每日Arxiv热文

论文标题：VidEmo: AffectiveTree Reasoning for EmotionCentric Video Foundation Models 作者团队：南开大学、鹏城实验室、快手科技

- 创新方法：提出三阶段方法（Track, Inpaint, Resplat），分别用于识别需要填充的区域、逐步填充未观察到的区域以及将2D填充观察结果重新投影回3D空间。

论文名称：DreamFuse: Adaptive Image Fusion with Diffusion Transformer —— 基于扩散变换器的自适应图像融合框架

VideoLLaMA 3是基于Llama 3的前沿多模态基础模型，深度融合视觉、听觉与语言理解能力，支持高分辨率图像和长视频的端到端分析。其核心技术包括统一的视听语言架构、高效长视频词元化和万亿级多

论文《FBRT-YOLO: Faster and Better for Real-Time Aerial Image Detection》提出了一种针对航拍图像目标检测的优化方法。

该论文提出了一种“少即是多”的更简单、更高效的递归推理模型—Tiny Recursive Model（TRM）。

SAM3（SegmentAnythingModel3）代表了图像和视频分割领域的重大突破，这是一个基于概念提示的统一模型，能够检测、分割和跟踪图像视频中的对象。

Meta 提出的 「早期经验」（Early Experience）范式，在模仿学习与强化学习之间架起桥梁，让智能体通过 「行动 - 观察 - 反思」自主学习，无需外部奖励。

当前基于指令的图像编辑虽借助扩散模型取得进展，但仍面临挑战，本研究突破SFT范式的泛化性与可控性限制，解决扩散模型结合 RL 时的策略优化偏差问题。

还在为视频编辑发愁？港科大&蚂蚁集团提出Ditto框架刷新SOTA！构建一套可扩展、低成本、高质量的指令驱动视频编辑数据生成框架，解决数据稀缺这一核心瓶颈。