搜索
请想象这样一种居家场景：当你戴着 AI 眼镜在厨房准备晚饭，用刀切菜时，它会立刻提醒你注意安全；当你连续几天形成举着手机长时间录像的习惯时，它会主动建议你换一种更省力的记录方式。
本文主要介绍来自该团队的最新论文 Teaching Vision-Language-Action Models What to See and Where to Look，目前该论文已经被 ECCV 2026 正式接收，相关代码和模型已全部开源。
近日，清华大学与香港科技大学的研究团队提出 LiveEdit，一种面向通用文本指令的实时流式视频编辑框架。该方法以因果、分块的方式处理持续到来的视频，在 4 步 / 视频块的推理条件下实现 12.66 FPS 的流式编辑，并能保持被编辑区域的准确性以及未编辑区域的一致性。
长视频理解，正在成为多模态大模型的重要能力。
大规模视频扩散模型，画面越来越真，却总在“物理定律”上栽跟头。
给图像生成模型一张人物参考图，它大概率能抓住身份特征。
以往的空间音频模型，要么受限于实验室的苛刻采集条件，要么被高昂的人工标注成本卡住脖子。而团队的核心洞察是：相机的自运动本身就是一种免费的监督信号。当相机转动时，声源在声场中的相对位置随之改变——这种变化无需人工标注，模型即可从中学习空间对应关系。这项工作入选CVPR 2025 Highlight，投稿论文前2%。
近日，来自清华大学等单位的研究团队提出了AutoMIA，一种自动生成镜像错觉艺术的 AI 设计方法，用户仅需任意指定两张图片，分别对应镜子前和镜子中的图案，AutoMIA就可以自动完成3维艺术品的设计，并且支持直接3D打印出来制作艺术品。
国防科技大学虚拟现实与视觉计算团队（SAW Lab）联合先进制导与控制技术国家级重点实验室等推出面向航拍几何 3D 视觉的统一大规模数据集与评测基准 「AirZoo」。
一个月前的CVPR现场，一家中国具身智能公司的展台被围得水泄不通。