未来渲染≠未来表面：超越观测窗口的动态表面重建基准与数据集
本文提出FUTURESURF基准，针对动态场景重建中缺乏“未来表面”评估的问题，构建了包含8个解析定义合成运动的数据集。实验显示，DG-Mesh和Deformable-3DGS在观测窗口外的Chamfer Distance显著增加，且渲染质量（PSNR/LPIPS）与几何精度（CD）几乎无关。本文揭示了当前方法在时间外推时的几何保持能力不足，为评估动态重建模型提供了新的标准化协议。
CVPR三分钟
UniD：来自不相关数据的统一视频密集预测
本文介绍UniD模型，解决统一密集预测需共标注数据的痛点。通过训练Task Specialist并利用Latent Projector蒸馏至Unified Backbone，UniD从Disjoint Data中学习深度、法线、语义等八种任务。实验显示，UniD在NYUv2深度估计AbsRel达0.059，超越DINOv3-H；视频时序一致性超越DICEPTION。需注意分割任务需轻量级微调，且时序性能依赖视频训练数据。
HyWorldVLA：混合世界模型如何提升自动驾驶鲁棒性
本文介绍HyWorldVLA，一种用于自动驾驶的视觉-语言-动作模型。针对纯像素级模型对噪声敏感、纯潜在级模型缺乏解释性的问题，HyWorldVLA采用混合世界建模，结合视频VAE压缩与联合注意力机制。实验显示其在NAVSIM v1/v2基准上达到SOTA，PDMS达90.59，且在雨雾噪声下表现优异。需注意单目摄像头在转弯场景的视野限制及损失权重平衡。
展示而非告知：生成像素评估空间认知
本文提出ProVisE框架，解决图像生成模型与文本VLM在空间推理评估中的接口不匹配问题。通过构建SpatialGen-Bench基准和Agentic协议构建机制，实现像素级输出的结构化解析与指标对齐。实验显示视觉外化与文本推理具有互补性，但通用VLM解析器会显著改变模型排名。
Axolotl3D：统一框架实现遮挡感知与多模态3D形状补全
Axolotl3D提出了一种多模态、遮挡感知的3D生成框架，通过联合条件输入图像、可见性掩码、相机参数和部分点云，实现了单视图生成、稀疏多视图重建、遮挡补全及几何感知编辑的统一处理。在Toys4K和OmniObject3D数据集上，该方法在单视图无遮挡、多视图无遮挡、单视图有遮挡及多视图有遮挡场景下均取得最优F-score，显著优于ShapeR和Hunyuan3D-Omni。模型通过掩码偏置交叉注意力机制和合成数据增强策略，增强了对部分和异构观测的鲁棒性。但需注意，模型对相机视角变化鲁棒性有限，极度细薄结构可能无法完全连接，且仅生成形状不预测纹理。
Lumera：从单图重建引擎原生可编辑3D场景
本文介绍Lumera流水线，通过SpatialLM解析对象3D框和参数化灯光，结合SAM3D网格重建与IntrinsicHDR环境估计，生成可直接导入Blender或UE5的结构化场景。实验显示Lumera-Box在检测指标上领先，但灯光定位F1仅为0.209。Agent精炼循环作为受限编辑器，防止错误传播。
RealVDeblur：利用单步扩散与3DGS数据合成实现泛化现实视频去模糊
本文提出RealVDeblur框架，利用3D Gaussian Splatting (3DGS)合成大规模物理真实模糊数据，解决现实世界视频去模糊的泛化难题。通过Frame-wise VAE编码保留帧级模糊细节，利用Distribution Matching Distillation (DMD)将多步扩散蒸馏为单步生成器。引入无需训练的Temporal Window Mask (TWM)限制自注意力范围，消除RoPE外推不稳定性，实现恒定内存的长视频推理。在BSD、RealBlur等基准上验证了有效性，并展示了作为3DGS重建预处理步骤的提升作用。
WorldWeaver：利用世界状态寄存器解决Multi-Agent视频生成的逻辑一致性难题
本文介绍WorldWeaver，一种流式Multi-Agent视频扩散模型。针对现有方法难以维持共享世界状态的问题，引入世界状态寄存器（WSR）和混合Transformer（MoT）。实验显示，在Minecraft任务上WorldScore达105.1，优于Solaris基线。需注意该方法依赖显式状态监督，且WorldScore对FID尺度敏感。
SANA-Video 2.0：混合线性注意力实现单卡高效长视频生成
本文分析 SANA-Video 2.0 如何解决全 3D Softmax 视频 DiT 的 O(N^2) 计算瓶颈。方法核心为混合线性-Softmax 注意力（25% 锚点）与 Block AttnRes 机制。实验显示，该模型在 VBench 上取得 84.30 分，720p/5s 延迟仅 13.06 秒，比 Wan 2.2 快 120 倍。需注意当前算子为双向，且长视频训练课程仍在完善中。
少看快想：多模态大语言模型的联合Token-计算自适应推理
多模态大语言模型推理成本高，现有方法如FastV或AdaLLaVA仅独立优化Token剪枝或层跳过，忽略视觉密度与LLM容量的耦合。本文提出SmartVL，联合控制视觉Token数、Transformer层数及注意力头组。通过可微延迟估计器和非对称损失，在VQAv2等基准上，50%预算下准确率显著优于基线。需注意不同任务最优配置差异，且FLOP节省需硬件支持才能转化为实际加速。