1
Genki Kinoshita, Ko Nishino
任务设定
从 3D 姿态序列中自监督学习人体运动的语义表征
痛点动机
现有自监督方法依赖人为设定的增广/掩码假设,对超参数敏感
解决方案
提出 BAL 框架,在潜空间中双向自回归预测运动,并拆分全局与局部目标防止表征坍塌
2
Run Luo, Kuan Zhang, Qi Deng, Yukun Chen, Zhihao Yang, Yufei Zhang, Renrong Hu, Yi Zhang, Guiyu Ma, Tianyu Fan, Longze Chen, Hao Sun, Jiaming Li, Jiaming Yang, Xiaohao Liu, Tao Tan, Minzheng Wang, Hangtian Jia, Shuai Yuan, Lvdi Wang, Xiao Liu, Chao Ma, Yuting Zou, Yinhe Zheng, Xiaobo Xia, Dawei Jiang, Shaoqing Ren
任务设定
面向长时程游戏任务的通用智能体框架
痛点动机
游戏智能体难以兼顾长时程推理与实时响应速度
解决方案
海量键鼠交互数据预训练,结合稀疏思维微调和多轮强化学习实现云边实时推理
3
Suvarna Kadam, Soran Parsa
任务设定
系统综述视觉-语言-动作模型的设计、训练与部署
痛点动机
VLA 领域发展迅猛但缺乏生命周期视角的系统梳理
解决方案
按 7 个维度分析 88 篇工作,涵盖模型架构、训练数据配比与实时执行策略
4
Grid Robotics: Qingfeng Lan, Duo Li, Siyao Li, Yiheng Lyu, Shijian Lu, Zhenghao Qi, Shizun Wang, Xinchao Wang, Ming Yang, Zhiqin Yang, Zuhao Yang, Tao Yu
任务设定
提出具身智能体机器人新范式的定义与评测体系
痛点动机
基础模型驱动的机器人系统缺乏统一定义、评估标准与路线图
解决方案
提出 Embodied System 2 概念,结合基础模型与具身执行框架评测闭环决策性能
5
Jie Hu, Yu Zheng, Wenzhi Wu, Weixing Feng, Cunlei Cheng, Jiaming Zhang
任务设定
面向不同具身形态的无障碍导航基准测试
痛点动机
可通行路径因身体条件而异,现有基准仅评估单一固定具身
解决方案
构建含千场景、2 万条轨迹的 VLAN 数据集,评测视觉语言模型对人形/轮式机器人及行动不便者的导航能力
6
Julian N. Heidenreich, Vinicius C. Azevedo, Jakob Buhmann, Lento Manickathan, Arnold Moon, Paul Kanyuk, Amit H. Bermano, Jingwei Tang
任务设定
预测动画角色在新姿态下的服装形变
痛点动机
神经服装方法多基于 SMPL 训练,难泛化到动画角色新姿态
解决方案
渐进训练 VAE 隐空间,结合姿态参数与身体位移条件生成褶皱
7
Hongsen Cao, Shanxin Yuan, Mona Jaber, Ahmed Sayed
任务设定
长视频的高效前馈式 3D 重建与流式处理
痛点动机
VGGT 等模型跨帧注意力随帧数平方级增长,长视频精度下降
解决方案
提出 EcoVGGT,用 31 帧固定 Pinned Key Set 缓存场景 token,其余帧按恒定成本读取,免训练实现高速流式重建
8
Ruiqi Shu, Xufeng Zhan, Yuanzhi Liang, Haibin Huang, Chi Zhang, Xuelong Li
任务设定
单张照片重建可执行的物理交互 3D 场景
痛点动机
图生视频扩散隐式建模运动难保持力学平衡,单次 3D 重建易穿模或坍塌
解决方案
用视觉语言编程智能体生成可分离网格与物理模型,结合统一物理求解器驱动视频扩散渲染
9
Yating Xu, Na Zhao, Chenhan Jiang, Qingwen Zhang, Jiankang Deng, Jifei Song
任务设定
室内场景开放词汇多视角 3D 目标检测
痛点动机
依赖点云补全会丢物体、语义学习局限于局部外观
解决方案
直接从多视角图像生成 3D 框并做跨视角一致性融合,结合全图语境做语义预测
10
Keuntae Kim, Dongjun Kim, Yong Suk Choi
任务设定
让视频语言模型真正利用预测式视频编码器中的动态信息
痛点动机
字幕仅涉及少数属性,模型学会检索文字而非读取动态
解决方案
用像素变换构造反事实监督数据,训练语言模型读取 V-JEPA 动态子空间,得到 V-JEPA-LM
11
Binhong Ye, Jin-Chuan Shi, Tao Liu, Xin Wang, Hao Chen, Chunhua Shen
任务设定
从单张 RGB 图像估计稠密手部接触图
痛点动机
共享查询解码使接触预测脱离图像位置,边界模糊
解决方案
让每个 MANO 顶点在投影位置采样局部图像特征,实现顶点对齐解码
12
Zixuan Jiang
任务设定
研究多视角增强中跨视角一致性对操作策略的影响
痛点动机
不清楚哪种跨视角一致性对视觉运动策略训练真正重要
解决方案
用仿真状态回放控制跨视角耦合,发现几何一致性比外观一致性更关键
13
K. M. S. J. Kumarasinghe, Neil A. Dodgson, Fang-Lue Zhang
任务设定
从单张图像恢复被遮挡物体的完整外观(场景去遮挡)
痛点动机
现实场景遮挡复杂,现有方法难处理循环遮挡依赖和未知物体
解决方案
提出免训练框架,将场景分解为深度排序的 RGBA 图层
14
Christopher Malili
任务设定
分析机器人模仿学习策略如何处理带噪声的物体位置观测
痛点动机
经典误差变量回归方法会高估策略对噪声读数的依赖程度
解决方案
策略融合本体感觉锚点与噪声读数,按α=V/(V+s²)加权,可预测闭环部署表现
15
Muhammed Izzet Sezer, Sevval Belkis Dikkaya
任务设定
加速 VGGT 等多视角 3D Transformer 的全局注意力计算
痛点动机
注意力开销随图像数平方增长, LLM 加速方案迁移效果差
解决方案
提出无需训练的 RAWATTA ,按层角色(平均/匹配/锚定)分配 8/16 位精度降低开销
16
Jiaxin Huang, Chengxing Lin, Xiaoyu Luo, Sirui Chen, Jingyu Guo, Aolin Li, Kairui Chen, Rui Zhen, Cheng Wen, Kerui Gu, Shunyao Wang, Zhihui Peng, Shaoli Huang
任务设定
双足人形机器人从室内到室外的长程语言导航
痛点动机
单条指令需跨房间、门和道路,且相机随步态剧烈晃动
解决方案
提出仅用 RGB 的 MELIOR 导航模型,配合 X-Navarch 智能体拆解并部署子任务
17
Maitree Meher, Siming He, S. Shankar Sastry, Jitendra Malik, Claire Tomlin, Jonas Frey
任务设定
有限动作预算下的视觉语言导航物体搜索任务
痛点动机
现有 VLN 评测固定步数,策略无法感知剩余预算调整探索广度
解决方案
对比 TSP 最优路径专家与房间级 Bellman 专家监督,后者训练的策略探索效果更优