标签
RealMe 是一个基于高分辨率视频扩散模型的统一框架，能从稀疏、低分辨率的多视角采集生成 2K 分辨率且 4D 一致的沉浸式体积视频，通过布局感知注意力和频域潜空间监督，在 DNA-Rendering 基准和自建 RealVV 数据集上超越现有方法。
GeoState提出了一种视角解耦的几何表示，将场景动态与相机运动分离以实现预测性3D世界建模，在Waymo上超越先前方法，并可零样本泛化到KITTI和nuScenes。
WorldRecon 提出一种生成式多视角网格重建框架，可从无位姿 RGB 图像重建大规模 3D 场景的完整网格。它将 TRELLIS.2 生成模型与重建式条件架构结合，通过邻域感知潜在修补和因果世界生成保证场景级一致性，在合成与真实室内场景上分别将 Chamfer 距离降低 14.9% 和 43.1%，达到最先进性能。
Drive3R 提出一种分块流式几何基础模型，通过分块因果注意力和置信度感知重锚定，实现可扩展的长时程多视图 3D 重建，并在 nuScenes、KITTI 和 Waymo 上达到新的最先进水平。
T3lescope提出一种单一固定分辨率生成器的推理时粗到细级联方法，从多视角图像实现跨尺度（从单物体到大型户外场景）的任意分辨率高保真3D场景网格重建，无需逐场景优化，在室内、户外和城市规模场景上超越了前馈与生成基线。
SpatialSpeak 引入了一个两阶段框架，用于视觉语言模型中的空间推理，使用问答原生重建预训练和空间链式思考学习，以在基准测试中实现最先进的性能。
VGGT-Diff是一种基于几何路由的多视角扩散模型，它将视觉几何潜在变量与预训练扩散模型相结合，以改进稀疏视角新视角合成，达到竞争性或最先进的性能。
LiveGrid 是一个免费的基于浏览器的工具，让用户可以观看来自Twitch、YouTube和Kick等平台的多个直播流，在一个可自定义的网格布局中，用于电竞和体育等活动。
一篇关于使用多视图匹配和单目先验对任意图像集进行光束调整的研究论文，在计算机视觉中取得了最先进的结果。
CoVeR 是一种无需训练的空间令牌选择器，通过强制执行精确的令牌预算和全面的场景覆盖，提高视觉语言模型中的3D推理能力，超越了先前的最先进方法。
DUSt3R 团队的一篇论文提出了用于多视图图像 3D 场景生成的稀疏自回归建模方法，使用了体素对齐的 3D 潜空间与占用感知的掩码自回归 Transformer。
提出MBDiff，一种用于概率性公用事业数据填补的多视图行为感知扩散模型，该模型从全局、局部和实例级视图学习用户行为，并使用条件注意力去噪网络。在佛罗里达州的真实公用事业数据上进行的评估表明，它优于最先进的基线模型。
DSTFView是一种用于云边工作负载预测的双输入时空频多视角框架，联合建模邻近性和周期依赖关系，并采用自适应融合机制捕获突变。
CodeNib是一个多视图数据系统，通过为每次提交构建可复用的词汇视图、密集视图和结构视图，向编码智能体提供仓库上下文，从而实现更快的更新和高效的上下文服务。
G-MAD是一个开源框架，利用Arma 3生成同步的多视角RGB-T航空目标检测数据，解决了真实世界数据集的局限性。它还引入了AMOD基准。
MultiView-Bench是一个诊断基准，用于评估视觉语言模型将多个视角整合为一致3D心智模型的能力，揭示了3D空间推理中的系统性失败，并引入了ViewNavigator以缓解这些问题。
Deform360是一个大规模视触觉数据集，包含198个物体、超过215小时的观测数据，用于研究可变形物体动力学，支持在机器人操作中比较2D视频与3D粒子世界模型。
提出了一种将图嵌入高维空间并搜索信息性二维视角的方法，这些视角优化了美学和可读性指标（例如边交叉和角分辨率），这得益于一种新颖的边交叉可微替代方法。引入了一个交互式系统DataFly，用于探索多个候选视角。
本文提出了一种前馈框架，能够从无位姿的多视图图像中将3D场景分解为实例结构的令牌组，从而在没有3D标注的情况下实现直接的对象级重建、分割和操控。
MVTrack4Gen提出了一种训练框架，利用多视角点跟踪作为几何监督来增强运动感知扩散模型，在从单目视频生成新视角视频中实现了最先进的几何一致性和运动保真度。