擎的燃料。但当燃料不足时会发生什么？这就是少样本学习 (Few-Shot Learning, FSL) 的核心挑战——即教导模型仅用一个或少数几个例子就能识别新概念。 ...

[Image Reconstruction from Readout-Multiplexed Single-Photon Detector Arrays 🔗](https://arxiv.org/abs/2312.02971)

解决鬼影问题 - 如何从复用单光子探测器重建图像

解决鬼影问题: 如何从复用单光子探测器中重建图像想象一下在几乎全黑的环境中拍照，光线极其稀缺，以至于你需要计算撞击传感器的单个粒子——光子。这就是单光子探测器的领域。这些设备正在彻底改变从生物成像、激光雷达到量子光学等各个领域。 ...

[Image Quality Assessment: From Human to Machine Preference 🔗](https://arxiv.org/abs/2503.10078)

为什么 AI 讨厌你“完美”的照片：向以机器为中心的质量评估转变

你是否曾经把一张图片压缩得非常厉害，以至于它看起来满是马赛克且像素化，但你的手机依然能完美地识别出里面的人脸？反过来说，你是否拍过一张在你看来很正常的照片，但你的智能相机却拒绝聚焦或检测其中的物体？ ...

[ImViD: Immersive Volumetric Videos for Enhanced VR Engagement 🔗](https://arxiv.org/abs/2503.14359)

超越静态 VR：利用 ImViD 和体积视频构建真正的沉浸感

虚拟现实 (VR) 的梦想一直是“全息甲板 (Holodeck) ”的概念——能够步入现实世界的数字录像中，并获得身临其境的体验。你希望能四处走动，凑近观察细节，回头张望，并随着你的移动听到音景的变化。 ...

[Identity-Preserving Text-to-Video Generation by Frequency Decomposition 🔗](https://arxiv.org/abs/2411.17440)

ConsisID：破解 AI 视频生成中身份保持的密码

想象一下你想执导一部短片。你有剧本，也有主角的照片。在传统世界里，这需要摄影机、灯光团队和数天的拍摄。而在生成式 AI 的世界里，我们离仅凭一段文本提示就能实现这一目标越来越近了。 ...

[ICP: Immediate Compensation Pruning for Mid-to-high Sparsity 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Luo_ICP_Immediate_Compensation_Pruning_for_Mid-to-high_Sparsity_CVPR_2025_paper.pdf)

将 7B 模型挤进消费级 GPU：深入解析即时补偿剪枝 (ICP)

如果你曾经尝试在单张消费级 GPU 上运行像 Llama-2 这样最先进的大型语言模型 (LLM) 或像 Segment Anything (SAM) 这样的视觉模型，你一定深知其中的艰难。这些模型体量巨大。70 亿参数的模型通常是像样的桌面级 GPU 进行推理的上限，更不用说微调了。 ...

[ICE: Intrinsic Concept Extraction from a Single Image via Diffusion Models 🔗](https://arxiv.org/abs/2503.19902)

超越生成：ICE 如何教 AI 理解所见之物

引言在日新月异的生成式 AI 世界中，我们已经习惯了单一的流向: 文本到图像 (Text-to-Image, T2I) 。你输入“一座水晶构成的未来城市”，像 Stable Diffusion 这样的扩散模型就会为你绘制出来。这些模型非常强大，因为它们摄取了海量数据集，有效地编码了大量的“世界知识”。它们知道城市是什么样子的，知道水晶是什么样子的，并且知道如何将它们结合起来。 ...

[HyperLoRA: Parameter-Efficient Adaptive Generation for Portrait Synthesis 🔗](https://arxiv.org/abs/2503.16944)

HyperLoRA 详解：无需微调的即时个性化 LoRA

引言在生成式人工智能 (Generative AI) 飞速发展的世界里，有一个愿望几乎超越了所有其他需求: 个性化。我们都想把自己、朋友或特定角色放入全新的想象世界中。无论是看着自己变身为宇航员、赛博朋克战士，还是出现在油画中，目标都是高保真度 (看起来完全像你) 和高可编辑性 (可以改变背景、光照和风格) 。 ...

[HumanRig: Learning Automatic Rigging for Humanoid Character in a Large Scale Dataset 🔗](https://arxiv.org/abs/2412.02317)

动画自动化：HumanRig 如何跨越 AI 3D 生成与动态之间的鸿沟

引言我们目前正见证着 3D 内容生成领域的“寒武纪大爆发”。随着文本到图像和图像到 3D 模型的出现，以前艺术家需要数天才能创建出的详细 3D 人形角色，现在只需几秒钟。但在静态 3D 模型和可玩的视频游戏角色之间，存在一个巨大的瓶颈: 绑定 (Rigging) 。 ...

[HuPerFlow: A Comprehensive Benchmark for Human vs. Machine Motion Estimation Comparison 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Yang_HuPerFlow_A_Comprehensive_Benchmark_for_Human_vs._Machine_Motion_Estimation_CVPR_2025_paper.pdf)

像人类一样看世界：为什么 AI 需要学习我们的视觉错觉

引言想象一下你正沿着高速公路行驶。你的眼睛不断地扫描周围环境，追踪前方车辆的速度、余光中飞逝的树木，以及你自己车辆的轻微漂移。你正在进行一种复杂的计算，这种计算在计算机视觉中被称为光流估计 (Optical Flow estimation) ——即确定像素在瞬间如何移动。 ...

[How Do I Do That? Synthesizing 3D Hand Motion and Contacts for Everyday Interactions 🔗](https://arxiv.org/abs/2504.12284)

LatentAct：通过标记化手部交互教 AI “怎么做”

想象一下教别人如何修理自行车。你很少会给他们一列几何坐标或矢量旋转数据。相反，你会向他们展示。你会演示手应该如何握住扳手，需要什么样的特定扭转动作，以及手指需要在哪里施加压力。 ...

[HotSpot: Signed Distance Function Optimization with an Asymptotically Sufficient Condition 🔗](https://arxiv.org/abs/2411.14628)

热力全开：解决神经 3D 重建中的稳定性危机

引言在 3D 计算机视觉和图形学的世界里，准确地表示形状是成功的一半。虽然点云和网格是经典格式，但隐式神经表示 (Implicit Neural Representations) 已经席卷了该领域。特别是，神经符号距离函数 (Neural Signed Distance Functions, SDFs) 已成为表示水密、高保真表面的黄金标准。 ...