跳至内容

pchao.org

EGO2ACT：评测自我中心视频生成中的目标导向操作

3 10 月, 2026 作者 PengChao
无参考评判

EGO2ACT 用 110 个真实日常任务检验视频模型能否从初始场景与高层目标生成物理成立的多步自我中心操作，并用无参考门控评判对齐人类。

分类 CVPR三分钟 标签 CVPR三分钟、 EGO2ACT、 EGO2ACTJUDGE、 egocentric video generation、 人工智能、 深度学习、 计算机视觉 发表评论

CineMR：工具增强视觉语言推理的定量心脏磁共振评估

3 10 月, 2026 作者 PengChao
开箱失败

CineMR 让视觉语言模型在交错推理中调用心脏影像定量工具，并把测量值交给规则表型分类器，用于研究型电影磁共振评估，而非临床产品。

分类 CVPR三分钟 标签 CineMA、 CineMR、 CVPR三分钟、 Qwen3-VL-8B-Instruct、 人工智能、 深度学习、 计算机视觉 发表评论

SemanTok：面向高效自回归视频生成的可预测语义token

3 10 月, 2026 作者 PengChao
解码器对齐漏洞

SemanTok 在灵活视频分词器上加入冻结 DINO 的编码器输入与前缀级语义头，让短 token 前缀先锁定片段语义，从而用更小的自回归模型达到更高生成保真与对齐。

分类 CVPR三分钟 标签 CVPR三分钟、 DINO、 SemanTok、 VideoFlexTok、 人工智能、 深度学习、 计算机视觉 发表评论

PACT：从视频端到端学习人体姿态、接触与作用力

3 10 月, 2026 作者 PengChao
联合架构

PACT 在冻结的 SAM 3D Body 上加入接触力 token 与时序 Transformer，联合预测姿态、接触与作用力，并用物理监督与伪标注管线解决力标注稀缺。

分类 CVPR三分钟 标签 CVPR三分钟、 PACT、 RNEA、 VGGT-、 人工智能、 深度学习、 计算机视觉 发表评论

ARROW：野外任意观测集合上的四维重建与追踪

3 10 月, 2026 作者 PengChao
论文代表图：figure-03-p005-01

ARROW 用内容派生的身份 token 做与顺序无关的查询，把静态图集、动态视频与多视图流统一到同一前馈四维重建与点追踪模型。

分类 CVPR三分钟 标签 ARROW、 CVPR三分钟、 ID tokens、 order-invariant querying、 人工智能、 深度学习、 计算机视觉 发表评论

ATI-VLA：先做可行动对齐再自适应注入的动作中心预测式视觉语言动作模型

3 10 月, 2026 作者 PengChao
模态鸿沟与优化冲突

ATI-VLA 先用共享码本把观测与动作对齐到可行动离散潜空间，再以轻量旁路把预测潜变量按层间隔注入动作解码，只优化动作损失。

分类 CVPR三分钟 标签 ATI-VLA、 CVPR三分钟、 OpenVLA-7B、 OpenVLA-OFT、 人工智能、 深度学习、 计算机视觉 发表评论

Oneira：从开放生成走向开放世界交互的视频世界模型

3 10 月, 2026 作者 PengChao
状态表闭环

ONEIRA用coding Agent维护可扩展世界状态表，把交互结果写成显式状态再渲染成条件视频，让新生成物体可交互、改过的结果跨片段保持。

分类 CVPR三分钟 标签 CVPR三分钟、 MiniMax-H3、 ONEIRA、 Ref2VA、 人工智能、 深度学习、 计算机视觉 发表评论

Memorizon：在上下文窗口之外训练世界模型

3 10 月, 2026 作者 PengChao
窗口耦合成因

MEMORIZON让训练样本覆盖任意长跨度，却只对尾部chunk计分，并用每chunk共视检索的有界记忆库代替把历史全部tokenize。

分类 CVPR三分钟 标签 CVPR三分钟、 MEMORIZON、 RoPE、 Wan2.2-TI2V-5B+PRoPE、 人工智能、 深度学习、 计算机视觉 发表评论

PhysVista：用感知-推理-评估闭环评测视觉语言模型的物理智能

3 10 月, 2026 作者 PengChao
闭环任务

PhysVista 把物理状态感知、动态推理与可信度评估收成闭环，并在真实与生成视频上区分事件级与尺度级物理理解。

分类 CVPR三分钟 标签 CVPR三分钟、 PhysVista、 VideoPhy-2、 WISA-80K、 人工智能、 深度学习、 计算机视觉 发表评论

Gestalt：面向多模态交互的大规模统一模型

3 10 月, 2026 作者 PengChao
分阶段架构

Gestalt 按模态独有、跨模态对齐到协同的金字塔，用离散扩散与分阶段 interplay 架构统一理解、生成与语言。

分类 CVPR三分钟 标签 CVPR三分钟、 Gestalt、 LLaDA-8B-Instruct、 LLaVA-OneVision-1.5、 人工智能、 深度学习、 计算机视觉 发表评论
较早文章
较新文章
← 上一页 页面1 … 页面6 页面7 页面8 … 页面75 下一页 →
© 2026 pchao.org • Built with GeneratePress