UniH3：统一层级同质性与异质性以实现全合一医学图像复原
本文提出 UniH3 框架，通过层级同质性记忆（H2M）和层级异质性平衡器（H2B）同时建模医学图像中的层级同质性与异质性，在 2D 和 3D 基准上实现了全合一及单任务医学图像复原的 SOTA 性能。
计算机视觉
用于毫米波雷达新视角合成的3D点溅射
提出3DPS，一种基于ITU-R P.2040材料模型和复数PSF溅射的可微分点渲染器，在保持物理保真度和复数输出的同时，实现了毫米波雷达新视角合成的高效多视角优化。
SOFTPROMPT：用跨模态边界软提示实现无遗忘的少样本检测
本文提出 SOFTPROMPT，通过在跨模态边界注入少量连续软提示 token 并采用空格初始化，在冻结 VLM 骨干网络的前提下，以极少的可训练参数实现了与 LoRA 相当的少样本检测性能，且无灾难性遗忘。
长视频理解如何兼顾时间结构与视觉细节？CFD 通过一次字幕与按需帧路由实现预算感知推理
CFD 提出了一种边缘-云协同的长视频理解框架，通过离线构建双轨叙事索引（事件骨架与片段日志）和在线基于 Visual-Need Router 的按需帧检索，在显著降低视觉计算成本的同时保持竞争性准确率。
FreeFlow：用无偏置Transformer重新定义光流估计
FreeFlow提出了一种无需光流特定归纳偏置（如相关体、特征扭曲）的分层Transformer架构，通过窗口、移位窗口和全局注意力机制，在Sintel、KITTI-2015和Spring基准上实现了最先进的性能，同时保持了高分辨率推理的内存效率。
IMLE-VLA：用单步动作头解决VLA推理延迟与多模态动作分布的矛盾
IMLE-VLA 通过引入基于 conditional Implicit Maximum Likelihood Estimation (cIMLE) 的单步动作头替换传统的迭代式 flow-matching 头，在保持 π0.5 鲁棒性的同时，将 VLA 推理频率提升至 55 Hz（3.67 倍），并在 LIBERO 基准测试中取得 98.0% 的最高成功率。
DIAL：利用内在注意力实现可控多主体视频生成
本文提出 DIAL 框架，通过挖掘 DiT 中的 Intrinsic Spatial Grounding Map (ISGM)，在低噪声阶段实现免训练的可控保真度引导，在高噪声阶段通过零成本偏好优化锚定主体语义，显著提升了多主体视频生成的身份一致性与稳定性。
Logit Refiner：通过尺度内依赖建模改进视觉自回归模型
本文提出 Logit Refiner，一个轻量级自回归模块，通过恢复 VAR 模型中尺度内 token 的联合分布依赖，在不重新训练骨干网络的前提下显著提升了图像生成的空间一致性。
从评估到增强：视频生成模型中“视频思维”推理的基准测试与改进
本文提出了涵盖9个推理维度的VWG-Bench基准和基于强化学习的Vid-PRE提示增强模块，旨在诊断并提升视频生成模型在逻辑、物理及空间推理任务中的表现。
Shedding Light：用物理探针量化生成模型的光照理解
本文提出了一种基于 inpainting 和物理渲染逆问题的基准测试方法，通过让生成模型在真实场景中插入“光探针”（diffuse spheres），定量评估了 16 个 SOTA 生成模型对场景光照方向、颜色及空间变化的物理准确性。