这是视觉生成、视频理解与体育 AI 研究 wiki 的总入口。
想看长期内容目录,从这里开始;想看当前操作面板、backlog 和下一步,请转到 dashboard。
最后更新:2026-07-16 | Topics:19(8 Concept、10 Research、1 Roadmap) | Sources:266 | Entities:8 | Claims:8 | Questions:10 | 论文全文深分析:251/251 | 结构化图示:58 | Topic 三层迁移完成
总览入口
- llm-wiki — Karpathy 提出的 LLM Wiki 概念说明,也是本知识库的设计理念入口。
- 公开站双语层 —
wiki.garyko.com/en/现在作为英文导航 pilot,优先读取title_en/summary_en,中文 Markdown 仍然是唯一知识源。 - docs/superpowers/specs/2026-04-12-cvpr-2025-hermes-kb-design — 第一阶段设计方案与范围界定。
- AGENTS — Hermes 在本 vault 中的编译职责、工作流程与操作规则。
- SCHEMA — 页面结构规范、frontmatter 要求、标签体系与 lint 检查标准。
- dashboard — 当前知识库进度、backlog、优先级与下一步建议动作。
- docs/evidence-audit/evidence-audit-final-report — 老师展示前的证据层审计总报告。
- docs/evidence-audit/evidence-repair-status — 证据修复 pass 的 live gate 状态与 artifact 修复结果。
- docs/evidence-audit/claim-semantic-audit-2026-07-10 — 三条公开 Claim 与原论文结论的一致性审计及证据重分类。
- docs/evidence-audit/full-paper-deep-review-progress — 251 篇论文的全文、PDF、深分析覆盖与逐篇处理状态。
- docs/evidence-audit/full-paper-deep-review-final-report — 全量深读的完成统计、结论修订、反证、证据例外与最终验证结果。
- docs/topic-migration-matrix — Concept / Research / Roadmap 三层 Topic 迁移矩阵、图示目标与质量门。
- docs/research-topic-quality-contract — Research Topic 从证据地图到决策就绪的四级成熟阶段、检索协议和发布质量门。
- docs/research-protocols/image-editing — 图像编辑试点的研究问题、范围、检索式、筛选流和阶段升级门。
- docs/research-monitoring/daily/2026-07-15-image-editing — 图像编辑 2025—2026 定向缺口扫描:10 个优先候选、4 个后备和 Hermes 编译队列;候选尚未进入正式证据层。
- docs/research-monitoring/daily-policy — 每日 10 篇候选、1—3 篇全文深读、只写候选报告的监测策略与安全边界。
- 公开站入口:
/为可交互研究地图,/main为阅读入口,/catalog为本索引的完整目录。 - log — 按时间记录的 ingest、编译、修复与结构调整历史。
中文阅读路线
- 看当前工作状态:按
dashboard → 当前优先问题 → 下一轮推荐动作阅读。 - 第一次学习机器视觉:按
topics/computer-vision-overview → topics/vision-backbones → topics/vision-task-foundations → topics/datasets-metrics-and-benchmark-reliability阅读。 - 看生成基础:按
topics/visual-generation-foundations → topics/diffusion-models → topics/image-generation → topics/generative-model-evaluation阅读。 - 看视频基础:按
topics/video-representation-and-temporal-modeling → topics/video-understanding → topics/sports-ai-roadmap阅读。 - 看视觉语言基础:按
topics/vision-language-foundations → topics/image-text-retrieval → topics/vision-language阅读。 - 看生成式视觉主线:按
topics/image-generation → topics/image-editing → topics/video-generation → topics/diffusion-efficiency-engineering → claims/claim-dit-is-becoming-the-default-scalable-generation-backbone阅读。 - 看视频理解 / 评测主线:按
topics/video-understanding → topics/generative-model-evaluation → topics/video-editing → claims/claim-current-models-still-struggle-to-understand-video-editing阅读。 - 看图文检索研究方向:按
topics/image-text-retrieval → entities/clip-retrieval-benchmarks → claims/claim-image-text-retrieval-compositionality → questions/question-image-text-retrieval-research-cut阅读;先看综合判断,再回到论文 source note。 - 看体育 AI 主线:按
topics/sports-ai-roadmap → topics/sports-ai-video-understanding → questions/question-badminton-stroke-correction-demo → entities/sportsmot阅读。 - 看图像生成与编辑的一体化路线:按
topics/image-generation → topics/image-editing → entities/unified-image-generation-editing → claims/claim-unified-models-may-outcompete-specialized-image-pipelines阅读。 - 直接查论文:从下面的
论文来源区块按中文简介筛选,再进入对应 source note。
主题页
基础概念(Concept)
- topics/computer-vision-overview — 从输入、表示、任务输出和证据理解现代计算机视觉。
- topics/vision-backbones — CNN、U-Net、ViT、层级 Transformer、GCN 与 SSM 的表示与选型。
- topics/vision-task-foundations — 分类、检测、分割、姿态和跟踪的输出边界、流程与指标。
- topics/visual-generation-foundations — VAE、GAN、自回归、规范化流和扩散的生成基础。
- topics/diffusion-models — 从前向加噪、逆过程、去噪主干到求解器理解扩散。
- topics/video-representation-and-temporal-modeling — RGB、光流、3D 卷积、视频 token、骨架和轨迹表示。
- topics/vision-language-foundations — 双塔对齐、跨模态融合、生成目标、数据与组合性。
- topics/datasets-metrics-and-benchmark-reliability — 数据来源、IS/FID/CLIPScore、诊断基准和人评协议。
研究专题(Research)
- topics/diffusion-efficiency-engineering — 扩散效率工程主线,整理 backbone、采样提速、部署压缩与 guidance 工程化。
- topics/generative-model-evaluation — 生成模型评测方式、基准设计、盲点,以及证据质量问题。
- topics/image-editing — 图像编辑主题,关注指令编辑、控制能力、保真度和推理效率。
- topics/image-generation — 图像生成主题,覆盖图像合成、编辑一体化、可控性与条件机制。
- topics/sports-ai-video-understanding — 体育 AI 视频理解主题,聚焦球员跟踪、人-人交互、全场轨迹与多智能体状态理解。
- topics/video-editing — 视频编辑主题,关注文本驱动编辑、时序一致性、保真度与评测。
- topics/video-generation — 视频生成主题,关注长时生成、运动控制、速度与一致性。
- topics/video-understanding — 视频理解主题,聚焦时序推理、长上下文建模与视频评测问题。
- topics/vision-language — 视觉-语言主题,聚焦多模态条件控制、对齐与语言驱动推理。
- topics/image-text-retrieval — 图文检索主题,覆盖双塔、细粒度对齐、组合式查询、统一向量、数据质量与评测可靠性。
应用与研究路线(Roadmap)
- topics/sports-ai-roadmap — 体育 AI 研究路线图,把感知、跟踪、轨迹、比赛状态、规则、训练反馈与止损条件组织成可执行路径。
论文来源
机器视觉基础概念补证(2026-07-14)
- sources/2026-07-14-alexnet — NeurIPS 2012;大规模数据、GPU 与深卷积表示的转折节点。
- sources/2026-07-14-resnet — CVPR 2016;用残差连接缓解深层网络优化退化。
- sources/2026-07-14-swin-transformer — ICCV 2021;以移位窗口和层级特征适配高分辨率密集任务。
- sources/2026-07-14-convnext — CVPR 2022;现代纯卷积主干对“注意力唯一性”的结构对照。
- sources/2026-07-14-faster-r-cnn — NeurIPS 2015;共享特征 RPN 与两阶段目标检测。
- sources/2026-07-14-fcn — CVPR 2015;全卷积逐像素语义分割。
- sources/2026-07-14-u-net — MICCAI 2015;编码器—解码器与同尺度跳跃连接。
- sources/2026-07-14-mask-r-cnn — ICCV 2017;实例分割、并行 mask 分支与 RoIAlign。
- sources/2026-07-14-vae — ICLR 2014;摊销变分推断与重参数化潜变量。
- sources/2026-07-14-gan — NeurIPS 2014;生成器—判别器对抗学习。
- sources/2026-07-14-pixelrnn — ICML 2016;像素级自回归条件分解。
- sources/2026-07-14-glow — NeurIPS 2018;可逆 1×1 卷积与规范化流。
- sources/2026-07-14-two-stream-convnet — NeurIPS 2014;RGB 外观与光流运动的双流视频表示。
- sources/2026-07-14-i3d — CVPR 2017;2D 滤波器时域膨胀与 Kinetics 视频预训练。
- sources/2026-07-14-inception-score — NeurIPS 2016;Inception Score 的来源与分类器代理边界。
- sources/2026-07-14-fid — NeurIPS 2017;FID 特征分布距离的来源与有限样本边界。
- sources/2026-07-14-clipscore — EMNLP 2021;基于 CLIP 的无参考图文一致性评测。
扩散模型奠基补证(2026-07-14)
- sources/2026-07-14-ddpm — NeurIPS 2020;建立现代高质量图像扩散的噪声预测训练与离散反向采样基线。
- sources/2026-07-14-score-sde — ICLR 2021;用连续时间 SDE/ODE 统一 DDPM、分数模型、采样与似然计算。
图文检索专题(2026-07-14)
- sources/2026-07-14-align — ICML 2021;用噪声文本监督扩展视觉与视觉语言表示学习。
- sources/2026-07-14-filip — ICLR 2022;用 patch-token late interaction 做细粒度图文预训练。
- sources/2026-07-14-albef — NeurIPS 2021;把双塔对齐与 cross-encoder 融合拆成先对齐再融合。
- sources/2026-07-14-blip — ICML 2022;用自举式 caption 过滤和多任务预训练统一理解与生成。
- sources/2026-07-14-coca — TMLR 2022 / arXiv;把对比学习与 caption decoder 组合成图文基础模型。
- sources/2026-07-14-siglip — ICCV 2023;用 sigmoid loss 改写图文对比训练,减少全局 batch 配对依赖。
- sources/2026-07-14-laion-5b — NeurIPS 2022 Datasets and Benchmarks;开放大规模图文数据集与过滤管线。
- sources/2026-07-14-datacomp — NeurIPS 2023 Datasets and Benchmarks;在固定计算预算下系统比较数据构造与过滤。
- sources/2026-07-14-aro — ICLR 2023;用属性、关系和计数诊断视觉语言模型的词袋捷径。
- sources/2026-07-14-winoground — CVPR 2022;用成对图文和交换关系测试视觉语言组合性。
- sources/2026-07-14-sugarcrepe — NeurIPS 2023 Datasets and Benchmarks;修复可被文本捷径攻破的组合性 benchmark。
- sources/2026-07-14-fashioniq — CVPR 2021;用参考图像和自然语言反馈进行服饰组合式检索。
- sources/2026-07-14-cirr — ICCV 2021;在真实世界图像上进行组合式图像检索。
- sources/2026-07-14-searle-circo — ICCV 2023;用文本反演和多真值 CIRCO 推进零样本组合式检索。
- sources/2026-07-14-uniir-mbeir — arXiv;用 instruction 与 M-BEIR 统一多个多模态检索任务。
- sources/2026-07-14-vlm2vec-mmeb — arXiv / Technical Report;把视觉语言模型训练成通用多模态向量模型。
- sources/2026-07-14-multilingual-diversity — arXiv;研究多语言与地域多样性对视觉语言表示的影响。
- sources/2026-07-14-colpali — ICLR 2025;用页面多向量与 late interaction 做视觉文档检索。
- sources/2026-07-14-no-zero-shot — arXiv;从概念频率和预训练重叠角度审计 zero-shot 结论。
- sources/2026-07-14-clip4cir — CVPR 2022;用轻量组合器融合 CLIP 图像与修改文本特征,建立监督式 CIR 强基线。
- sources/2026-07-14-pic2word — CVPR 2023;把参考图映射为伪词并接入 CLIP 文本空间进行组合式检索。
- sources/2026-07-14-msrm — CVPR 2023;用概率 embedding 与超图关系建模一对多图文匹配。
- sources/2026-07-14-vilem — CVPR 2023;用词级错误检测、纠正与可信负例增强双编码器细粒度语义。
- sources/2026-07-14-cola — NeurIPS 2023 Datasets and Benchmarks;从组合性与语言捷径角度评测视觉语言模型。
- sources/2026-07-14-cir-robustness — NeurIPS 2023 R0-FoMo Workshop;分析 composed image retrieval 的鲁棒性与失败模式。
- sources/2026-07-14-lincir — CVPR 2024;仅用文本自遮蔽投影训练零样本组合式图像检索。
- sources/2026-07-14-keds — CVPR 2024;用知识增强与语义组合推进零样本 CIR。
- sources/2026-07-14-cprd — CVPR 2024;用有效 hard negative 的 cross-encoder 排序蒸馏高效双塔。
- sources/2026-07-14-fusemix — CVPR 2024;在冻结单模态特征空间中做跨模态混合,研究低数据、单 GPU 对齐。
- sources/2026-07-14-mobileclip — CVPR 2024;面向移动端效率优化 CLIP 的图文 embedding。
- sources/2026-07-14-dci — CVPR 2024;以密集描述和局部 mask 检查 CLIP 类模型的细粒度区域对齐。
- sources/2026-07-14-e5v — arXiv;将视觉信息接入 E5 风格的通用多模态 embedding。
- sources/2026-07-14-visrag — ICLR 2025;直接对文档页面图像做视觉检索增强生成。
- sources/2026-07-14-mieb — arXiv;用 38 种语言、130 个任务统一评测图像与图文 embedding。
- sources/2026-07-14-siglip2 — arXiv;以多语言、蒸馏、captioning 与 dense features 改进 SigLIP。
- sources/2026-07-14-collm — CVPR 2025;用 LLM 生成组合式训练数据并提出 3.4M 样本 MTCIR。
- sources/2026-07-14-generative-zscir — CVPR 2025;用生成式 pseudo-target image 缩小 CIR 的表示差距。
- sources/2026-07-14-miracl-vision — arXiv;18 语言视觉文档检索基准,显示文字密集页面的反方结果。
- sources/2026-07-14-pinpoint — CVPR 2026;用多真值、显式负例、多图 query 和 paraphrase 压力测试 CIR。
- sources/2026-04-12-align-a-video — CVPR 2025;用确定性 reward tuning 提升视频编辑质量,并尽量稳住时序一致性。
- sources/2026-04-12-anyedit — CVPR 2025;通过大规模多类型编辑数据和任务路由做统一图像编辑。
- sources/2026-04-12-d2it — CVPR 2025;用动态区域压缩改进图像生成中的局部细节与全局一致性平衡。
- sources/2026-04-12-dreamomni — CVPR 2025;通过合成编辑数据扩展,把图像生成和编辑放进同一训练框架。
- sources/2026-04-12-fade — CVPR 2025;借助视频扩散先验和频域调制做免训练视频编辑。
- sources/2026-04-12-fireedit — CVPR 2025;用区域感知视觉语言 grounding 提升细粒度图像编辑。
- sources/2026-04-12-insightedit — CVPR 2025;用更好的数据集和双流多模态引导提升指令跟随与背景保持。
- sources/2026-04-12-lingen — CVPR 2025;把长视频生成的核心复杂度降到线性,冲击分钟级生成。
- sources/2026-04-12-omnigen — CVPR 2025;用一个更简洁的统一模型覆盖生成、编辑和视觉条件控制。
- sources/2026-04-12-osv — CVPR 2025;一步式 image-to-video 生成,并保留可选 refinement 作为速度-质量旋钮。
- sources/2026-04-12-streamingt2v — CVPR 2025;通过短期/长期记忆模块保持长视频生成的一致性。
- sources/2026-04-12-swiftedit — CVPR 2025;用一步式扩散把文本引导图像编辑加速到接近实时。
- sources/2026-04-12-tora — CVPR 2025;把轨迹作为显式条件输入,强化视频运动控制与保真度。
- sources/2026-04-12-unireal — CVPR 2025;把图像生成和编辑统一重写成非连续视频生成问题。
- sources/2026-04-12-veu-bench — CVPR 2025;以 19 个任务和 49,536 个 QA 评测通用 Vid-LLM 的剪辑元素识别、推理与功能判断。
- sources/2026-04-12-videodirector — CVPR 2025;通过时空解耦引导实现更精确的视频编辑与内容保留。
- sources/2026-04-14-aigv-assessor — CVPR 2025;用大模型和专家评分体系评测文本到视频生成的感知质量。
- sources/2026-04-14-encapsulated-composition-t2i-t2v — CVPR 2025;用 T2I 与 T2V 模块封装组合提高视频合成质量、运动平滑度与速度。
- sources/2026-04-14-pathways-image-manifold — CVPR 2025;把图像编辑重写为视频生成的连续路径搜索过程。
- sources/2026-04-14-motionstone — CVPR 2025;用 DiT 的运动强度调制强化图像到视频生成中的结构控制。
- sources/2026-04-14-sketchvideo — CVPR 2025;以草图为核心控制接口的视频生成与编辑工作。
- sources/2026-04-14-video-bench — CVPR 2025;面向视频生成的人类对齐评测基准。
- sources/2026-04-14-diffeditor — CVPR 2024;提升扩散式图像编辑精度与灵活性的代表性工作。
- sources/2026-04-14-instructpix2pix — CVPR 2023;早期 instruction-based image editing 的关键锚点。
- sources/2026-04-14-tune-a-video — ICCV 2023;通过单样本调优把图像扩散模型迁移到视频生成。
- sources/2026-04-14-videocrafter2 — CVPR 2024;面向高质量视频扩散模型的数据与训练方案工作。
- sources/2026-04-14-evalcrafter — CVPR 2024;大视频生成模型评测线的重要早期锚点。
- sources/2026-04-14-fatezero — ICCV 2023;早期零样本文本视频编辑的重要方法锚点。
- sources/2026-04-14-five-bench — ICCV 2025;细粒度视频编辑评测基准。
- sources/2026-04-14-dreambooth — CVPR 2023;主体驱动生成与个性化扩散微调的重要锚点。
- sources/2026-04-14-gligen — CVPR 2023;开放集合 grounded 文本到图像生成。
- sources/2026-04-14-latent-diffusion-models — CVPR 2022;高分辨率图像生成的潜空间扩散框架。
- sources/2026-04-14-imagen-editor-editbench — CVPR 2023;把图像编辑方法与 EditBench 评测基准放到同一历史节点。
- sources/2026-04-14-video-p2p — CVPR 2024;以 cross-attention control 为核心的视频编辑早期锚点。
- sources/2026-04-14-flasheval — CVPR 2024;面向文本到图像扩散模型的快速评测方法。
- sources/2026-04-14-anydoor — CVPR 2024;零样本对象级图像定制,补强可控生成与局部编辑路线。
- sources/2026-04-14-motioneditor — CVPR 2024;把视频编辑推进到运动编辑专门化阶段。
- sources/2026-04-14-rave-video-editing — CVPR 2024;强调快速且一致的视频编辑工程路线。
- sources/2026-04-14-verifiable-human-eval-t2i — CVPR 2023;关注文本到图像生成人工评测的可验证与可复现性。
- sources/2026-04-14-paint-by-example — CVPR 2023;用参考示例而不是纯文本做图像编辑。
- sources/2026-04-14-null-text-inversion — CVPR 2023;强化真实图像扩散编辑中的 inversion 机制。
- sources/2026-04-14-ccedit — CVPR 2024;强调创意变化与可控性平衡的视频编辑。
- sources/2026-04-14-maskint — CVPR 2024;用 masked transformer 走视频编辑的非扩散路线。
- sources/2026-04-14-effective-real-image-editing — ICCV 2023;继续加速真实图像扩散反演。
- sources/2026-04-14-prompt-tuning-inversion — ICCV 2023;用 prompt tuning 改善文本驱动图像编辑反演。
- sources/2026-04-14-framepainter — ICCV 2025;用视频扩散先验增强交互式图像编辑。
- sources/2026-04-14-dive-subject-driven-video-editing — ICCV 2025;把主体驱动路线进一步推到视频编辑。
- sources/2026-04-14-qk-edit — ICCV 2025;在 MM-DiT 中重做图像与视频编辑的 attention 注入。
- sources/2026-04-14-insvie-1m — ICCV 2025;通过精细数据构造强化 instruction-based 视频编辑。
- sources/2026-04-14-veggie — ICCV 2025;把视频编辑与视频概念推理接到同一 grounded generation 框架。
- sources/2026-04-14-hallusionbench — CVPR 2024;诊断大型视觉语言模型中的幻觉与视觉错觉。
- sources/2026-04-14-camel-video-editing — CVPR 2024;用因果运动增强提升文本驱动视频编辑。
- sources/2026-04-14-vidtome — CVPR 2024;用 token merging 加速零样本视频编辑。
- sources/2026-04-14-motionfollower — ICCV 2025;用 score-guided diffusion 做视频运动编辑。
- sources/2026-04-14-reangle-a-video — ICCV 2025;把 4D 视频生成重写为视频到视频翻译。
- sources/2026-04-14-stablevideo — ICCV 2023;面向一致性感知的文本驱动扩散视频编辑。
- sources/2026-04-14-pix2video — ICCV 2023;利用图像扩散能力做视频编辑。
- sources/2026-04-14-video-worth-256-bases — CVPR 2024;用时空 EM inversion 支持零样本视频编辑。
- sources/2026-04-14-glitchbench — CVPR 2024;用视频故障诊断测试多模态模型的视频理解能力。
- sources/2026-04-14-avid-video-inpainting — CVPR 2024;基于扩散模型的任意长度视频修补。
- sources/2026-04-14-dynvideo-e — CVPR 2024;利用动态 NeRF 做大运动/视角变化的人体中心视频编辑。
- sources/2026-04-14-language-driven-video-inpainting — CVPR 2024;把多模态大模型接入语言驱动视频修补。
- sources/2026-04-14-imagic — CVPR 2023;扩散时代真实图像文本编辑的重要早期锚点。
- sources/2026-04-14-layoutdiffusion — CVPR 2023;面向布局到图像生成的可控扩散模型。
- sources/2026-04-14-mvbench — CVPR 2024;综合性的多模态视频理解基准。
- sources/2026-04-14-vbench — CVPR 2024;面向视频生成模型的综合评测套件。
- sources/2026-04-14-shape-aware-layered-video-editing — CVPR 2023;形状感知的分层文本视频编辑。
- sources/2026-04-14-vive3d — CVPR 2023;基于 3D-aware GAN 的视角无关视频编辑。
- sources/2026-04-14-fairy-video-to-video — CVPR 2024;快速并行的指令引导视频到视频合成。
- sources/2026-04-14-flowvid — CVPR 2024;利用光流一致性做视频到视频合成。
- sources/2026-04-14-lvbench — ICCV 2025;极限长视频理解基准。
- sources/2026-04-14-sok-bench — CVPR 2024;带开放世界知识对齐的情境视频推理基准。
- sources/2026-04-14-anetqa — CVPR 2023;面向未裁剪视频细粒度组合推理的大规模基准。
- sources/2026-04-14-neuro-symbolic-eval-t2v — CVPR 2025;用形式化验证评测文本到视频模型。
- sources/2026-04-14-sti-bench — ICCV 2025;测试 MLLMs 精确时空世界理解能力的 benchmark。
- sources/2026-04-14-mmmu — CVPR 2024;大规模多学科多模态理解与推理基准。
- sources/2026-04-14-maplm — CVPR 2024;面向地图与交通场景理解的真实世界视觉语言基准。
- sources/2026-04-14-concon-chi — CVPR 2024;面向个性化视觉语言任务的概念-上下文嵌合基准。
- sources/2026-04-14-reco — CVPR 2023;区域控制的文本到图像生成。
- sources/2026-04-14-multi-concept-customization — CVPR 2023;文本到图像扩散中的多概念定制。
- sources/2026-04-14-specialist-diffusion — CVPR 2023;可插拔且样本高效的文本到图像扩散微调。
- sources/2026-04-14-image-specific-prompt-learning — CVPR 2023;通过图像特定提示学习实现零样本生成模型适配。
- sources/2026-04-14-domain-expansion-image-generators — CVPR 2023;图像生成器的领域扩展。
- sources/2026-04-14-wavelet-diffusion-models — CVPR 2023;在 DDGAN-style 少步 U-Net 中用小波空间降低 FLOPs/显存,证据不覆盖 T2I 或 DiT。
- sources/2026-04-14-commoncanvas — CVPR 2024;在 Creative Commons 图像上训练的开放扩散模型。
- sources/2026-04-14-concept-weaver — CVPR 2024;面向文本到图像模型的多概念融合。
- sources/2026-04-14-codi — CVPR 2024;把任务条件适配与 consistency distillation 合并到 1–4 步模型训练。
- sources/2026-04-14-conform — CVPR 2024;用对比式训练提升高保真文本到图像扩散模型。
- sources/2026-04-14-check-locate-rectify — CVPR 2024;文本到图像生成的训练免费布局校准系统。
- sources/2026-04-14-customization-assistant — CVPR 2024;面向文本到图像生成的定制辅助系统。
- sources/2026-04-14-attention-calibration-personalization — CVPR 2024;解耦式文本到图像个性化的注意力校准。
- sources/2026-04-14-condition-aware-neural-network — CVPR 2024;面向可控图像生成的条件感知网络。
- sources/2026-04-14-contrastive-denoising-score — CVPR 2024;用对比去噪评分改进文本引导潜扩散图像编辑。
- sources/2026-04-14-cosmicman — CVPR 2024;面向人物的文本到图像基础模型。
- sources/2026-04-15-all-are-worth-words — CVPR 2023;用 U-ViT 证明 ViT 可以直接成为扩散模型主干。
- sources/2026-04-15-scalable-diffusion-models-with-transformers — ICCV 2023;正式提出 DiT,并把 Transformer 主干的 scaling 优势坐实为主线证据。
- sources/2026-04-15-act-diffusion — CVPR 2024;用对抗一致性训练降低一步扩散的训练资源门槛。
- sources/2026-04-15-analyzing-training-dynamics-diffusion-models — CVPR 2024;通过校正训练动力学提升扩散模型质量上限。
- sources/2026-04-15-deepcache — CVPR 2024;通过缓存相邻去噪步特征做训练免费的扩散加速。
- sources/2026-04-15-freeu — CVPR 2024;通过重加权 U-Net 主干与跳连,在不重训的前提下提升扩散质量。
- sources/2026-04-15-distilling-ode-solvers-diffusion-models — CVPR 2024;把扩散 ODE 求解器蒸馏到更少步数版本。
- sources/2026-04-16-on-distillation-of-guided-diffusion-models — CVPR 2023;把 classifier-free guidance 与 progressive distillation 接到一起,推动极少步扩散采样。
- sources/2026-04-16-blended-diffusion — CVPR 2022;把文本驱动自然图像编辑更早地接进 diffusion 生成过程。
- sources/2026-04-16-diffusion-autoencoders — CVPR 2022;为 diffusion 提供更可解释、可解码的语义表示层。
- sources/2026-04-16-high-fidelity-guided-image-synthesis — CVPR 2023;把 latent diffusion 上的 guidance 质量推进到更高保真。
- sources/2026-04-16-diffusionclip — CVPR 2022;把文本引导图像操控更早接到 diffusion 路线里。
- sources/2026-04-16-plug-and-play-diffusion-features — CVPR 2023;把 diffusion feature 直接变成文本驱动图像翻译接口。
- sources/2026-04-16-edict-exact-diffusion-inversion — CVPR 2023;把精确 diffusion inversion 变成真实图像编辑的关键接口。
- sources/2026-04-16-bbdm-brownian-bridge-diffusion — CVPR 2023;把 Brownian Bridge diffusion 接成图像到图像翻译主线。
- sources/2026-04-16-come-closer-diffuse-faster — CVPR 2022;用随机收缩把条件扩散的采样路径压得更短。
- sources/2026-04-16-rethinking-spatial-inconsistency-cfg — CVPR 2024;用 U-Net attention 自举语义区域并按区域重标 CFG,属于质量治理而非加速。
- sources/2026-04-16-sana-sprint — ICCV 2025;用连续时间一致性蒸馏把一步扩散再往前推。
- sources/2026-04-16-accelerating-dit-gradient-cache — ICCV 2025;用梯度优化缓存继续压缩 DiT 推理成本。
- sources/2026-04-16-distilling-parallel-gradients-ode-solvers — ICCV 2025;用额外并行方向改善低 NFE FID,需区分 critical path 与总计算。
- sources/2026-04-16-text-embedding-quantization-diffusion — ICCV 2025;把文本嵌入直接拉进 text-guided diffusion 量化链路。
- sources/2026-04-16-post-training-quantization-on-diffusion-models — CVPR 2023;把扩散模型推到 training-free 的 8-bit 量化部署,补上单步网络成本压缩路线。
- sources/2026-04-16-towards-practical-plug-and-play-diffusion-models — CVPR 2023;把多专家 guidance、参数高效微调和 data-free transfer 组合成可插拔 diffusion 控制框架。
- sources/2026-04-16-self-guided-diffusion-models — CVPR 2023;用自监督信号代替人工标签,为 diffusion 提供多粒度 guidance。
- sources/2026-04-16-controlnet — ICCV 2023;用冻结主干 + zero-conv 侧支把空间条件控制做成 diffusion 的通用接口。
- sources/2026-04-16-a-star — ICCV 2023;在测试时直接约束 cross-attention,减少多概念生成里的冲突与遗忘。
- sources/2026-04-16-boxdiff — ICCV 2023;把 box / scribble 空间约束直接塞进采样期 guidance,不用额外训练。
- sources/2026-04-16-dense-text-attention-modulation — ICCV 2023;用训练免费的 attention modulation 把 dense caption 与布局控制接进 diffusion。
- sources/2026-04-16-prompt-to-prompt — arXiv 2022;把 cross-attention 直接变成文本编辑控制面板。
- sources/2026-04-16-attend-and-excite — SIGGRAPH 2023;在推理时主动修复 diffusion 的语义遗漏与主体漏生。
- sources/2026-04-16-multidiffusion — arXiv 2023;把多条 diffusion 轨迹融合成统一的受控生成框架。
- sources/2026-04-16-dlt-layout-transformer — ICCV 2023;把 layout generation 做成离散-连续联合 diffusion。
- sources/2026-04-16-self-correcting-llm-controlled-diffusion-models — CVPR 2024;把 diffusion 生成改成 LLM 驱动的闭环自纠错系统。
- sources/2026-04-16-c3net — CVPR 2024;把 ControlNet 推进到多模态复合条件接口。
- sources/2026-04-16-layoutdiffusion-graphic-layout-generation — ICCV 2023;把 graphic layout generation 做成离散 diffusion 的标准接口。
- sources/2026-04-16-dc-controlnet — ICCV 2025;把多元素条件控制拆成 inter-element / intra-element 两层接口。
- sources/2026-04-23-sportmamba — CVPR Workshop 2025 / arXiv;用 Mamba-attention 与高度自适应关联度量处理团队运动中的非线性多目标跟踪。
- sources/2026-04-24-sportsmot — ICCV 2023;多运动场景下的大规模球员 MOT 数据集,是 SportsMOT 的原始基准论文。
- sources/2026-04-24-sportshhi — CVPR 2024;体育视频中高层人-人交互检测数据集,把理解粒度从 tracking 推向 interaction。
- sources/2026-04-24-teamtrack — CVPR Workshop 2024;全场视角多运动 MOT 数据集,补强 full-pitch tracking 与空间理解。
- sources/2026-04-24-transportmer — ACCV 2024 / arXiv;统一预测、补全、球推断和比赛状态分类的多智能体轨迹理解框架。
- 体育机器视觉文献清单 — - sources/2026-04-25-finegym — CVPR 2020;层级细粒度体育动作理解数据集,是体育动作语义结构的早期锚点。
- sources/2026-04-25-multisports — ICCV 2021;多人、多运动、时空动作定位数据集,补上体育 AI 的 action localization 层。
- sources/2026-04-25-finediving — CVPR 2022;过程感知动作质量评估数据集,连接技术动作评分和可解释训练反馈。
- sources/2026-04-25-logo-group-action-quality — CVPR 2023;长视频群体动作质量评估数据集,补上团队/群体表现评价证据。
- sources/2026-04-25-tacticai — Nature Communications 2024;足球角球战术 AI 助手,把体育 AI 推到专家评估和战术建议。
- sources/2026-04-25-soccernet-game-state-reconstruction — CVPR Workshop 2024;足球比赛状态重建,统一追踪、身份识别、号码识别与俯视图坐标。
- sources/2026-04-25-finesports — CVPR 2024;多人层级细粒度篮球动作数据,连接动作理解与团队运动场景。
- sources/2026-04-25-athletepose3d — CVPR Workshop 2025;真实竞技动作 3D 姿态与生物力学数据集,补上姿态/训练反馈证据。
- sources/2026-04-25-universal-soccer-video-understanding — CVPR 2025;统一足球视频理解方向,连接事件、视频和文本语义。
- sources/2026-04-25-tracknetv3 — ACM MMAsia 2023;羽毛球高速小目标轨迹追踪,本轮 repo zread 已补 TrackNet + InpaintNet 工程路径。
- sources/2026-04-25-wear-outdoor-sports-dataset — arXiv 2023;WEAR 提供户外运动中的第一视角视频与可穿戴传感器数据,用来研究视频、IMU 与活动识别的多模态融合。
- sources/2026-04-25-soccernet-action-spotting — SoccerNet official task;SoccerNet action spotting 是足球视频事件定位的核心公开任务入口。
- sources/2026-04-25-sportscap — arXiv 2021;SportsCap 研究单目体育视频中的 3D 人体运动捕捉和细粒度动作理解。
- sources/2026-04-25-automated-offside-detection — MMSports 2021;把标定、传球时刻、身份跟踪和规则函数串成越位检测原型;20-clip F1 63.1%,全文复核发现 precision/recall 报告互换与规则覆盖缺口。
- sources/2026-04-25-opencap — PLOS Computational Biology / PMC 2023;OpenCap 用智能手机视频估计人体运动学与动力学,降低实验室级运动捕捉门槛。
- sources/2026-04-25-temporal-parsing-transformer-aqa — ECCV 2022;Temporal Parsing Transformer 把动作质量评估拆成时序解析问题,在打分类体育动作中强调过程结构。
- sources/2026-04-25-timesformer — ICML 2021;TimeSformer 用纯 attention 结构建模视频时空关系,是视频 Transformer 路线的重要基础。
- sources/2026-04-25-st-gcn — AAAI 2018 / arXiv;ST-GCN 用时空图卷积建模骨架动作,是姿态驱动动作识别的经典基线。
- sources/2026-04-25-videomae — NeurIPS 2022 / arXiv;VideoMAE 用 masked autoencoding 做视频自监督预训练,强调数据效率。
- sources/2026-04-25-sportsmot-dataset-page — DeeperAction dataset page;SportsMOT 官方数据页记录数据下载、许可和基准说明。
- sources/2026-04-25-finediving-repository — GitHub repository;FineDiving 仓库提供数据集与代码入口。
- sources/2026-04-25-athleticspose — arXiv 2025;AthleticsPose 聚焦真实田径动作中的 3D 姿态估计与泛化评估。
- sources/2026-04-25-sports-ai-review-2025 — Artificial Intelligence Review 2025;这篇综述讨论体育视觉、分析和 AI 系统的发展趋势。
- sources/2026-04-25-ap-nfl-hawkeye-first-down — Associated Press 2025;AP 报道 NFL 引入基于 Hawk-Eye 的首攻测量技术。
- sources/2026-04-25-mmaction2 — GitHub repository;MMAction2 是 OpenMMLab 视频理解工具箱,支持动作识别、检测和骨架动作等任务。
- sources/2026-04-25-reuters-premier-league-semi-automated-offside — Reuters 2025;Reuters 报道英超启用半自动越位技术。
- sources/2026-04-25-genius-sports-second-spectrum — Company newsroom;Genius Sports 收购 Second Spectrum 的公告展示了光学追踪、联赛数据和媒体可视化的商业链路。
- sources/2026-04-25-catapult-athlete-monitoring — Company product page;Catapult athlete monitoring 页面展示运动员负荷、训练监测和多模态数据产品。
- sources/2026-04-25-kinexon-player-tracking — Company product page;KINEXON player tracking 页面展示 UWB/GPS/LPS 球员追踪系统。
- sources/2026-04-25-homecourt — Product page;HomeCourt 代表手机相机驱动的消费级训练反馈应用。
- sources/2026-04-25-openpose — GitHub repository;OpenPose 是早期多人 2D 关键点检测工具。
- sources/2026-04-25-mmpose — GitHub repository;MMPose 提供 2D/3D 姿态估计工具链,RTMPose 强调实时部署。
- sources/2026-04-25-mediapipe-pose — Google AI Edge documentation;MediaPipe Pose / BlazePose 提供移动端友好的 3D landmarks 姿态估计。
- sources/2026-04-25-deeplabcut — GitHub repository;DeepLabCut 是少量标注即可训练的无标记关键点追踪工具。
- sources/2026-04-25-nist-ai-risk-management-framework — NIST;NIST AI RMF 提供 AI 风险管理框架。
- sources/2026-05-05-human-in-loop-team-sports-retrieval — arXiv 2026;团队运动视频检索的人机闭环适配样本,补强 coach-assist 和人工复核工作流。
- sources/2026-05-05-finecausal-action-quality-assessment — arXiv 2025;可解释细粒度动作质量评估,把体育训练反馈推进到因果解释层。
- sources/2026-05-05-ai-driven-soccer-analysis — arXiv 2026;足球视频分析系统样本,补强端到端 soccer analysis pipeline。
- sources/2026-05-05-soccernet-v2-holistic-understanding — arXiv 2020;SoccerNet-v2 广播足球视频整体理解基准,补强足球公开数据生态。
- sources/2026-05-05-soccernet-v2-camera-calibration-player-localization — arXiv 2021;把足球场标定与球员定位接成 full-pitch understanding 的关键桥。
- sources/2026-05-05-active-learning-action-spotting-football — CVPR Workshop 2023;足球事件定位的主动学习低标注路线。
- sources/2026-05-05-soccernet-2022-challenges-results — arXiv 2022;SoccerNet 2022 多任务挑战结果,补足球视频理解评测生态前史。
- sources/2026-05-05-soccernet-2023-challenges-results — arXiv 2023;SoccerNet 2023 多任务挑战结果,连接 action spotting、tracking 与公开 leaderboard。
- sources/2026-05-05-soccernet-2023-tracking-mot4mot — arXiv 2023;SoccerNet tracking challenge 团队报告,补球员轨迹系统工程样本。
- sources/2026-05-05-event2tracking — AAAI 2025;用长时多模态上下文和 event data 重建足球多智能体轨迹,补上 trajectory-event semantics 关键桥。
- sources/2026-05-05-x-vars-explainable-football-refereeing — CVPR Workshop 2024;可解释足球 VAR / referee assistant,把视频证据、规则和判罚解释接起来。
- sources/2026-05-05-refereebench-multi-sport-referees — arXiv 2026;多运动项目裁判能力 benchmark,测试 Video MLLM 的规则化判罚推理。
- sources/2026-05-05-sports-qa-video-question-answering — IJCV 2026;复杂专业体育 VideoQA benchmark,补 sports MLLM reasoning 基础层。
- sources/2026-05-05-tracknet-high-speed-tiny-objects — AVSS 2019 / arXiv;TrackNet 原始高速小目标追踪网络,建立球类小目标 heatmap tracking 基线。
- sources/2026-05-05-tracknetv2-efficient-shuttlecock-tracking — ICPAI 2020;TrackNetV2 针对羽毛球 shuttle tracking 优化效率、显存和精度。
- sources/2026-05-05-monotrack-shuttle-trajectory-reconstruction — CVPR Workshop 2022;从单目羽毛球视频恢复 3D shuttle trajectory。
- sources/2026-05-05-tracknetv4-motion-attention-maps — ICASSP 2025 / arXiv;用 motion attention maps 增强快速小目标追踪,本轮 repo zread 已补 motion prompt / fusion / evaluation / prediction 路径。
- sources/2026-05-12-trackmae — arXiv;CVPR 2026 accepted claim pending official proceedings;把 point-tracking 轨迹加入 masked video modeling,补强体育动作识别的 motion-aware 表征底座。
- sources/2026-05-12-videoauto-r1 — arXiv;CVPR 2026 accepted claim pending official proceedings;用 confidence-based early exit 做按需视频推理,适合作为动作纠正的解释策略。
- sources/2026-05-16-bst-badminton-stroke-type-transformer — arXiv;CVPRW 2026 / CVSports accepted claim pending official proceedings;把羽毛球视频理解从 TrackNet/MonoTrack 球路追踪推进到骨架动作识别和 stroke-type classification,并追溯 TemPose、ShuttleSet、BlockGCN、SkateFormer、ProtoGCN 等 related work。
- sources/2026-05-16-shuttleset-stroke-level-badminton-dataset — KDD 2023;羽毛球单打 stroke-level 数据集,提供 shot type、hit frame、击球位置和双方球员位置标注。
- sources/2026-05-16-tempose-badminton-fine-grained-motion — CVPR Workshop 2023;用 skeleton Transformer 做羽毛球细粒度动作识别,并接入 shuttle position。
- sources/2026-05-16-protogcn-skeleton-action-recognition — CVPR 2025;用 motion prototypes 强化骨架动作识别中的局部细节差异判别。
- sources/2026-05-16-blockgcn-topology-aware-skeleton-action-recognition — CVPR 2024;重新编码骨架拓扑,减少 GCN 中 bone connectivity 信息衰减。
- sources/2026-05-16-skateformer-skeletal-temporal-transformer — ECCV 2024;用 skeletal-temporal partition attention 高效建模关键关节和关键帧。
- sources/2026-05-17-badmintondb-player-specific-match-analysis — ACM MMSports 2022;面向 player-specific match analysis / prediction 的羽毛球数据集,是 BST 跨数据集评估和 stroke taxonomy 扩展的重要参照。
- sources/2026-05-17-structured-analysis-broadcast-badminton-videos — WACV 2018;广播羽毛球视频结构化分析早期系统,把 point segmentation、player tracking / identification 和 stroke annotation 连成 pipeline。
- sources/2026-05-17-multisensebadminton-biomechanical-dataset — Scientific Data 2024;多传感器羽毛球挥拍数据集,覆盖眼动、身体追踪、肌电、足压、视频、落点与技能水平,是训练反馈 demo 的高质量数据形态参照。
- sources/2026-05-23-soccernet-tracking — CVPR Workshop 2022;足球球员、裁判和球的多目标跟踪数据集与 benchmark,是 SoccerNet-GSR 的底层 tracking substrate。
- sources/2026-05-23-vars-automated-soccer-decision-making — CVPR Workshop 2023;多视角足球 VAR / foul recognition 系统,提出 SoccerNet-MVFoul 并补上 X-VARS 之前的判罚工作流锚点。
- sources/2026-05-23-broadcast2pitch-game-state-reconstruction — WACV 2026;从非受控足球转播视频重建 pitch-space game state,是 SoccerNet-GSR 的直接 follow-up。
- sources/2026-05-23-pathcrf-soccer-event-detection — arXiv 2026;从 player trajectories 推断 possession path,用控球路径变化识别足球事件。
- sources/2026-04-15-accelerating-diffusion-sampling-optimized-time-steps — CVPR 2024;用优化时间步替代均匀步长,提高少步采样表现。
- sources/2026-04-15-diffusion-models-without-attention — CVPR 2024;用 state space 主干给出非 DiT 的高分辨率扩散路线。
- sources/2026-06-29-vision-transformer — ICLR 2021 / arXiv;把图像切成 patch token,用纯 Transformer 证明大规模视觉预训练可以脱离 CNN 主干。
- sources/2026-06-29-clip — ICML 2021 / arXiv;用大规模图文对比学习把自然语言变成可迁移视觉监督信号。
- sources/2026-06-29-segment-anything — ICCV 2023 / arXiv;把分割做成 promptable foundation model,并用数据引擎构建 SA-1B。
- sources/2026-06-29-detr — ECCV 2020 / arXiv;把目标检测重写成 Transformer set prediction,移除 anchor / NMS 等手工组件。
实体页
- entities/clip — CLIP、ALIGN、FILIP、ALBEF、SigLIP 等图文表示模型家族。
- entities/clip-retrieval-benchmarks — Flickr30K、MS COCO、FashionIQ、CIRR、CIRCO、ARO、Winoground、SugarCrepe 等评测集。
- entities/m-beir — UniIR 提出的多任务多模态检索 benchmark 与统一 embedding 评测入口。
- entities/colpali — 面向视觉文档的多向量检索模型与 ViDoRe 评测。
- entities/diffusion-transformer — 图像与视频生成论文中反复出现的 DiT 主干架构族。
- entities/sportsmot — 团队运动多目标跟踪数据集,把体育视频中的时序理解与目标关联补成具体证据锚点。
- entities/unified-image-generation-editing — 将图像生成和编辑放进同一框架的方法家族。
- entities/video-editing-understanding — 用于衡量视频编辑操作理解与结果判断能力的评测方向。
判断页
- claims/claim-image-text-retrieval-baseline-and-specialization — 双塔适合大规模召回,细粒度关系通常需要精排或多向量补充。
- claims/claim-image-text-retrieval-data-quality — 数据质量、分布、语言和概念覆盖是图文检索泛化的重要变量。
- claims/claim-image-text-retrieval-compositionality — 标准 Recall 不足以证明组合性理解,需加入诊断性评测与反事实负例。
- claims/claim-image-text-retrieval-composed-query — 组合式查询是可落地但仍受多真值、域偏移和用户意图限制的研究切口。
- claims/claim-image-text-retrieval-unified-embedding — 统一多模态向量需要同时验证任务意图、跨域泛化和检索成本。
- claims/claim-current-models-still-struggle-to-understand-video-editing — VEU-Bench 显示通用 Vid-LLM 在剪辑元素识别、依据推理与叙事功能判断上仍有明显缺口。
- claims/claim-dit-is-becoming-the-default-scalable-generation-backbone — DiT / Transformer 风格去噪器已成为主要可扩展生成主干之一,“默认主干”仍待采用率证据。
- claims/claim-unified-models-may-outcompete-specialized-image-pipelines — 统一图像模型已显示多任务与工作流优势,整体性能优势仍缺少受控比较。
问题页
- questions/question-image-text-retrieval-research-cut — 哪个图文检索子方向适合在中等算力和两三年周期内形成连续研究。
- questions/question-image-text-retrieval-fine-grained-alignment — 细粒度图文对齐如何兼顾索引效率与局部关系判断。
- questions/question-image-text-retrieval-hard-negatives — 怎样构造既难又不错误、且能解释模型能力的负例。
- questions/question-image-text-retrieval-unified-embedding — 统一向量模型是否真的跨任务、跨语言泛化。
- questions/question-image-text-retrieval-data-contamination — 如何审计预训练重叠、概念频率与 benchmark 污染。
- questions/question-data-vs-architecture-in-image-editing — 图像编辑进步究竟主要来自数据扩展还是架构升级。
- questions/question-will-unified-image-models-sustain-their-advantage — 统一图像模型与专用或模块化流水线如何分工。
- questions/question-do-benchmarks-track-real-video-editing-understanding — 现有评测是否真的刻画了视频编辑理解能力。
- questions/question-badminton-stroke-correction-demo — 羽毛球挥拍动作纠正 demo 的最小任务定义、错误模式和反馈输出格式。
- questions/question-motion-defined-text-human-machine-gap — 运动定义文字能否形成稳定、可证伪的人机时序感知差距 benchmark。
模板
- templates/source-note-template — 结构化 source note 模板。
- templates/topic-template — topic 综合页模板。
- templates/topic-concept-template — 基础概念页模板。
- templates/topic-research-template — 研究专题页模板。
- templates/topic-roadmap-template — 应用与研究路线页模板。
- templates/entity-template — 模型、数据集、实验室等实体页模板。
- templates/claim-template — 待验证或存在争议的 claim 页模板。
- templates/question-template — 开放研究问题页模板。
- templates/raw-meta-template — raw ingest 元数据模板。
- templates/raw-links-template — primary / secondary 链接模板。
- templates/research-protocol-template — Research Topic 的检索式、筛选流、证据矩阵与更新条件模板。
工具
scripts/lint_wiki.py— 用于检查 frontmatter、标签、索引覆盖、链接和 raw 链接一致性的首轮 lint 脚本。- docs/linting — 本地 lint 工作流说明,包含默认命令、
--strict / --quiet / --json模式、severity 解释与建议动作摘要的用法。 - docs/viewer-layout-rules — Viewer 的长期排版、组件边界、响应式和发布验收规则;布局修复必须同步补回归测试与经验记录。
- docs/tools/paper-search-cli-bridge — paper-search-cli 的 llmwiki wrapper,用于论文发现、metadata enrichment 和 raw ingest 草稿生成。
- docs/llmwiki-loop-engineering-v0 — 只读候选简报 loop,读取 dashboard / raw 状态 / analysis 覆盖 / lint 结果,每周推荐 3–5 个下一步研究任务。
- docs/research-monitoring/daily-policy — 已启用的每日研究监测 v1;按 10 个 Research Topic 轮换,输出可审计候选与深读队列,正式编译仍由 Hermes 的前台流程完成。
scripts/llmwiki_daily_research_queue.py— 每日专题轮换、查询簇、预算、写入白名单和 lint gate 的只读 collector。