FAMOS là mô hình Transformer tiên phong giúp dự đoán phân đoạn bộ phận và tham số khớp nối của vật thể 3D từ các đám mây điểm rời rạc, hỗ trợ linh hoạt ngay cả với dữ liệu đầu vào từ một góc nhìn duy nhất.
Rohan Paul@rohanpaul_aiStanford deep learning for computer Vision taught by Professor Fei-Fei Li (@drfeifei) "Evolutiona…
DịchTrong khóa học về thị giác máy tính tại Stanford, Fei-Fei Li khẳng định thị giác và xúc giác là những giác quan cổ xưa nhất, đóng vai trò then chốt trong việc thúc đẩy sự phát triển của hệ thần kinh và trí tuệ sinh học suốt hàng triệu năm qua.
WeVisDoc là khung phân tích tài liệu end-to-end tối ưu hóa dữ liệu qua hai giai đoạn: mở rộng độ bao phủ ngữ nghĩa và tinh chỉnh cấu trúc thông qua cơ chế dò lỗi thông minh, giúp nâng cao độ chính xác vượt trội.
VA-Bench là bộ tiêu chuẩn mới đánh giá khả năng 'quan sát-suy luận-hành động-điều chỉnh' của mô hình đa phương thức (MLLM) trong môi trường robot, nơi mô hình tự học từ video RGB và điều khiển hành động thực tế.
Vision-RL2 sử dụng học tăng cường cấp vùng để tối ưu hóa mạng đề xuất khu vực trong MLLM mà không cần nhãn dữ liệu, giúp cải thiện độ chính xác vượt trội với số lượng token thị giác ít hơn gấp 4 lần.
LightNav-0 là mô hình điều hướng dựa trên Qwen3-VL-4B, được huấn luyện qua quy trình Real2Sim2Real với hơn 4.000 giờ dữ liệu VLA, đạt hiệu suất dẫn đầu trên 10 bảng xếp hạng điều hướng đơn thị giác.
PANORAMA là mô hình VLM mới giúp định vị và mô tả chi tiết cả vật thể lẫn bối cảnh ở cấp độ pixel. Nghiên cứu còn giới thiệu bộ dữ liệu PanoCaps và các chỉ số đánh giá mới, thiết lập tiêu chuẩn hiệu năng vượt trội trong các tác vụ thị giác máy tính.
Nghiên cứu giới thiệu chỉ số PRC nhằm đảm bảo tính nhất quán về khoảng cách vật lý trong quá trình mã hóa hành động, giúp cải thiện độ chính xác cho các mô hình VLA điều khiển robot.
Nghiên cứu giới thiệu phương pháp tái tạo lưới bàn tay 3D bằng camera sự kiện, khắc phục nhược điểm thiếu sáng và nhòe chuyển động của camera truyền thống, đồng thời giải quyết bài toán phân biệt tay trái - phải trong môi trường thực tế.
Nghiên cứu phân tích cách ánh mắt phản ánh sự hiểu biết chung trong các nhiệm vụ hợp tác. Kết quả cho thấy khi người tham gia đạt được sự đồng thuận, ánh mắt tập trung nhiều hơn vào nhiệm vụ và ít hướng về đối phương hơn.
FLAT là khung tiền huấn luyện đột phá giúp đồng bộ hóa hình ảnh và văn bản vào không gian chuỗi 1D thống nhất, tối ưu hóa khả năng truy xuất và tạo nội dung với độ dài linh hoạt.
RelateAnything là mô hình đột phá cho phép dự đoán quan hệ giữa các đối tượng dựa trên từ vựng tùy chỉnh tại thời điểm suy luận, vượt qua giới hạn của các tập dữ liệu huấn luyện cố định trước đây.
OmniHarness là khung làm việc mới giúp cải thiện khả năng tạo ảnh đa năng bằng cách chuyển đổi các quy trình thực thi thành chính sách biểu tượng có thể tái sử dụng, giúp hệ thống tự học và thích nghi với các tác vụ mới hiệu quả hơn.
ModAR là mô hình thế giới-hành động đầu tiên sử dụng cơ chế khử nhiễu tự hồi quy trên nhiều phương thức tương lai, giúp tối ưu hóa dự đoán hành động với hiệu suất vượt trội và chi phí tính toán thấp hơn 20 lần so với các phương pháp hiện tại.
PhysStream là mô hình tạo video tự hồi quy sử dụng bộ nhớ cảnh có cấu trúc và tín hiệu vận tốc để kiểm soát chuyển động chính xác, vượt trội hơn các mô hình hiện tại về độ chính xác quỹ đạo và sự ưa thích của người dùng.
OpenRouter tổng hợp khả năng hỗ trợ hình ảnh của dòng DeepSeek V4, trong đó phiên bản V4.1 Flash đã hỗ trợ đọc ảnh trực tiếp với chi phí tối ưu từ ngày 10/9/2026.
Nhóm nghiên cứu từ Thượng Hải giới thiệu REAL, khung làm việc cho robot giúp giải quyết các yêu cầu mơ hồ và môi trường chưa biết, cho phép robot chủ động khám phá và tương tác với người dùng thay vì dựa vào dữ liệu hoàn hảo.
ZHO@ZHO_ZHO_ZHOSử dụng GPT-6 Astra để mô hình hóa cử chỉ tay thông qua camera iPhone kết nối với Mac, giúp người dùng thao tác linh hoạt mà không cần phụ thuộc vào webcam máy tính.
AlayaVista là mô hình thế giới video mới giúp tách biệt quá trình tiến hóa của bối cảnh toàn cảnh 360 độ với việc tổng hợp hình ảnh góc nhìn chi tiết, cho phép điều khiển camera mượt mà và duy trì độ trung thực cao.
PhysBrain 1.5 là mô hình tiên phong hợp nhất khả năng hiểu môi trường vật lý, điều khiển hành động và dự đoán tương lai thông qua cơ chế tự hồi quy, biến các tín hiệu thị giác và vận động thành chuỗi token thống nhất.
BVB (Blender-VideoBench) là bộ tiêu chuẩn mới yêu cầu AI tái tạo video thực thành hoạt cảnh Blender. Kết quả cho thấy dù mô hình có thể mô phỏng hình ảnh tốt, chúng vẫn gặp khó khăn lớn trong việc duy trì tính chính xác của các sự kiện theo thời gian.
Attention-DP3 cải thiện khả năng thao tác robot trong môi trường phức tạp bằng cách tích hợp thông tin hình học cấp vật thể vào mô hình khuếch tán 3D, giúp robot định vị mục tiêu chính xác hơn ngay cả khi bị che khuất.
Nghiên cứu giới thiệu bộ dữ liệu TRACE giúp AI nhận diện và phục hồi hình ảnh, trạng thái ban đầu của các vật thể bị biến dạng vật lý sau hỏa hoạn, hỗ trợ đắc lực cho công tác giám định và điều tra hiện trường.
Nghiên cứu đạt giải cao tại ECCV 2026 này tối ưu hóa khả năng dự đoán hành động bằng cách kết hợp giám sát thị giác thay vì chỉ dựa vào văn bản, giúp cải thiện đáng kể độ chính xác cho các trợ lý AI cá nhân.
TRACE là khung làm việc không cần huấn luyện giúp tối ưu hóa hiệu suất cho các tác nhân GUI bằng cách chọn lọc và sắp xếp bằng chứng hình ảnh, giúp giảm độ trễ và bộ nhớ mà vẫn đảm bảo độ chính xác.
Nghiên cứu khám phá cách tối ưu hóa dữ liệu tổng hợp để huấn luyện mô hình OCR tiếng Thái mà không cần nhãn thực tế, từ đó tạo ra Wayu-Paxa-OCR-Zero với độ chính xác tiệm cận dữ liệu thực.
Nghiên cứu từ MMLab NTU phân tích sâu về sự tương tác giữa khả năng hiểu và tạo hình ảnh trong các mô hình đa phương thức thống nhất (UMM), làm rõ liệu chúng thực sự bổ trợ hay gây xung đột về tài nguyên học tập.
SNAP3D là khung làm việc mới giúp tạo các bộ phận 3D từ một ảnh đơn, đảm bảo tính tương thích vật lý, loại bỏ sự chồng lấn và tối ưu hóa các khớp nối để mô hình có thể lắp ráp ổn định.
Hướng dẫn chi tiết cách xây dựng mô hình NeRF phân tầng bằng JAX3D, bao gồm kỹ thuật lấy mẫu quan trọng, tối ưu hóa huấn luyện và các phương pháp đánh giá chất lượng hình ảnh 3D chuyên sâu.
DeepSeek ra mắt kiến trúc 763B tham số mới tích hợp thị giác máy tính, một bước tiến mạnh mẽ khiến giới chuyên gia cho rằng đây xứng đáng là phiên bản v5.
Cùng sự kiện, tinh chọn hiển thị «DeepSeek ra mắt DeepSeek-V4.1-Flash: Cửa sổ 1M token, tối ưu bộ nhớ KV Cache cực đỉnh»Rohan Paul@rohanpaul_aiGoogle DeepMind + Harvard + Stanford and many other top labs paper argues that a path to AGI may be …
DịchNghiên cứu mới từ DeepMind và các đại học danh tiếng khẳng định AGI cần các hệ thống thị giác biết học hỏi từ tương tác thực tế thay vì chỉ xử lý ngôn ngữ, nhằm hiểu sâu sắc về sự thay đổi và dự đoán tương lai.
LingBot-Map là mô hình tái tạo 3D thời gian thực đột phá, cho phép robot ghi nhớ môi trường chỉ với một camera RGB thông thường. Dự án mã nguồn mở này đã thu hút cộng đồng lớn và được vinh danh tại hội nghị ECCV 2026.
Apple giới thiệu chỉ số mới dựa trên độ trung thực thông tin để đánh giá mô tả video, khắc phục hạn chế của các phương pháp so khớp văn bản truyền thống vốn không phản ánh đúng tính đa dạng của nội dung.
Nhóm nghiên cứu từ ĐH Quốc gia Moscow giới thiệu FreeFlow, kiến trúc Transformer tinh gọn không cần các thành phần chuyên dụng như warping hay volume tương quan, đạt hiệu suất dẫn đầu trên các bộ dữ liệu Sintel, KITTI-2015 và Spring.
GLIE giải quyết bài toán lưu trữ lớn trong truy xuất tài liệu bằng cách sử dụng k vector tâm chuẩn hóa để lập chỉ mục, sau đó dùng bộ giải mã để tái tạo và tái xếp hạng chính xác, giúp tối ưu hóa hiệu suất mà vẫn đảm bảo độ chính xác.
ACE Robotics và NTU S-Lab vừa công bố mã nguồn mở Puffin-World, mô hình hợp nhất vật lý, hình học và ngoại hình, đạt kết quả SOTA về sai số góc camera trên bốn bộ dữ liệu chuẩn.
SpatialBlock-15k là tập dữ liệu tổng hợp mới giúp mô hình LVLM cải thiện khả năng hiểu cấu trúc 3D từ ảnh 2D thông qua các bài tập xếp khối, thay thế cho việc gán nhãn hình học thủ công tốn kém.
SenseNova-U1.5 là mô hình đa phương thức hợp nhất kiến trúc 8B-MoT, loại bỏ bộ mã hóa và VAE để tối ưu hóa khả năng hiểu, suy luận, tạo và chỉnh sửa hình ảnh trực tiếp.
RCWM sử dụng các chương trình cảnh đệ quy (RSP) và bộ giải xây dựng để tái tạo không gian 3D chi tiết chỉ từ một hình ảnh tham chiếu duy nhất, mở ra hướng đi mới cho mô hình thế giới.
World in World (WiW) là phương pháp đột phá cho phép tương tác và điều khiển video thời gian thực mà không cần huấn luyện lại mô hình, thông qua việc tích hợp trực tiếp dữ liệu hình ảnh vào các mô hình thế giới có sẵn.