标签
PPMem 是一种视频世界模型，以紧凑的平面基元作为持久化 3D 记忆，联合生成长时序连贯的视频，同时输出显式的度量深度、法线和可导出的表面，在 DL3DV 和 RealEstate10K 数据集上优于此前的 3D 基础世界模型。
Gen4P 将预训练视频生成器改造为前馈式 4D 感知器，通过单次编码与按需交叉注意力解码，从单目视频中预测几何与运动，并在 3D 点跟踪、视频深度和相机位姿估计上达到最先进或具有竞争力的性能。
GeoFix提出了一种统一框架，通过单一几何奖励提升4D生成中的几何一致性和视觉质量，该奖励衡量静态区域的跨视角深度一致性，并针对视角重叠效应进行校准，实现了WorldScore 3D一致性提升39%和VBench质量提升4%。
Pumpire 提出了一个统一的基准测试，用于评估图像和视频级 3D 基础模型的点对点物理距离估计能力，并构建了包含 100 个真实场景、6400 帧的大型数据集 pumpire-6k，对 29 种基线配置进行了全面对比实验。
Iris-3B 是一个 3B 参数的像素空间文本到图像扩散模型，通过课程式预训练从零训练并与潜空间模型 FLUX.2 Klein 进行对比。结果显示像素空间生成先验在深度估计和图像修复任务上并无显著优势，但证明了像素空间预训练可扩展到与潜空间模型相当的画质。
Sperid Labs 发布 Iris-3B，一个 30 亿参数的像素空间生成模型，直接输出每个像素、无需 VAE 或潜空间，并可通过微调完成单目深度估计、图像修复与超分辨率等密集视觉任务。
Atlas是一个工具，它从几张照片重建空间，并为机器人模拟生成逼真的RGB和深度数据，使机器人能够在更多样化的环境中进行训练和测试。
本研究探讨了重新利用YOLO26深度估计模型的主干网络用于图像去雨，表明在受控实验中，深度训练初始化相比随机初始化提供了持续的改进。
LingBot-Vision 是一系列用于密集空间感知的自监督视觉Transformer骨干网络，通过掩码边界建模来捕获语义和几何结构，适用于深度估计和分割等任务。
DreamX-Phi 1.0 是一个面向机器人操作的动作条件视频世界模型，利用几何注意力编码、深度估计和蒸馏来预测未来的观察结果，在 WorldArena 2.0 挑战赛中取得了顶尖成绩。
ReViV是一个统一的整体性第一人称4D重建框架，它通过掩码生成式第一人称Transformer，从单目RGB视频中同时重建观看者（身体、手、视线）和场景（深度、相机轨迹）的动态，实现了最先进的准确性和效率。
Robbyant发布了LingBot-Vision，一个基于边界训练的1B参数视觉模型，在深度估计上优于DINOv3-7B，且权重开放。
本文提出了基于传感器有效性掩码的掩码深度建模，在8个掩码/稀疏深度基准测试中的7个上取得了最佳RMSE，并进行了受控编码器初始化研究。
LingBot-Depth 2.0 基于 1.5 亿样本训练，解决了机器人长期以来的玻璃/透明物体感知盲区，在 12/16 项深度基准测试中夺得榜首，深度误差减半。蚂蚁集团利用该技术大幅提升了其机器人的感知能力。
蚂蚁集团旗下的具身智能公司 Robbyant 发布了 LingBot-Vision，这是一系列自监督视觉骨干网络，参数量从 21M 到 1.1B，采用 Apache-2.0 协议。尽管使用的训练数据不到 DINOv3 的三分之一，它在多个深度和分割基准测试中与 DINOv3 持平或超越，凸显了开放感知模型的推动力。
蚂蚁集团发布了LingBot-Vision，这是一个包含四种规模的DINO风格视觉骨干网络系列；其中0.3B ViT-L在NYUv2深度估计任务上，以约23倍更少的参数量达到了DINOv3-7B的性能，展现了显著的效率提升。
本文提出了一种名为掩码边界建模（masked boundary modeling）的自监督视觉预训练范式，该范式通过学习亚像素边界表示来提升密集空间感知能力。由此得到的模型LingBot-Vision在深度估计及其他下游任务中展现出显著改进，证明边界建模是一种可扩展的预训练原则，可用于学习空间结构化的视觉表示。
引入MultiDepth-3k基准，用于评估单目深度基础模型中的深度层偏好，并展示拉普拉斯视觉提示（Laplacian Visual Prompting）可以改变报告的深度层，表明不同模型之间存在互补的几何假设。
MMDiff 通过轻量级解码器将冻结的扩散变换器扩展为多模态生成系统，通过多时间步特征融合，在语义分割和其他感知任务上实现了显著改进。
Bardienus Duisterhof 介绍了 Modality Forcing，这是一种对训练后的文本到图像（T2I）模型进行后处理的方法，在5个单目深度估计基准中，有4个达到了最先进的结果。