《FutureSightDrive：基于时空视觉链式思考的自动驾驶框架》提出了一种创新的自动驾驶视觉推理方法。该研究突破传统文本链式推理的局限，通过构建统一的图像形式时空CoT（时空链式思考），使视觉语言模型能够以视觉方式进行未来场景预测和决策。核心创新包括：1）将VLM作为世界模型生成未来帧；2）采用渐进式生成策略确保物理约束；3）设计统一预训练范式激活视觉生成能力。实验表明，该方法在nuSce

本文提出了一种针对预训练自监督视觉模型的数据集蒸馏新方法——线性梯度匹配(Linear Gradient Matching)。该方法通过优化合成图像，使其在预训练特征空间中产生的梯度与真实图像一致，从而仅需每类一张图像即可训练出高性能线性分类器。

语言场方法如 LangSplat、LEGaussians 等，通过可微分渲染将 CLIP 特征蒸馏至三维语言场中，实现对语言查询的响应，但其语言特征表达能力有限，导致分割边界模糊。为此，COS3D 提出协同场（collaborative field）概念，将实例场与语言场有机结合，通过双向映射机制在训练与推理阶段实现两者的协同优化，从而在分割质量与训练效率上均取得显著提升。COS3D 的核心思路是

华中科技大学与国防科技大学联合提出首个水下多模态大模型NAUTILUS，突破传统水下视觉任务的局限。该研究创新性地构建了包含145万图像-文本对的NautData数据集，并设计了基于物理成像模型的视觉特征增强模块（VFE），在特征空间显式恢复水下退化图像信息。实验表明，NAUTILUS在8类水下任务中表现优异，显著提升识别准确性，且VFE模块可兼容主流多模态模型。研究成果为水下场景理解提供了新思路

本文提出ReconVLA模型，通过隐式视觉grounding机制提升机器人操作精度。该方法让模型在训练中重建任务相关的凝视区域，引导视觉注意力聚焦目标物体。模型包含动作生成和视觉重构两个部分，使用扩散变换器从噪声中重建目标区域。

U-DECN的核心思路是在卷积编码器-解码器架构中引入多尺度特征、动态查询初始化与颜色去噪机制，以提升检测精度与速度，同时避免使用NMS和复杂注意力模块。U-DECN在卷积编码器-解码器架构中成功融合了多尺度特征、动态查询与颜色去噪机制，显著提升了水下目标检测的精度与速度，并在嵌入式设备上实现实时推理。的端到端水下目标检测模型，它基于卷积网络架构，融合了多尺度特征、动态查询初始化与颜色去噪机制，显

本文提出了一种名为ViT-YOLO的混合目标检测框架，用于解决无人机图像中目标尺寸差异大、背景复杂等问题。该模型将多头自注意力机制嵌入CSP-Darknet主干网络以增强全局上下文信息提取，并引入加权双向特征金字塔网络进行多尺度特征融合。

华中科技大学与国防科技大学联合提出首个水下多模态大模型NAUTILUS，突破传统水下视觉任务的局限。该研究创新性地构建了包含145万图像-文本对的NautData数据集，并设计了基于物理成像模型的视觉特征增强模块（VFE），在特征空间显式恢复水下退化图像信息。实验表明，NAUTILUS在8类水下任务中表现优异，显著提升识别准确性，且VFE模块可兼容主流多模态模型。研究成果为水下场景理解提供了新思路

本文系统综述了三维与四维世界建模方法，填补了该领域系统性综述的空白。研究聚焦从二维生成转向几何驱动的三维/四维建模，提出了基于视频、占据栅格和LiDAR的三类方法体系，并划分为数据引擎、动作解释器等四种功能类型。论文明确定义了世界建模概念，总结了VAE、GAN等生成模型在三维/四维数据上的应用，系统梳理了专用数据集（nuScenes、KITTI等）和评估指标（FID、IoU等）。实验表明，几何一致

本文提出ReconVLA模型，通过隐式视觉grounding机制提升机器人操作精度。该方法让模型在训练中重建任务相关的凝视区域，引导视觉注意力聚焦目标物体。模型包含动作生成和视觉重构两个部分，使用扩散变换器从噪声中重建目标区域。