计算机视觉
超越综述：视觉多目标跟踪中检测与关联的系统实证
GIST 与华盛顿大学塔科马分校用公开实现把视觉 MOT 拆成检测和关联，在受控对照里检验“检测质量主导跟踪”这一长期直觉，并给出相机运动补偿矩阵的写法。
MinCU：用离散空间锚点同时描述并定位图像对中的最小变化
MinCU 用 2000 对只有一处原子变化的近重复图像，同时要求描述、双图框和实体名；SG-ISA 让 Qwen3-VL 先输出语义线索，再用 10 个离散位置锚点约束描述和细框。
PhysReflect：用几何与感知监督让扩散模型画出符合反射定律的镜子
PhysReflect 在深度条件 BrushNet 修补骨干上，训练时把预测干净潜变量解回像素，用极线对应、TwinTrack 边界投影、DINOv2 语义和低阶球谐光照做镜面监督，推理图保持不变。
看见不够：视觉语言模型感知到证据却没有按证据做决定
佛罗里达州立大学与 JAIST 的工作区分感知失败和过程失败：模型可以正确列出证据仍给出与证据矛盾的答案；SRT 用状态抽取、相关性核验和目标承诺约束决策，而增益取决于过程先验是否对齐图像当前的阶段边界。
SVEET：只在双向模型上训练的流式视频编辑
上海交通大学的 SVEET 只在冻结的双向 Wan-VACE 上训练逐帧二维控制分支，并用正交解耦训练避开双向到因果的特征差，从而把编辑零样本迁到冻结的 Causal Forcing，在单卡 H100 上达到 15 FPS。
RegVGGT：用按帧调控的记忆做流式几何重建
RegVGGT 冻结 StreamVGGT，按层按头只把最显著的约 1% 新令牌写进记忆，用 FlashAttention 的对数配分打分，从而在长视频流上少涨显存又少忘几何。
VideoGen-Agent：用多任务强化学习训练会调用工具的视频生成智能体
VideoGen-Agent 用教师轨迹监督微调和多任务 GRPO，训练一个共享策略去调度检索、仿真、生成与校验工具，并可用更强生成器替换后端。
