档案胶片修复：DART如何用显式掩码避免误删场景结构
档案胶片修复面临划痕、灰尘等复合退化，且缺乏干净参考。现有方法常将场景中的细线结构（如栏杆）误认为划痕而抹除。DART通过显式预测软缺陷掩码，并结合AdaLN-Zero进行条件调制，有效区分损伤与内容。本文详解其核心机制与实验验证。
KroQuant：用Kronecker结构破解DiT W4A4量化难题
DiT模型的W4A4 PTQ因激活Outliers导致质量下降，且AdaLN层使传统离线吸收技巧失效。KroQuant提出一种基于Kronecker积的可学习块对角激活变换，结合LoRaQ权重校正，在保持推理速度的同时显著提升图像质量。实验表明，该方法在PixArt-Σ、SANA和FLUX.1-schnell上均优于基线。需注意，该方法依赖支持MXFP4格式的硬件，且在线变换增加了计算开销。
MLLM空间推理幻觉怎么破？Geo3R用几何卡片给出答案
多模态大模型常因2D图像缺乏深度信息而产生空间推理幻觉。Geo3R提出一种无需训练的框架，通过提取相机、世界及物体局部坐标系下的几何证据，构建结构化卡片辅助推理。实验显示其在透视、朝向和视点变化场景下显著优于基线。需注意其性能受限于上游几何估计工具的精度。
ReMo：无需训练的 Omni-LLM 视觉 Token 压缩与语义重分布
Omni-LLM 处理音视频时，视觉 Token 冗余严重导致计算瓶颈。ReMo 提出无需训练的压缩框架，通过 Cross-modal Projection 对齐音频与视觉空间，利用 Residual Saliency 剪枝冗余 Token，并引入 Text Proxy 保留对象语义。实验显示其在 Qwen2.5-Omni 和 Qwen3-Omni 上均超越全 Token 模型准确率，同时大幅降低延迟。需注意其依赖离线投影和检测器词汇表。
视频编辑为何失效？ElasticTTT解决先验崩溃问题
扩散模型在视频编辑中常因测试时微调（TTT）导致先验崩溃，表现为忽略指令或破坏未编辑区域。ElasticTTT通过TDR、Contrastive CFG和Async-NS三大机制，在保留源视频结构的同时实现精准编辑。实验显示其在VLM评估中表现最佳，但需注意超参数敏感性。
扩散模型推理加速：PSP如何通过剪枝超越BoN？
扩散模型的推理时间扩展长期滞后于LLM。本文提出PSP（Progressive Seed Pruning），通过初期大量种子探索与渐进剪枝，解决BoN等方法计算浪费问题。实验显示PSP在GenEval和人类评估中均优于基线，且计算开销极低。注意：PSP依赖奖励模型信号，对细粒度美学优化增益有限。
机器人VLA为何“偷懒”？因子偏差诊断与偏差感知数据收集策略解析
预训练机器人策略常因过度依赖颜色等主导因子而忽略动词或尺寸，导致组合泛化失败。本文提出FDR/FDH指标量化这种“因子偏差”，并据此设计偏差感知数据收集策略。实验表明，该策略在ManiSkill仿真与UR5真机实验中，以半数演示显著提升了成功率。需注意，评估依赖VLM裁判且限于桌面操作场景。
SDM：如何从冻结特征中解耦相机与物体运动
视频帧间变化常混淆相机运动与物体运动。本文提出SDM，通过主/残差令牌结构化解耦动态。在ProbeMotion基准上，其表现优于DeltaTok并接近VGGT。注意：长程外推存在漂移，且依赖合成数据弱监督。
GraphVid：用交互图取代轨迹，实现高效可控视频生成
可控视频生成常受限于轨迹方法的复杂度和数据需求。GraphVid通过构建有向交互场景图，利用Edge-Aware Graph Reasoning模块捕捉对象间关系动态，并通过LoRA适配器注入冻结的DiT骨干网络。实验显示其在MoveBench上优于Wan-Move等基线，推理速度提升显著。需注意其对小目标检测的依赖及上下文窗口限制。
3D点云分割：为何简单CE损失比复杂重加权方法更稳健？
在2D视觉中，Focal Loss等不平衡缓解方法效果显著，但在3D点云分割中，它们往往不如简单的交叉熵损失（CE）。本文通过损失景观拓扑分析，揭示了这一现象背后的几何原因：极端不平衡数据导致狭窄的解空间，激进重加权会破坏决策边界稳定性。研究建议从业者优先使用标准CE，避免盲目引入复杂损失函数。