Paper Reading: CV 2

前馈式视觉几何模型，可从一张或多张图像预测相机、深度、点图和 3D 点轨迹。

直接从任意图像对预测统一坐标系下的 3D 点图，降低了传统多视图几何对相机标定和位姿初始化的依赖。

在 DUSt3R 的 3D 点图表示上加入匹配能力，把局部图像匹配、定位和重建统一到 3D Grounding 框架中。

使用 Spatial Memory 做前馈式全局 3D 重建，减少 DUSt3R 类方法对后处理全局对齐的依赖。

将 DUSt3R 的点图思路扩展到动态场景，用几何优先的方式处理视频深度、相机位姿和 4D 重建。

连续 3D 感知模型，通过持久状态在流式观测中更新场景几何，适合长序列重建和机器人在线感知。

用 3D Gaussian 作为显式可微场景表示，实现实时高质量新视角渲染，是近年 3D 表示和重建方向的核心基线。

通过大规模无标注数据和自动标注数据引擎训练通用单目深度模型，是当前深度估计生态的高影响力基础工作。

进一步提升 Depth Anything 的细节、鲁棒性和推理效率，开源仓库和模型生态热度很高。

用单一 Transformer 从任意视角输入恢复空间一致的几何结构，将深度、位姿和多视图视觉空间建模进一步统一。

面向超长视频的时序一致深度估计，在 Depth Anything V2 基础上解决逐帧深度闪烁问题。

面向零样本 metric depth 和 surface normal 的单目几何基础模型，强调从单图恢复可度量 3D 结构。

直接从单张图像预测 metric 3D points 和相机表示，目标是跨域泛化的通用单目 metric depth。

开放域单目几何估计模型，用 point map 表示和几何监督提升单图 3D 恢复的细节与泛化能力。

零样本 stereo matching 基础模型，通过大规模合成数据和单目深度先验提升跨场景立体深度泛化。

统一 prompt-based 视觉基础模型，用 FLD-5B 标注体系支持 caption、detection、segmentation、OCR 等多种任务。

实时开放词表检测模型，在 YOLO 框架中加入视觉语言预训练，兼顾开放类别识别和推理速度。

Grounding DINO 的增强版本，继续推进开放集检测在性能和边缘部署上的能力。

经典开放词表检测模型，直接用图文预训练 ViT 做文本条件目标定位，是后续 open-vocabulary detection 的重要基线。

将目标检测和短语 grounding 统一为 grounded language-image pre-training，是开放词表检测的高引用代表工作。

通用交互式分割模型，支持点、框、scribble、mask、文本等多模态提示，拓展了 SAM 式分割接口。

统一 pixel、image 和 language 的解码框架，把开放词表分割、referring segmentation 和视觉语言生成放到同一解码器中。

面向人体视觉的基础模型族，覆盖 2D pose、part segmentation、depth 和 normal，突出高分辨率人类中心视觉能力。

用 deformable convolution 构建可规模化 CNN 视觉基础模型，在检测和分割等 dense prediction 任务上表现强。

Meta 的视频自监督表征模型，用 latent feature prediction 学习视频中的时空表示，不依赖文本、负样本或像素重建。