CVPR 2025

[Style Evolving along Chain-of-Thought for Unknown-Domain Object Detection 🔗](https://arxiv.org/abs/2503.09968)

AI 会梦见雨夜吗？通过思维链教物体检测器进化风格

想象一下，你正在训练一辆自动驾驶汽车。你生活在一个阳光明媚的沿海城市，所以你收集了数千小时的驾驶录像——全部都是在湛蓝天空和视野清晰的条件下拍摄的。你训练你的物体检测模型，直到它能完美地检测出行人和车辆。 ...

[Structured 3D Latents for Scalable and Versatile 3D Generation 🔗](https://arxiv.org/abs/2412.01506)

统一 3D 生成：深入了解 TRELLIS 与结构化潜空间

引言在 AI 领域，2D 图像生成已经迎来了它的“iPhone 时刻”。Midjourney 和 DALL-E 等工具让通过文本生成逼真的图像变得像打字一样简单。然而，第三维度——3D 生成——仍然是一块难啃的骨头。 ...

[Structure-from-Motion with a Non-Parametric Camera Model 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Wang_Structure-from-Motion_with_a_Non-Parametric_Camera_Model_CVPR_2025_paper.pdf)

超越针孔模型——运动恢复结构（SfM）的新纪元

引言想象一下，试图用一组照片构建一个房间的 3D 地图。这个过程被称为运动恢复结构 (Structure-from-Motion，简称 SfM) ，它是现代摄影测量和 3D 重建的基石。当你使用智能手机或单反相机拍摄的标准照片时，像 COLMAP 这样的现有算法效果极佳。但是，如果你使用鱼眼镜头、广角 GoPro 或复杂的折反射 (catadioptric) 360 度全景相机，会发生什么呢？ ...

[Structure from Collision 🔗](https://arxiv.org/abs/2505.21335)

打破外壳——碰撞如何揭示 NeRF 中的隐形内部结构

想象一下，桌上放着一个崭新、不透明的台球。现在，想象旁边放着一个乒乓球，它被涂装得和那个台球一模一样。对于相机——以及标准的计算机视觉算法——这两个物体是完全相同的。它们拥有相同的几何形状和表面纹理。 ...

[SplatFlow: Self-Supervised Dynamic Gaussian Splatting in Neural Motion Flow Field for Autonomous Driving 🔗](https://arxiv.org/abs/2411.15482)

SplatFlow：无需边界框即可掌握动态场景重建

引言通往全自动驾驶的竞赛严重依赖于一种关键资源: 数据。虽然现实世界的驾驶日志极其宝贵，但它们是有限的，且往往无法捕捉到罕见、危险的长尾极端情况。这就是仿真的用武之地。如果我们能够创建逼真且符合物理规律的真实世界数字孪生，我们就可以在无限变化的复杂场景中训练和测试自动驾驶汽车 (AV) 。 ...

[SpecTRe-GS: Modeling Highly Specular Surfaces with Reflected Nearby Objects by Tracing Rays in 3D Gaussian Splatting 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Tang_SpecTRe-GS_Modeling_Highly_Specular_Surfaces_with_Reflected_Nearby_Objects_by_CVPR_2025_paper.pdf)

SpecTRe-GS：为3D高斯泼溅带来逼真的镜面和反射效果

如果你一直关注3D计算机视觉领域的快速发展，你无疑已经接触过 3D高斯泼溅 (3D Gaussian Splatting, 3DGS) 。它凭借实时渲染速度和高质量的重建效果彻底改变了该领域。然而，就像任何新兴技术一样，它也有自己的阿喀琉斯之踵。对于3DGS来说，这个软肋就是镜子和发光物体。 ...

[SpatialLLM: A Compound 3D-Informed Design towards Spatially-Intelligent Large Multimodal Models 🔗](https://arxiv.org/abs/2505.00788)

超越 2D：利用 SpatialLLM 教会大型多模态模型理解 3D 空间

引言想象一下你正在穿过一条繁忙的街道。你看到一辆白色货车和一个骑行者。你的大脑会瞬间处理这些信息，不仅知道这些物体是什么，还知道它们在三维空间中的位置以及它们的去向。你会本能地知道货车正对着你 (可能有危险) ，而骑行者正在与你平行移动。这就是 3D 空间推理 (3D spatial reasoning) , 这是人类认知中一项非常基础的能力，以至于我们很少去思考它。 ...

[Spatial457: A Diagnostic Benchmark for 6D Spatial Reasoning of Large Multimodal Models 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Wang_Spatial457_A_Diagnostic_Benchmark_for_6D_Spatial_Reasoning_of_Large_CVPR_2025_paper.pdf)

AI 真的能看懂 3D 吗？深入解读 Spatial457，揭秘 6D 推理缺陷的基准测试

引言我们正见证着大型多模态模型 (LMMs) 的黄金时代。像 GPT-4o 和 Gemini 这样的系统已经展示了令人惊叹的能力: 它们能够解读视觉场景，用诗意的细节描述物体，并以类似人类的流利度回答有关图像的问题。如果你向这些模型展示一张繁忙街道的照片，它们可以列出汽车、行人以及交通信号灯的颜色。 ...

[SoundVista: Novel-View Ambient Sound Synthesis via Visual-Acoustic Binding 🔗](https://arxiv.org/abs/2504.05576)

听见未见：SoundVista 如何利用视觉线索合成 3D 音频

想象一下，你正漫步在一个虚拟博物馆或历史古迹的数字孪生场景中。得益于 3D 重建和 NeRF (神经辐射场) 技术的最新进展，视觉效果已经达到了照片级的逼真程度。但当你闭上眼睛，这种沉浸感的幻觉往往会破灭。声音可能听起来很平淡、静止，或者空间感完全错误。 ...

[Sonata: Self-Supervised Learning of Reliable Point Representations 🔗](https://arxiv.org/abs/2503.16429)

超越几何捷径：Sonata 如何彻底变革 3D 自监督学习

简介在 2D 计算机视觉领域，我们正处于自监督学习 (SSL) 的黄金时代。像 DINO 和 MAE 这样的模型已经证明，神经网络可以在没有任何人类标注标签的情况下，学习到鲁棒且语义丰富的图像表示。你可以拿一个预训练好的图像模型，冻结其权重，在其顶部添加一个简单的线性分类器 (这一过程称为“线性探测”) ，就能获得媲美全监督训练的结果。 ...

[SoMA: Singular Value Decomposed Minor Components Adaptation for Domain Generalizable Representation Learning 🔗](https://arxiv.org/abs/2412.04077)

保留世界知识：SoMA 如何优化“微小”分量以实现域泛化

想象一下，你在阳光明媚的加利福尼亚训练了一辆自动驾驶汽车。这辆车表现完美，能高精度地检测行人、其他车辆和交通标志。然后，你把这辆车运到了阴雨连绵、大雾弥漫的伦敦夜头。突然间，系统失灵了。“域偏移 (Domain shift) ”——即阳光明媚的训练数据与阴雨连绵的真实世界环境之间的差异——导致了模型的失败。 ...

[SnapGen: Taming High-Resolution Text-to-Image Models for Mobile Devices with Efficient Architectures and Training 🔗](https://arxiv.org/abs/2412.09619)

SnapGen：如何在手机上运行高清文生图模型

引言生成式 AI 的繁荣为我们带来了诸如 Stable Diffusion XL (SDXL) 和 Stable Diffusion 3 (SD3) 等令人难以置信的工具。这些模型可以根据简单的文本提示生成照片级逼真的图像，但它们伴随着沉重的代价: 计算算力。通常，运行这些模型需要云服务器或高端游戏 PC 中那种庞大且耗能的 GPU。 ...

[SmartCLIP: Modular Vision-language Alignment with Identification Guarantees 🔗](https://arxiv.org/abs/2507.22264)

为什么 CLIP 会丢失细节：SmartCLIP 与模块化对齐介绍

如果你曾尝试过现代 AI 绘画生成器或图像搜索引擎，你很可能已经接触过 CLIP (Contrastive Language-Image Pre-training，对比语言-图像预训练) 。自发布以来，CLIP 已成为多模态 AI 的基石，充当了计算机通过文本理解图像的桥梁。 ...

[SkillMimic: Learning Basketball Interaction Skills from Demonstrations 🔗](https://arxiv.org/abs/2408.15270)

矩阵中的灌篮高手：SkillMimic 如何教会物理模拟角色打篮球

矩阵中的灌篮高手: SkillMimic 如何教会物理模拟角色打篮球如果你玩过体育类电子游戏，你会知道虽然画面看起来很逼真，但底层的动画往往只是录制动作的“回放”。但在机器人技术和基于物理的模拟世界中，我们想要的是不同的东西: 我们希望一个数字角色能够真正“学习”如何驱动肌肉来完成任务，并遵守物理定律。 ...

[Simulator HC: Regression-based Online Simulation of Starting Problem-Solution Pairs for Homotopy Continuation in Geometric Vision 🔗](https://arxiv.org/abs/2411.03745)

Simulator HC：如何利用 AI “作弊” 数学来解决复杂的几何视觉问题

Simulator HC: 如何利用 AI “作弊” 数学来解决复杂的几何视觉问题如果你曾涉足 3D 计算机视觉领域——构建用于运动恢复结构 (SfM) 、视觉 SLAM 或相机标定的系统——你就会知道，在每一个炫酷的可视化效果背后，都奠基于令人头疼的数学基础。具体来说，我们经常需要求解多项式方程组。 ...

[SimLingo: Vision-Only Closed-Loop Autonomous Driving with Language-Action Alignment 🔗](https://arxiv.org/abs/2503.09594)

SimLingo：教自动驾驶汽车“梦见”动作以实现更好的驾驶

引言几十年来，自动驾驶的“圣杯”一直是造出一辆不仅能从 A 点导航到 B 点，还能真正理解世界并与乘客沟通的车辆。我们已经看到了大语言模型 (LLM) 在推理复杂话题方面的惊人进步，以及自动驾驶系统在城市街道导航方面的独立进展。然而，将这两个领域融合在一起却被证明是困难重重。 ...

[Show and Tell: Visually Explainable Deep Neural Nets via Spatially-Aware Concept Bottleneck Models 🔗](https://arxiv.org/abs/2502.20134)

展示与讲述：弥合AI可解释性中热力图与概念之间的鸿沟

简介: “黑盒”问题想象一下，你是一名医生，正在使用人工智能系统诊断 X 光片。AI 以 95% 的置信度预测为“肺炎”。作为一名负责任的从业者，你的第一反应不仅仅是“它对吗？”，而是“为什么？” ...

[Shape Abstraction via Marching Differentiable Support Functions 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Park_Shape_Abstraction_via_Marching_Differentiable_Support_Functions_CVPR_2025_paper.pdf)

超越方块与网格：可微支撑函数如何彻底改变 3D 形状抽象

引言在计算机视觉和机器人领域，机器如何“看”物体与物体本身同样重要。想象一个试图拿起咖啡杯的机器人。对我们来说，它只是一个简单的杯子。对计算机来说，它可能是一团由数百万个点组成的密集云、一个沉重的三角网格，或者一个复杂的神经辐射场。 ...

[Seurat: From Moving Points to Depth 🔗](https://arxiv.org/abs/2504.14687)

移动的点如何揭示 3D 世界：深入解析 Seurat

简介你是如何知道物体离你有多远的？如果你闭上一只眼并完全静止不动，世界就会变平。深度感知变成了一场基于阴影和熟悉物体大小的猜谜游戏。但当你移动头部的那一刻，世界又变回了 3D。附近的物体飞快地掠过你的视野，而远处的群山几乎纹丝不动。这种现象被称为运动视差 (motion parallax) , 是生物系统感知几何结构的一种基本方式。 ...

[Self-Supervised Cross-View Correspondence with Predictive Cycle Consistency 🔗](https://openaccess.thecvf.com/content/CVPR2025/papers/Baade_Self-Supervised_Cross-View_Correspondence_with_Predictive_Cycle_Consistency_CVPR_2025_paper.pdf)

那个杯子在哪里？教 AI 在无标签情况下跨越极端视角匹配物体

简介想象一下，你试图通过让机器人观看人类厨师的视频来教它做饭。机器人有自己的摄像头 (第一人称，或称“自我中心”视角) ，但它同时也观看着厨房角落里的监控摄像头 (第三人称，或称“非自我中心”/外部视角) 。人类拿起一个蓝色的杯子。为了模仿这一动作，机器人需要知道角落摄像头画面中的那个蓝色形状，与它自己摄像头画面中的蓝色形状对应的是同一个物体。 ...