RYOPO：把端到端类别级物体位姿估计做到实时
RYOPO 用查询式 RGB-D 集合预测把检测、分割与 9-DoF 位姿联在同一前向中，共享编码并做物体中心精炼，在 NOCS 上超过已发表联合方法，并以 31.8 FPS 接近两阶段全物体成绩。
RGB-D
LiteReality-Agent：把室内扫描编成可交互仿真房间
LiteReality-Agent 把室内 RGB-D 重建写成可执行的 Room.py，用 observe-edit-verify 编排把扫描变成可交互、可仿真的数字孪生。
Track2Art：用视觉-几何轨迹表示恢复铰接物体模型
Track2Art 从带物体掩码的 RGB-D 交互视频构建持久视觉-几何轨迹 token，经可变基数刚体部件发现与旋转等变的学习-解析关节几何头，前馈恢复部件、有向运动学图、关节类型与轴枢，无需真值部件数或测试时优化。
FIRE3D：一分钟内完成的前馈交互式3D场景重建
FIRE3D 提出了一种统一的前馈框架，能够从单张RGB图像或随意拍摄的RGB视频中，在60秒内重建出包含完整几何、纹理和6-DoF位姿的仿真就绪3D场景资产，无需测试时优化或额外标注。
当深度有害时：用于无深度 RGB-D 显著性目标检测的可靠性感知几何蒸馏
GeoDistill 提出一种深度无关的 RGB-D 显著性目标检测框架，通过从冻结的 Depth Anything V2 教师模型蒸馏几何信息，并在推理时移除教师，利用可靠性感知融合机制解决传感器深度噪声导致的性能下降问题。
LAWM-3D：从人类视频中学习3D感知的潜在动作，构建可泛化的机器人世界模型
提出LAWM-3D框架，通过多视角联合训练、非单射RGB-D重建和几何特征对齐，从无标签人类视频中学习视角不变的3D感知潜在动作，显著提升世界模型的生成质量、物理一致性和泛化能力。