「视觉因果流」共找到 830 篇相关文章
首次实现第一视角视频与人体动作同步生成！新框架攻克视角-动作对齐两大技术壁垒
新加坡国立大学等联合发布EgoTwin框架，首次实现第一视角视频与人体动作联合生成，攻克视角-动作对齐与因果耦合瓶颈。它基于扩散模型，通过三大创新设计解决难题，实验性能超基线。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
ICCV 2025 | UniOcc: 自动驾驶占用预测与推理统一数据集及基准平台
来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。
做过十遍还要从头摸索？Agent 的记忆终于开始长成技能
MemTensor 等机构提出无需训练基础模型的 MSCE 框架，为 Agent 外部经验建‘晋升制度’，让经验成技能。该论文在 EvoAgentBench 与 LoCoMo 测试中结果更好，但在因果证明、模型依赖等方面有不足。
刷榜自动驾驶语义场景补全！北大新作：高维度、高密度 | AAAI'26
北京大学彭宇新教授团队提出视觉语义场景补全方法HD² - SSC，通过高维度语义解耦和高密度占用优化，解决现有技术维度与密度差异问题，在两自动驾驶数据集上取得最优性能。
VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破
当前VLA模型常依赖视觉线索而非语言指令，导致新场景表现不佳。论文提出LangForce方法，引入对数似然比损失，强化模型对语言的依赖，提升分布外泛化能力，还保留语言核心功能。
让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%
香港中文大学等研究者提出TON选择性推理框架，使视觉语言模型能自主判断是否推理。该框架有两阶段训练机制，实验显示其让推理长度最多减90%，准确率还提升，有益模型部署。
北大卢宗青团队新作：超 70% 实机成功率，支持语言指令的功能性抓取系统
现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。
将文章、故事变成漫画脚本提示词参考
文章给出将文章、故事变成漫画脚本的提示词参考，包含生成脚本和画图示例对话，从视觉风格、封面设计、布局、叙事结构、对话与文字设计等方面提出详细要求，为漫画脚本创作提供指引。
一个模型读懂所有医学数据，Hulu-Med探索医学大模型开源新范式 | 浙大x上交xUIUC
Hulu - Med是浙大、上交、UIUC等联合提出的通用医学视觉语言大模型，首次在单一模型统一理解医学多类数据。它开源透明，训练成本低，性能媲美GPT - 4.1，为医学AI带来新范式。