近日，國際頂級會議ICCV 2025（計算機視覺國際大會）公布論文錄用結(jié)果，格靈深瞳團隊共有6篇論文入選。

作為CV領(lǐng)域最具國際影響力的三大頂級會議之一，本屆ICCV競爭十分激烈。據(jù)公開信息，今年大會共收到11239份有效投稿，數(shù)量為史上最多。經(jīng)過評審后，僅接受2698篇論文，錄用率為24%。

格靈深瞳此次入選的6篇論文，涉及視覺基座模型、人臉3D重建、文檔幾何校正、人體動作生成、魯棒三維重建等多個視覺AI研究關(guān)鍵方向，展現(xiàn)了格靈深瞳深耕多年的核心技術(shù)積累和前沿創(chuàng)新實力，每一項成果都具有前瞻的科研價值和實際應用意義。

此次入選的6篇論文核心內(nèi)容如下：

視覺基座模型

格靈深瞳與華為諾亞研究院合作的論文Region-based Cluster Discrimination for Visual Representation Learning中稿，其創(chuàng)新性在于，通過引入?yún)^(qū)域Transformer層和高效的區(qū)域聚類判別損失，有效提升視覺模型對局部區(qū)域信息的感知與表達能力，使其在OCR、目標檢測和分割等密集視覺任務中表現(xiàn)突出。

同時，RICE采用大規(guī)模候選區(qū)域數(shù)據(jù)集，統(tǒng)一目標識別與OCR學習。在多項下游任務中，RICE均優(yōu)于SigLIP2、AIMv2，無需顯式語言監(jiān)督，即可成為強大的多模態(tài)視覺大模型基座，展現(xiàn)出卓越的通用性和擴展?jié)摿Α?/p>

人臉3D重建、膚色估計

格靈深瞳與悉尼科技大學、浙江大學、帝國理工學院合作的HUST，方法創(chuàng)新性體現(xiàn)在：無需昂貴的光場采集數(shù)據(jù)，僅憑單張圖片即可實現(xiàn)高保真、無偏見的人臉漫反射反照率重建。

該論文通過提出“反照率即去光照紋理”的新見解，結(jié)合VQGAN預訓練和有限UV紋理微調(diào)，模型有效利用大規(guī)模高分辨率人臉數(shù)據(jù)?？缈臻g自適應與群體身份損失實現(xiàn)域遷移，提升了不同膚色的泛化能力。HUST在FAIR基準上取得了當前最優(yōu)的準確性和公平性指標。

文檔幾何校正

格靈深瞳與360移動算法部合作的ForCenNet，其創(chuàng)新性體現(xiàn)在：提出了前景為中心的標簽生成方法和掩碼機制，顯著提升了對文檔可讀區(qū)域的幾何校正能力。

同時，該論文方法設(shè)計了曲率一致性損失，有效約束線性結(jié)構(gòu)的變形，提升了校正精度。實驗結(jié)果表明方法在多個真實基準上均取得了新的最優(yōu)表現(xiàn)。

人體動作生成

格靈深瞳與浙江大學合作的MotionStreamer，提出了一種全新的流式人體動作生成框架。通過在連續(xù)的因果潛空間中進行自回歸，并使用擴散模型建模每個潛在變量的概率分布，實現(xiàn)高效的流式生成。

流式框架天然支持多輪交互式動作生成、長序列動作生成、動態(tài)動作組合等多種應用。

人體動作生成

格靈深瞳與浙江大學合作的Motion-2-to-3，創(chuàng)新性地使用大量的人類二維視頻，以提升文本驅(qū)動的三維運動生成。研究通過解耦局部關(guān)節(jié)運動與全局運動，從二維數(shù)據(jù)高效學習局部運動先驗。先在大規(guī)模文本-二維運動數(shù)據(jù)集上訓練單視角生成器，再用三維數(shù)據(jù)微調(diào)為多視角生成器，預測視角一致的局部關(guān)節(jié)運動和根節(jié)點動態(tài)。

實驗表明，該方法能高效利用二維數(shù)據(jù)，生成更廣泛，更多類型的真實三維人體運動，為相關(guān)行業(yè)帶來新機遇。

魯棒三維重建

格靈深瞳與浙江大學合作的UniVerse，首次將視頻擴散模型引入到魯棒3D重建中，通過先把不一致的多視圖圖像轉(zhuǎn)化為一致視頻幀，再進行高質(zhì)量神經(jīng)場重建，有效解耦了“修復”和“重建”兩大任務。

近年來，格靈深瞳大力投入視覺基礎(chǔ)模型、多模態(tài)大模型等AI核心技術(shù)研發(fā)，積極與各大高校、企業(yè)開展研究合作，聚合產(chǎn)學研力量，促進學術(shù)深度交流。此次亮相國際頂級學術(shù)平臺，是對團隊科研實力與成果的檢驗和肯定。

未來，格靈深瞳將持續(xù)發(fā)力前沿技術(shù)創(chuàng)新研究，促進科研成果轉(zhuǎn)化應用，引領(lǐng)行業(yè)共同發(fā)展進步。