- 动态场景重建与可编辑建模
基于4D高斯泼溅（4D-GS）实现动态场景的语义化重建与编辑，结合文本引导的3D资产生成流程，推动神经渲染技术向结构化、可控制方向演进。
- 交互式分割与长时序目标跟踪
融合SAM2架构与流式记忆机制，实现在线实例分割与视频对象切分；构建点到物体的统一跟踪框架（如TAPIR与CoTracker融合方案），提升复杂场景下的长时跟踪稳定性。
- 多模态视觉语言模型向智能体演进
发展工具化视觉语言模型，支持可执行的视觉推理（检索/代码生成/约束求解）；沿VLA（Vision-Language-Action）技术路线（如RT-2），推动真实世界多任务泛化与行动闭环的实现。
- 视频生成与长视频理解
构建物理一致的视频生成框架，实现相机位姿、几何结构与材质属性的可控生成；设计流式记忆机制与时间定位模块，提升长视频的时序建模与语义理解能力。
- 结构化视觉感知与交互
开发OCR-free与OCR-augmented协同的多页长文档解析系统；构建可解释的图表与界面理解代理，支持复杂结构化内容的语义解析与交互操作。
- 可信与高效视觉计算
研究AIGC内容溯源与鲁棒水印的协同取证技术；发展面向边缘设备与长视频流的高效推理框架，实现资源受限场景下的低延迟、流式视觉分析。