TOPIC · VISION · 21 PAPERS

视觉理解与 3D

大语言模型推理对齐智能体多模态视觉生成视觉理解与 3D 机器人与具身高效训练与推理安全与可解释 AI for Science 代码与软件工程评测与数据强化学习

近 30 天 21

#10 ▲296 ★1.3k ❝0 2026-09-27

VisionHOPE: Visual Backbones as Self-Modifying Learning Systems

VisionHOPE 把视觉骨干网络做成“自我修改”的学习系统，记什么、怎么学在单张图内共同演化。

Mininglamp Technology · Siran Peng, Tianshuo Zhang, Tianyu Fu +8

视觉理解与 3D arXiv 代码 HF

#14 ▲310 ★140 ❝2 2026-09-30

GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives

GroundingPI 是 4B 参数的定位基础模型，用坐标 token 输出点和框，为机器人控制提供快速精准的目标定位。

XPENG AI · Qize Yu, Lianrui Fan, Boyu Chen +23

机器人与具身视觉理解与 3D arXiv 代码 HF

#49 ▲131 ★523 ❝0 2026-10-14

InfiniSplat v2: Analyzing and Improving Feed-Forward 3DGS from Any Views

InfiniSplat v2 分析并改进前馈式 3D 高斯重建，在大视角变化下渲染质量更高。

zju3dv · Yongzhen Hu, Hao Yu, Jiawei Wang +7

视觉生成视觉理解与 3D arXiv 代码 HF

#50 ▲78 ★526 ❝0 2026-09-21

GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation

GAE 把几何基础模型的特征重参数化成紧凑潜空间，让生成的世界在 3D 上保持一致。

ARC Lab, Tencent · Jiahao Lu, Minghao Yin, Wenbo Hu +5

视觉生成视觉理解与 3D arXiv 代码 HF

#52 ▲133 ★105 ❝0 2026-10-13

Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes

Urbex 让视觉语言 Agent 在城市级 3D 场景中主动搜索、缩放、换视角来定位目标，并用强化学习优化。

alibaba · Yu Wang, Rui Dai, Wei Chen +5

智能体视觉理解与 3D 强化学习 arXiv 代码 HF

#58 ▲94 ★78 ❝4 2026-09-30

GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed

GroundAnything 用双向扩散并行解码目标位置，在保持精准的同时大幅加快视觉定位。

XPENG AI · Qize Yu, Lianrui Fan, Bowen Ping +19

视觉理解与 3D 高效训练与推理 arXiv 代码 HF

#93 ▲170 ★18 2026-10-19

EgoXperience: Learning World-Grounded Egocentric Representations from Human Experience

EgoXperience 用自动标注引擎联合重建第一视角视频中的人体运动、场景几何与手物交互，并配套基准。

Ropedia · Xinhao Ji, Hui En Pang, Hao Li +12

视觉理解与 3D 机器人与具身评测与数据 arXiv 代码 HF

#107 ▲156 ★13 ❝0 2026-10-19

Holi-World: Building Holistic World Intelligence from Human-Ego Experience

Holi-World 是从人类第一视角经验构建世界智能的完整生态，覆盖采集、表征、数据构建、训练和评测。

Ropedia · Hao Li, Xiyuan Zheng, Yuanyuan Gao +7

视觉理解与 3D 评测与数据 arXiv 代码 HF

#108 ▲75 ★287 ❝0 2026-10-08

LeWAM: End-to-End World and Action Modeling with JEPAs

LeWAM 是端到端的 JEPA 世界-动作模型，同一模型既能直接执行策略也能高效规划。

LeWAM · Minghao Fu, Tavis Siebert, Eryk Halicki +1

机器人与具身视觉理解与 3D arXiv 代码 HF

#134 ▲34 ★178 ❝4 2026-10-02

4DCodeBench: Benchmarking Agents on Inverse Graphics of Dynamic Scenes

4DCodeBench 要求 Agent 把动态视频重建为可执行的图形程序，考察 4D 逆向图形能力。

4DCodeBench · Ruihong Shen, Žiga Kovačič, Peter Kulits +6

评测与数据代码与软件工程视觉理解与 3D arXiv 代码 HF

#171 ▲129 ❝0 2026-09-28

LEGO-Anything: Coding Agents for 3D Scene Reconstruction

LEGO-Anything 让编程 Agent 反复编写和执行 Blender 代码，从单张图片重建可编辑的 3D 场景。

Amazon Web Services · Xirui Li, Peng Shi, Mingwen Dong +7

代码与软件工程视觉理解与 3D 智能体 arXiv HF

#191 ▲56 ★12 ❝2 2026-09-21

All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts

用按文字体系分路的混合专家，做一个比逐语言模型简单、比大视觉语言模型轻的多语种场景文字识别器。

Fudan University · Xingsong Ye, Yongkun Du, Jiaxin Zhang +6

视觉理解与 3D 高效训练与推理 arXiv 代码 HF

#198 ▲57 ★17 ❝0 2026-09-29

OmniTaskonomy: When Does Visual Generation Improve Visual Understanding?

研究视觉生成训练何时能提升视觉理解：配方对时，图生图训练能带来理解任务的增益。

UC Berkeley · Jiaxin Ge, Yiming Qin, Ji Xie +13

多模态视觉理解与 3D arXiv 代码 HF

#210 ▲62 ★27 ❝0 2026-10-16

Scene-Designer: Learning Design Intelligence for Agentic 3D Scene Generation

Scene-Designer 从设计与评审两类经验中学习“设计智能”，用文字生成完整可用的 3D 室内场景。

ZJU-OmniAI · Xuanyu Liu, Hongyan Feng, Miao Pan +5

智能体视觉理解与 3D arXiv 代码 HF

#248 ▲45 ★45 ❝0 2026-10-16

Xiaomi-Lens-0 Technical Report

Xiaomi-Lens-0 是基于 Qwen3.5 的 4B 多模态模型，能直接从自身视觉表征预测分割掩码。

SeerRay-Lab · Pei Fu, Yike Liu, Yue Sun +13

视觉理解与 3D 多模态 arXiv 代码 HF

#252 ▲49 ★41 ❝0 2026-10-07

Tetris3D: 3D Scene Generation With Objects That Fit Together

Tetris3D 在单图 3D 场景重建中按邻近物体的几何和物理关系生成每个物体，让物体彼此契合。

KAIST AI · Jaeyeong Kim, Jinhyuk Jang, Jongmin Lee +2

视觉理解与 3D arXiv 代码 HF

#260 ▲45 ★19 ❝1 2026-10-07

RLHND: Video Foundation Models as Physically Grounded Hand Trackers for Robot Learning

RLHND 基于视频基础模型从第一视角视频估计手部姿态和触觉信息，让人类视频更好地用于机器人学习。

RLWRLD · Seungjun Moon, Subin Jeon, Sangwoo Kim +2

机器人与具身视觉理解与 3D arXiv 代码 HF

#264 ▲60 ★26 ❝0 2026-10-01

EditHero: A Benchmark for Long-Horizon Part-Level 3D Editing and Vibe Modeling

EditHero 是首个长程、部件级 3D 编辑基准，检验连续多次修改时能否只改指定部分。

机构待核实 · Ruihan Yu, Yu-Ju Tsai, Muyao Niu +9

视觉理解与 3D 评测与数据 arXiv 代码 HF

#289 ▲26 ★31 ❝0 2026-10-19

InfiniDream: Open-Ended Photorealistic 3D Worlds Through Procedural Generation

InfiniDream 让视觉语言模型调用程序化生成算法，开放式地生成可编辑、照片级的 3D 资产和大场景。

Alaya Lab · Yi-Chuan Huang, Hao-Jen Chien, Zheng-Hui Huang +3

视觉理解与 3D 代码与软件工程 arXiv 代码 HF

#302 ▲22 ❝0 2026-10-20

Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs

NVIDIA 提出给任意骨骼同时生成视频和可回放的 3D 动作及相机，把视频里的动作直接用于 3D 资产。

NVIDIA · Noam Rotstein, Yoad Tewel, Chen Tessler +5

视觉生成视觉理解与 3D arXiv HF

#305 ▲26 ❝0 2026-10-03

Super-Resolution in The Right Latent Space: A Frozen Vision-Foundation Substrate

主张在冻结的视觉基础模型特征空间里做超分辨率，比在重建型潜空间或像素空间更合适。

RTP-LLM · Wanzhou Lei, Cuifeng Shen, Yanjin He +6

视觉理解与 3D 视觉生成 arXiv HF

在归档中检索该主题 →