Geometry Crafter 是一种前沿的几何估计模型，它创新性地利用视频扩散作为先验信息，实现了时间维度上的一致性几何估计。该技术能够以约1.5帧/秒的速度完成完整点云估计，同时具备精确的相机姿态估计能力。这一突破...

UniOcc是一个专为自动驾驶场景设计的统一框架，专注于交通流预测和运动轨迹预报。该框架的创新性在于支持多数据集联合训练，并能进行真实环境与合成场景的跨域评估，为自动驾驶系统的决策规划提供更可靠的预测能力。...

Easi3R是一项突破性的3D视觉系统，专门针对高动态场景的三维重建进行了优化。该系统通过创新的运动物体掩蔽技术，将移动物体与背景分离学习，从而实现了比现有方法更精确的全场景重建。这一技术解决了动态场景重建中...

强化学习（RL）领域长期存在一个关键问题：是否需要一个足够强大的基础模型来支持涌现式推理能力的形成？最新研究Open-Reasoner-Zero通过系统性实验验证了基础模型对RL推理的重要作用。该研究在多种规模化的RL训练场...

近期，视频运动分割技术迎来重要进展，研究人员通过整合Dino和SAM2模型，成功将密集像素追踪应用于长期分割任务。这项技术突破解决了传统方法在复杂场景下跟踪精度不足的问题，通过像素级运动分析显著提升了分割稳定...

GitHub开源项目SAMWISE实现了计算机视觉领域的重大突破，通过扩展Segment Anything Model（SAM）的核心能力，使其具备开放词汇分割（open-vocabulary segmentation）和长视频精确语义追踪功能。该技术突破性地解决了...

Video-R1项目提出了一种创新的基于规则的强化学习（RL）方法，专门用于视频推理任务。该方法采用了GRPO（Generalized Reinforcement Learning with Policy Optimization）的时间变体，并引入了新的数据集来支持训练...

近日，GitHub上开源了一个名为Mobile-VideoGPT的轻量级多模态视频模型，其参数量不足10亿（1B），却通过创新的双视觉编码器和令牌剪枝技术，实现了在边缘设备上的实时推理能力。这一突破性进展为移动端和物联网设备...