多模态LLM记忆陷阱：为什么低注意力区域不能随便删？
当前多模态助手常根据注意力分数丢弃视觉KV Cache，但这假设‘当前不关注’等于‘未来无用’。本文通过CVMA框架证明该假设错误：低注意力区域可能在未来关键。安全遗忘需满足视觉低依赖或事实已被言语化。视频详解因果审计方法及对SnapKV等方法的启示。
CVPR三分钟
从图片恢复 Figma 文件：ReDesign 的代理分解与优雅验证
光栅图像到可编辑设计文件的恢复是一个病态逆问题。ReDesign 提出一种基于 VLM 的代理框架，通过结构化树扩展和 Graceful Verification 机制，逐步分解图像并恢复图层结构。实验表明，该方法在 Figma Edit Replay Benchmark 上实现了最佳的编辑保真度。注意：恢复结果为近似重构，非原始文件精确副本。
视频编辑新范式：DBL-Diffusion 如何实现显式图层分解与对象插入
现有视频编辑方法缺乏对前景、背景及物理交互的显式分层表示，导致背景扭曲且难以后期调整。本文提出 TriLayer 数据集，提供包含阴影等视觉特效的三元组监督；并设计 DBL-Diffusion 双分支架构，联合生成 RGB 合成视频与 RGBA 前景层。实验表明该方法在对象插入与图层分解任务上均优于基线，但计算开销较大。
HiFi-UMI：仅凭高保真数据实现零真机后训练
机器人操控策略学习长期受限于高保真数据的稀缺性。HiFi-UMI提出一种软硬件协同的高保真数据采集系统，通过头戴式SLAM、微秒级GPIO同步和超广角视觉，解决了传统UMI系统的漂移与同步问题。论文证明，仅使用此类数据进行后训练，即可在真实机器人上实现与遥操作相当的成功率，无需任何真实机器人数据作为锚点。实验涵盖多种VLA和WAM模型，展示了其在接触丰富任务中的有效性。需注意，该结论基于特定硬件配置，且未完全剥离数据量与保真度的影响。
GARFIELD：如何用概率潜变量解决场景运动预测的延迟与多模态难题
现有视频世界模型生成像素级未来帧，计算成本高且未显式建模运动分布。GARFIELD 提出一种结构化时空潜变量方法，利用稀疏目标条件实现高效轨迹采样与确定性密度解码。实验表明，该方法在开放集运动规划中实现 SOTA 性能，并显著降低延迟。注意：行人轨迹预测在零样本设置下落后于专用模型。
遥感大模型为何需要多工具？GeoLens超越单一缩放
超高分辨率遥感图像中，证据往往稀疏且分散。单一缩放工具在处理全局搜索或多区域比较时存在性能饱和。本文介绍GeoLens，通过构建GeoMTVR数据集和RTAL算法，实现多工具协同推理。实验显示其在XLRS-Bench等基准上超越主流大模型。注意：目前仅针对光学图像，且依赖半自动标注。
PDD：用并行解码蒸馏打破视频生成的多样性瓶颈
视频扩散模型加速常面临多样性丧失与运动缺失的困境。PDD提出并行解码蒸馏，通过单次评估预测多步平均速度，避免JVP与对抗损失。实验显示其在Wan2.1等模型上显著优于DMD2，保留更多细节与动态。注意：大规模实验依赖Data-free训练，泛化性待验证。
Pictura：如何用 CUDA 光栅化器实现大规模纯视觉驾驶自博弈
现有驾驶自博弈依赖特权向量状态，导致视觉策略存在表征鸿沟。Pictura 提出自定义 CUDA 光栅化器，在单卡上实现高速透视渲染，直接训练 Alberti 策略。实验表明其在零样本迁移中表现优异，且行为更具视觉因果性。需注意其简化几何渲染带来的域差距。
Wonder：如何用稀疏注意力解决视频世界模型的长程记忆与控制漂移
现有视频世界模型在长程交互中常面临控制漂移、记忆丢失和延迟高的问题。Wonder 提出像素空间坐标场实现精准相机控制，利用稀疏上下文强制和全保真 KV Cache 记忆机制解决长期一致性问题，并通过 Mixture-of-Students 蒸馏实现实时推理。实验显示其在 I2V 和 V2V 任务中显著优于 RELIC 等基线，RPE 指标大幅降低。需注意其对训练算力要求高，且依赖外部位姿估计。
视频生成推理加速：Sol-Attn 如何在不牺牲质量的情况下实现 2x 加速？
Diffusion Transformers 在长序列视频生成中面临自注意力机制的二次复杂度瓶颈。Sol-Attn 提出了一种无需训练的动态稀疏注意力机制，通过在线 softmax 过程中的阈值路由和近似校正，在保持生成质量的同时显著加速推理。本文解析其核心机制、实验验证及局限性。