本周精选10篇CV领域前沿论文，覆盖视频生成与理解、3D视觉与运动迁移、多模态与跨模态智能、专用场景视觉技术等方向。全部300多篇论文已经整理好，感兴趣的自取！
一、视频生成与理解方向
1、First Frame Is the Place to Go for Video Content Customization
作者：Jingxi Chen, Zongxia Li, Zhichao Liu, Guangyao Shi, Xiyang Wu, Fuxiao Liu, Cornelia Fermuller, Brandon Y. Feng, Yiannis Aloimonos
亮点：颠覆传统认知，揭示视频生成模型中第一帧的核心作用------并非仅作为时空起始种子，而是存储视觉实体供后续复用的"概念性记忆缓冲器"；提出无需修改模型架构、无需大规模微调的视频内容定制方案，仅需20-50个训练样本即可实现多场景下的稳健通用定制；挖掘了视频生成模型在参考基视频定制任务中被忽视的强大潜力，为低成本视频内容个性化提供新范式。
论文：https://arxiv.org/abs/2511.15700
开源代码：https://firstframego.github.io/
2、AVATAAR: Agentic Video Answering via Temporal Adaptive Alignment and Reasoning
作者：Urjitkumar Patel, Fang-Chun Yeh, Chinmay Gondhalekar
亮点：针对长视频问答中复杂查询（需综合理解与细节分析）的核心痛点，提出模块化、可解释的AVATAAR框架；创新融合全局视频摘要与局部上下文，设计"预检索思考代理+反思模块"的反馈循环，实现类人迭代推理，可根据部分答案优化检索策略；在CinePile基准上全面突破，temporal reasoning相对增益+5.6%、技术查询+5%、主题类问题+8%、叙事理解+8.2%，验证了各模块的正向贡献，为长视频QA提供兼具准确性、可解释性和扩展性的scalable解决方案。
论文：https://arxiv.org/abs/2511.15578
Comments：Accepted in the 5th IEEE Big Data Workshop on Multimodal AI (MMAI 2025), Dec 8-11, Macau, China, 2025 (Preprint Copy)
3、Reasoning via Video: The First Evaluation of Video Models' Reasoning Abilities through Maze-Solving Tasks
作者：Cheng Yang, Haiyuan Wan, Yiran Peng, Xin Cheng, Zhaoyang Yu, Jiayi Zhang, Junchi Yu, Xinlei Yu, Xiawu Zheng, Dongzhan Zhou, Chenglin Wu
亮点：开创"通过视频推理"新范式，将视频生成与空间推理结合，填补视频模型推理能力评估的空白；构建VR-Bench基准，包含7920个程序化生成视频（覆盖5种迷宫类型+多种视觉风格），实现对空间规划、多步推理能力的系统评估；实证表明SFT可高效激发视频模型推理潜力，其空间感知性能优于主流VLMs，且存在测试时缩放效应------多样化采样可将推理可靠性提升10-20%，为空间推理任务提供全新技术路径。
论文：https://arxiv.org/abs/2511.15065
开源代码：https://imyangc7.github.io/VRBench_Web
二、3D视觉与运动迁移方向
1、Gaussian See, Gaussian Do: Semantic 3D Motion Transfer from Multiview Video
作者：Yarin Bekor, Gal Michael Harari, Or Perel, Or Litany
亮点：提出首个支持跨类别、语义对齐的无支架3D运动迁移方法，实现源视频运动向静态目标形状的精准迁移；创新引入锚点基视图感知运动嵌入机制，既保障跨视图一致性，又显著加速模型收敛；设计稳健4D重建流水线，有效整合含噪监督视频，优化动态3D高斯溅射（3D Gaussian Splatting）重建效果；建立首个语义3D运动迁移基准，实验验证其在运动保真度和结构一致性上显著优于现有基线。
论文：https://arxiv.org/abs/2511.14848
Comments：SIGGRAPH Asia 2025
2、IBGS: Image-Based Gaussian Splatting
作者：Hoang Chuong Nguyen, Wei Mao, Jose M. Alvarez, Miaomiao Liu
亮点：针对传统3D高斯溅射（3DGS）依赖低阶球谐函数，难以捕捉空间变化颜色和镜面高光等视图依赖效应的缺陷，提出图像基高斯溅射方案；创新将像素颜色建模为"3DGS基色+邻近训练图像学习残差"的组合，兼顾高分辨率细节还原与视图特异性颜色表达；在不增加存储开销的前提下，显著提升新视角合成（NVS）质量，尤其在高频细节和准确视图依赖效果上实现SOTA突破。
论文：https://arxiv.org/abs/2511.14357
开源代码：https://hoangchuongnguyen.github.io/ibgs
Comments：Accepted to NeurIPS 2025
三、多模态与跨模态智能方向
1、CroPS: Improving Dense Retrieval with Cross-Perspective Positive Samples in Short-Video Search
作者：Ao Xie, Jiahui Chen, Quanzhi Zhu, Xiaoze Jiang, Zhiheng Qin, Enyun Yu, Han Li
亮点：直击短视频搜索中密集检索的"过滤气泡效应"（依赖历史交互导致模型偏保守），提出CroPS跨视角正样本策略；从查询级（用户重写行为）、系统级（推荐流参与数据）、知识级（大模型世界知识）三维度引入多样化语义正样本；设计层级标签分配（HLA）策略与H-InfoNCE损失，实现细粒度、相关性感知的模型优化；在快手搜索大规模验证（离线+线上A/B测试），显著提升检索性能并降低查询重写率，已服务数亿日活用户。
论文：https://arxiv.org/abs/2511.15443
Comments：AAAI-2026, Oral
2、A Multimodal Transformer Approach for UAV Detection and Aerial Object Recognition Using Radar, Audio, and Video Data
作者：Mauro Larrat, Claudomiro Sales
亮点：针对单一模态在无人机检测/空中目标识别中的局限性，提出融合雷达、音频、RGB视频、红外（IR）视频的多模态Transformer模型；利用自注意力机制高效融合异模态特征，学习全面、互补且高判别力的表示；在独立测试集上实现近完美性能：宏平均准确率0.9812、召回率0.9873、F1分数0.9826、特异性0.9954，且计算高效（1.09 GFLOPs、122万参数、41.11 FPS），完全满足实时监控需求。
论文：https://arxiv.org/abs/2511.15312
3、Think Visually, Reason Textually: Vision-Language Synergy in ARC
作者：Beichen Zhang, Yuhang Zang, Xiaoyi Dong, Yuhang Cao, Haodong Duan, Dahua Lin, Jiaqi Wang
亮点：破解ARC-AGI抽象推理任务的核心矛盾------纯文本方法规则执行不精确、纯视觉方法模式抽象不足；提出视觉-语言协同推理范式，明确两种模态的互补优势：视觉负责全局模式抽象与验证，语言负责符号规则制定与精确执行；设计VLSR（模态对齐子任务分解）与MSSC（视觉验证文本推理纠错）两大策略；在多款旗舰模型上实现最高4.33%的性能提升，为通用人工智能的抽象推理提供关键技术支撑。
论文：https://arxiv.org/abs/2511.15703
四、专用场景视觉技术方向
1、ProPL: Universal Semi-Supervised Ultrasound Image Segmentation via Prompt-Guided Pseudo-Labeling
作者：Yaxiong Chen, Qicong Wang, Chunlei Li, Jingliang Hu, Yilei Shi, Shengwu Xiong, Xiao Xiang Zhu, Lichao Mou
亮点：首次提出"通用半监督超声图像分割"任务，突破现有方法局限于特定器官/任务的瓶颈，大幅提升临床实用性；设计ProPL框架，采用"共享视觉编码器+提示引导双解码器"结构，通过解码时提示机制实现灵活任务适配，结合UPLC模块（不确定性驱动伪标签校准）保障自训练可靠性；构建涵盖5个器官、8个分割任务的综合数据集，实验验证其在多种指标上优于SOTA，建立通用超声分割新基准。
论文：https://arxiv.org/abs/2511.15057
Comments：AAAI 2026
2、A Dataset and Baseline for Deep Learning-Based Visual Quality Inspection in Remanufacturing
作者：Johannes C. Bauer, Paul Geng, Stephan Trattnig, Petr Dokládal, Rüdiger Daub
亮点：针对再制造行业视觉质检自动化的核心需求（人工为主、模型泛化性差），构建首个面向变速箱部件的视觉质量检测数据集，包含两种汽车变速箱的完好/缺陷部件图像，支持多种分布偏移场景的泛化能力评估；提出对比正则化损失函数，有效提升模型对未见过的部件类型、缺陷模式的泛化性能；为再制造领域提供标准化数据集与基准模型，助力行业实现质检自动化升级，释放生态与经济价值。
论文：https://arxiv.org/abs/2511.15440
Comments：Journal ref: 2025 IEEE 30th International Conference on Emerging Technologies and Factory Automation (ETFA)