FFaceNeRF是一种基于神经辐射场的小样本3D人脸编辑方法，通过几何适配器将固定布局分割图调整为自定义蒙版布局。其核心创新包括：1）几何适配器和特征注入机制实现灵活编辑；2）三平面增强的潜在混合策略提升小样本学习效果；3）基于重叠的优化确保精细区域编辑精度。仅需约10个样本即可训练，支持用户自由定义编辑区域，在保持人脸身份特征的同时实现高精度局部编辑。该方法突破了传统NeRF人脸编辑对固定分割

论文《LEARNING TRANSFORMER-BASED WORLD MODELS WITH CONTRASTIVE PREDICTIVE CODING》论文地址: https://openreview.net/forum?深度交流Q裙：1051849847全网同名 【大嘴带你水论文】 B站定时发布详细讲解视频详细代码见文章最后。

VGGT是一个统一的视觉通用模型，通过引导式Transformer架构同时处理点跟踪、深度估计、相机位姿估计和光流预测等多项视觉任务。其核心机制包括交替注意力（帧内和全局注意力）、专用Token（相机和寄存器Token）以及多任务预测头。代码实现展示了关键组件，如多头注意力模块和密集预测头。该模型通过单一架构实现多任务处理，无需为每个任务设计专用解码器，具有高效建模时空依赖关系的能力。

CogVideoX是一个基于扩散Transformer的文本到视频生成模型，能够生成10秒768×1360分辨率的高质量视频。其核心创新包括：1）3D因果变分自编码器在时空维度压缩视频；2）专家自适应LayerNorm处理多模态特征；3）3D全注意力机制实现连贯运动生成。模型通过渐进训练和多分辨率帧打包技术，显著提升了视频时长和运动连贯性，在定量和定性评估中均优于现有方法。完整实现代码已开源。