AV-JEPA: Extending LeJEPA to Audio-Visual Self-Supervised Learning
高相关；详见方法、贡献和实验边界。
方法：用 early-fusion ViT、modality dropout masking 和 SIGReg，把 JEPA 扩展到音视频 latent 对齐，同时保持无 decoder/无负样本的简洁自监督结构
论文目录
收录近期通用视觉自监督、视觉基础模型与多模态表征学习论文，按日期、优先级与主题归档。
我的偏好
关注 0略过 0已读 0
Distributional Matching for Vector Quantization: A Unified Theoretical and Empirical Framework
高相关；详见方法、贡献和实验边界。
方法：把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征学习都有底层价值
Ask Twice, Look Twice: Prompt Echoing Resolves the Question-First Paradox in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：解释 question-first prompt 为什么会损伤 VLM：问题能引导图像 patch 表征，却在 answer token 处被读不到；echoing 是训练无关修复
How Do VLMs Fail? Vision-Operation Misalignment in Compositional VQA
中高相关；详见方法、贡献和实验边界。
方法：把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 transformer pathway
Von Mises-Fisher Mixture Model with Dynamic Shrinkage for Realistic Test-Time Transduction
中高相关；详见方法、贡献和实验边界。
方法：把 CLIP/VLM 单位球特征建模为 vMF mixture，用动态 shrinkage 处理长尾/不均衡测试集，属于训练无关表征校准
Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos
中高相关；详见方法、贡献和实验边界。
方法：开放长音视频数据、三阶段课程和时间戳 grounding CoT，适合看视频/音频/图像联合表征的工程化路线
Efficient Frame Selection for Long Videos at Test Time with Attention-Based MLLM Selectors
中高相关；详见方法、贡献和实验边界。
方法：直接利用 MLLM 中间层 cross-modal attention 做 query-relevant frame evidence，不经生成即可压缩长视频 token
MotionForesight: Re-purposing Video Models for Future 3D Scene-Flow Prediction
中高相关；详见方法、贡献和实验边界。
方法：冻结大型视频/跟踪组件，只训练轻量 adapter，把视频预测模型中的物理运动先验迁移到未来 3D scene flow
MDND: Unsupervised Learning Guided by Non-Differentiable Refinement for Shape Correspondence
中相关；详见方法、贡献和实验边界。
方法：用非可微 refinement branch 生成高质量内部目标，再监督可微 branch，无监督学习形状 correspondence
IoUPD: IoU-Aware Privileged Distillation for Visual Grounding with Multimodal Large Language Models
中相关；详见方法、贡献和实验边界。
方法：用带 box 标注的教师分支提供训练时 privileged guidance，把 token-level 坐标生成和 IoU 几何质量对齐
Reasoning-Guided Part-Level Visual Grounding via Reinforcement Learning
中相关；详见方法、贡献和实验边界。
方法：用 object-part hierarchy、self-check crop re-encoding 和 part-aware GRPO 改善 MLLM 细粒度 grounding，偏任务但可迁移到局部视觉表征
MLLM-DataEngine: Closing the Loop of Multimodal Instruction Tuning Data Generation
中相关；详见方法、贡献和实验边界。
方法：让评测 bad cases 反向驱动增量多模态指令数据生成，是 VLM 训练数据闭环的一种工程模板
Are All Tokens Necessary for Visual Place Recognition? An Empirical Study of Token Reduction for Efficient Inference
中相关；详见方法、贡献和实验边界。
方法：任务是 VPR，但系统评测 token pruning/merging 对 ViT/VFM 检索性能和吞吐的影响，可作视觉 token 效率背景
Emergent Region-Level Facial Correspondence in Frozen Vision Foundation Models
高相关；详见方法、贡献和实验边界。
方法：官方页未推进，今天不重复计新增；仍是冻结 DINOv3 dense correspondence 的本周主线
SeeSE3: Emergence of 3D Space in Vision Features
高相关；详见方法、贡献和实验边界。
方法：官方页未推进，今天只保留精读提醒；它仍是 VFM latent space 几何诊断的核心读物
Self-Supervised Learning as Discrete Communication
高相关；详见方法、贡献和实验边界。
方法：OpenReview/搜索核查仍只指向旧 ICML 2026 Poster 记录；可作为视觉 SSL 目标函数背景补读
Emergent Region-Level Facial Correspondence in Frozen Vision Foundation Models
高相关；详见方法、贡献和实验边界。
方法：官方页未推进，今天不重复计新增；仍是本周最值得精读的冻结自监督 VFM dense correspondence 证据
SeeSE3: Emergence of 3D Space in Vision Features
高相关；详见方法、贡献和实验边界。
方法：官方页未推进，今天只保留读法提醒；它提供 VFM latent space 与 SE(3) 拓扑/几何的诊断范式
Self-Supervised Learning as Discrete Communication
高相关；详见方法、贡献和实验边界。
方法：OpenReview 搜索结果今天再次命中，但去重库已在 2026-06-01 记录；适合作为视觉 SSL 离散通信目标的背景
Emergent Region-Level Facial Correspondence in Frozen Vision Foundation Models
高相关；详见方法、贡献和实验边界。
方法：用冻结 DINOv3 特征验证跨身份、跨时间的局部区域对应，核心问题是自监督 ViT 是否形成 dense semantic coordinate system
SeeSE3: Emergence of 3D Space in Vision Features
高相关；详见方法、贡献和实验边界。
方法：直接探测 VFM 表征空间与三维欧氏变换 SE(3) 的拓扑/几何关系，比只回归 depth/normal 更基础
AlphaWiSE: Adaptive Weight Interpolation for Continual Multimodal Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：用 post-hoc weight interpolation 维护 CLIP 类共享嵌入空间，关注 sequential adaptation 下的 alignment 遗忘
FlashDecoder: Real-Time Latent-to-Pixel Streaming Decoder with Transformers
中高相关；详见方法、贡献和实验边界。
方法：不是预训练目标，但对 RAE/video diffusion latent 体系很关键：实时把 latent 解回像素，决定生成式表征是否可部署
U-shaped Multi-granularity Learning for Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：同时构造视觉和文本的粗到细多粒度提示表征，适合与 CLIP dense/local alignment 工作连读
VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding
中高相关；详见方法、贡献和实验边界。
方法：开放训练策略与数据流水线，提出 I3D-ViT 和自适应帧分辨率，适合看视频表征工程化路线
Hierarchical Denoising For Multi-Step Visual Reasoning
中高相关；详见方法、贡献和实验边界。
方法：在视频生成 latent 中加入树状层级 denoising，让模型先做全局规划再流式输出
Symbal: Detecting Systematic Misalignments in Model-Generated Captions
中高相关；详见方法、贡献和实验边界。
方法：针对 MLLM 生成 caption 中和视觉特征绑定的系统性错配，适合做图文预训练数据清洗工具
GeoDetect: Geometric Adversarial Detection for VLPs
中高相关；详见方法、贡献和实验边界。
方法：从 VLP embedding anisotropy 出发做 adversarial detection，给 CLIP/VLP 表征流形诊断提供几何视角
Beyond Single Expert: Harmonizing Diverse Visual Priors in MLLMs for Spatial Understanding
中相关；详见方法、贡献和实验边界。
方法：动态融合多个视觉 foundation model 先验，说明不同 VFM 对空间/3D 任务的互补性
Uni-AdaVD: Universal Concept Erasure for Visual Generation via Orthogonal Value Decomposition
中相关；详见方法、贡献和实验边界。
方法：把多模态 attention value space 当作统一干预空间，和视觉生成模型安全及语义方向控制相关
GlobalForge: Towards Robust AI-Generated Image Detection
中相关；详见方法、贡献和实验边界。
方法：用 local bottleneck + global structural reasoning + contrastive structural loss，把检测信号从局部 artifact 转向全局结构
VideoSEMA: a scalable and efficient Mamba-like attention for video understanding
中相关；详见方法、贡献和实验边界。
方法：主要是监督视频理解架构，但高分辨率/长视频 token 计算方式可作为视频预训练工程背景
VideoRAE: Taming Video Foundation Models for Generative Modeling via Representation Autoencoders
高相关；详见方法、贡献和实验边界。
方法：把冻结视频基础模型的多尺度表征压成可重建、可生成的视频 latent，直接连接视频 SSL backbone 与生成模型 latent
Fine-grained CLIP fine-tuning with self-annotated region alignment
高相关；详见方法、贡献和实验边界。
方法：只用 image-text pairs 给 CLIP 做 region-phrase 自标注对齐，目标是补足 CLIP 的细粒度 dense representation
AspectCLIP: Optimizing CLIP Representation Space via Aspect-Guided Consistency Regularization
高相关；详见方法、贡献和实验边界。
方法：从 caption 只描述图像某一 aspect 的事实出发，重写 CLIP 表征空间的 consistency regularization
Attention-Free and Lightweight Token Reduction for Efficient Vision-Language Models
高相关；详见方法、贡献和实验边界。
方法：不依赖 attention map，用 entropy 与一致性信号保留重要且多样的 visual tokens
The Hyperspherical Geometry of CLIP Latent Space: A Semantic Mixture Model
高相关；详见方法、贡献和实验边界。
方法：把 CLIP embedding space 解释为 hyperspherical semantic mixture，而不是高斯空间
Beyond Color Geometry: Evaluating Human-Like Color Representations in Vision Models
中高相关；详见方法、贡献和实验边界。
方法：用人类 fuzzy color categories 检查 ViT/MAE/语言监督模型如何编码颜色
DP-BOA: Dirichlet-Process Birth-or-Assign for On-the-Fly Category Discovery
中高相关；详见方法、贡献和实验边界。
方法：在线判断新样本属于已知类还是应生成新类，和开放世界表征聚类/novel class discovery 相关
Accuracy Without Grounding: Diagnosing Visual Dependency Dissociation in Video LLM Benchmarks
中高相关；详见方法、贡献和实验边界。
方法：证明视频 LLM benchmark accuracy 与真实视觉依赖可以分离，提出 Visual Dependency Gap
Groc-PO: Grounded Context Preference Optimization for Truthful Multimodal LLMs
中高相关；详见方法、贡献和实验边界。
方法：把偏好优化的监督粒度前移到 grounding/context 阶段，减少多模态推理中的视觉幻觉传播
CLIP-Guided Label-Free Discriminative Region Scoring for Fine-Grained Classification
中相关；详见方法、贡献和实验边界。
方法：用 CLIP 与 SAM 做无标签细粒度 region scoring，适合看训练免费局部证据选择
ScanFocus: A Coarse-to-Fine Framework for Spatio-Temporal Video Grounding
中相关；详见方法、贡献和实验边界。
方法：面向长视频 grounding 的 coarse-to-fine 视觉语言融合和边界细化
Symbiosis-Inspired Knowledge Distillation for Incremental Object Detection
中相关；详见方法、贡献和实验边界。
方法：用 spatial/semantic symbiosis 做增量目标检测蒸馏，关注旧知识如何以共享表征保留
VGIF-Score: Interpretable and Diagnostic Evaluation of Spatio-Temporal Instruction Following in Video Generation
中相关；详见方法、贡献和实验边界。
方法：提出自动化可解释的 video generation instruction-following 诊断
Contrastive-Augmented Flow Matching for Style-Content Disentanglement
高相关；详见方法、贡献和实验边界。
方法：把 contrastive regularization 接进 flow matching，在 CLIP/DINO/ALIGN embedding space 做 content-style 表征解耦
VisCo: Leveraging Large Language Models as Intrinsic Encoders for Visual Token Compression
高相关；详见方法、贡献和实验边界。
方法：复用预训练 VLM 自身作为 intrinsic compressor，用少量 memory tokens 压缩视觉信息，直接影响视觉 token 表征保真
Let RGB Be the Language of Vision
高相关；详见方法、贡献和实验边界。
方法：把 mask、depth 等结构化视觉信号统一成 RGB in/RGB out，有机会成为视觉任务统一接口
UMSS: Towards Unsupervised Multi-modal Semantic Segmentation
高相关；详见方法、贡献和实验边界。
方法：基于 DINOv3 做 label-free multimodal segmentation，直接检验 VFM 特征能否统一 RGB 与其他传感器结构
MobileSAM2: Lightweight Segment Anything for Spatial Intelligence
中高相关；详见方法、贡献和实验边界。
方法：把 SAM2 的图像/视频分割知识蒸馏到轻量模型，关注 VFM 知识如何跨时序和粒度迁移
AVQ-Attention: Adaptive Vector-Quantized Attention
中高相关；详见方法、贡献和实验边界。
方法：AVQ-Attention 根据注意力重要性自适应分配 VQ codebook capacity，影响视觉 token 表征效率
Inhibited Self-Attention: Sharpening Focus in Vision Transformers
中高相关；详见方法、贡献和实验边界。
方法：利用负注意力抑制背景响应，提升 ViT object-centric selectivity 与 OOD robustness
Gaussian Mixture Modeling for Event-Aware Visual Allocation in Long Video Understanding
中高相关；详见方法、贡献和实验边界。
方法：用 event-level structure 分配长视频 visual token budget，和视频 VLM/视频预训练的 token selection 直接相关
UniVR: Thinking in Visual Space for Unified Visual Reasoning
中高相关；详见方法、贡献和实验边界。
方法：从纯视觉 demonstrations 学复杂推理、物理动态和长期规划，不依赖 image-text pairs
DynTrace: Tracking Dynamic Object Evidence for 4D Spatio-Temporal Reasoning in MLLMs
中高相关；详见方法、贡献和实验边界。
方法：用 trace tokens 和 geometry-informed priors 让 MLLM 连续跟踪动态对象证据，补视频表征的 4D readout
CoRe: A Comprehensive Framework for Cross-Image Comparative Reasoning in Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：构造 cross-image comparative reasoning 数据和 reward，关注 fine-grained attribute grounding
The Seriality Gap in Video Diffusion Models
中相关；详见方法、贡献和实验边界。
方法：分析 video diffusion 在长串因果事件上的 seriality gap，有助判断生成式视频模型能否当通用视觉 learner
Visual Access Boundaries in Vision-Language Model Reasoning
中相关；详见方法、贡献和实验边界。
方法：用 causal masking 定义 Visual Access Boundary，诊断 CoT 是否真的延长了图像 token 访问
Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders
高相关；详见方法、贡献和实验边界。
方法：把 object-centric learning 直接放到冻结 VFM 语义特征空间和 DiT 解码里，贴近 DINO/RAE/无监督对象发现主线
On the modality gap and the contrastive loss in multi-modal representation learning
高相关；详见方法、贡献和实验边界。
方法：直接解释 CLIP-style dual encoder 的 modality gap，并给出 xNCE 这种 contrastive objective 改法
Lifelong Representations: A Survey on Continual Self-Supervised Learning for Vision Models
高相关；详见方法、贡献和实验边界。
方法：系统梳理 continual self-supervised learning for vision，适合作为长期预训练/持续学习路线图
Self-supervised Automatic Matting
高相关；详见方法、贡献和实验边界。
方法：用冻结 self-supervised ViT 特征生成语义 matting prompt，展示 SSL 表征可承担 annotation-free dense task
Spectral Heat Flow for Conservative Token Condensation in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：训练-free visual token condensation 直接影响 VLM 视觉 token 的保真压缩，和视觉表征读出效率强相关
Generalize LMMs to Versatile Visual Modalities via Fabricated Modality Synthesis
中高相关；详见方法、贡献和实验边界。
方法：用 fabricated modality synthesis 训练 LMM 泛化到未见视觉模态，和 modality-agnostic visual representation 直接相关
FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry
中高相关；详见方法、贡献和实验边界。
方法：以 DINOv3 初始化几何 foundation model，关注跨域 metric geometry 和 pixel-wise field
Label-Free Target-Domain Adaptation for Unconstrained Event-Image Feature Matching via Dual-Stage Distillation
中高相关；详见方法、贡献和实验边界。
方法：事件-图像 feature matching 虽偏传感器融合，但 label-agnostic distillation pretraining + contrastive objective 有迁移价值
MonkeyOCRv2: A Visual-Text Foundation Model for Document AI
中相关；详见方法、贡献和实验边界。
方法：文档视觉-文本预训练不等同自然图像 SSL，但能补视觉 token 对文字、公式和版式的表征短板
Unified Backbone Refinement for Diffusion Models via Internal-Latent Analysis
中相关；详见方法、贡献和实验边界。
方法：DUNE 主要是 diffusion generation refinement，但其 internal-latent analysis 有助理解生成 backbone 的视觉表征控制点
Single-Teacher View Augmentation: Enhancing Knowledge Distillation with Student-Guided Perturbations
中相关；详见方法、贡献和实验边界。
方法：学生引导的 single-teacher view augmentation 对蒸馏式自监督/压缩有参考，但不是视觉 foundation 预训练本身
Video Generation Models are General-Purpose Vision Learners
高相关；详见方法、贡献和实验边界。
方法：把大规模视频生成 backbone 当作通用视觉预训练信号，并直接和 V-JEPA/VideoMAE 等范式比较
SigLIP-HD by Fine-to-Coarse Supervision
高相关；详见方法、贡献和实验边界。
方法：在 SigLIP 2 上用 fine-to-coarse supervision 提升同等推理预算下的视觉 token 质量
Scalable Visual Pretraining for Language Intelligence
高相关；详见方法、贡献和实验边界。
方法：系统研究 unsupervised visual pretraining 对语言智能的贡献，强调文档/网页的视觉结构不应被纯文本化丢弃
Probing Diffusion Denoising Dynamics for Contrastive Representation Learning
高相关；详见方法、贡献和实验边界。
方法：把 diffusion denoising timestep 当作随机视图，加入 contrastive objective 来学习判别表征
Vision Transformers Learn Gestalt-Like Figure-Ground Cues from Natural Images
高相关；详见方法、贡献和实验边界。
方法：分析 supervised/self-supervised ViT 是否从自然图像统计中学到 Gestalt-like figure-ground cues
Subtoken Vision Transformer for Fine-grained Recognition
中高相关；详见方法、贡献和实验边界。
方法：选择性把关键 patch 细分成 subtokens，可改善 DINOv2 在 GCD/fine-grained novel category 上的表现
Similarity search generalisation in contrastive learning with InfoNCE loss
中高相关；详见方法、贡献和实验边界。
方法：从 similarity search generalization 角度重解释 InfoNCE，而不只停留在 MI/alignment-uniformity
What VGGT Knows About Overlap: Probing Geometric Foundation Models for Co-Visibility
中高相关；详见方法、贡献和实验边界。
方法：冻结 VGGT 后探测其几何 foundation representation 是否隐式编码 co-visibility
Robustifying Vision-Language Models via Test-Time Prompt Adaptation
中高相关；详见方法、贡献和实验边界。
方法：测试时用分布级 alignment 强化 CLIP/VLM adversarial robustness，关注预训练视觉-语言表征的脆弱性
On Locality and Length Generalization in Visual Reasoning
中相关；详见方法、贡献和实验边界。
方法：用局部/顺序视觉策略研究 visual reasoning 的 length generalization，与全局一次性 ViT 的 shortcut 问题相关
Weaving Light and Time: Unified Harmonic-Geometric Representation Learning for Dense RGB-Event Parsing
中相关；详见方法、贡献和实验边界。
方法：多模态 RGB-event dense parsing 的统一 backbone 与 stochastic event representation mixing pretraining 有方法迁移价值
The Count Is There, but Misaligned: Understanding and Correcting Counting Failures in VLMs
中相关；详见方法、贡献和实验边界。
方法：用 activation probe 证明 VLM 可能内部知道 object count 但输出方向错位
REBASE: Reference-Background Subspace Elimination for Training-Free In-Context Segmentation
中相关；详见方法、贡献和实验边界。
方法：用 reference-background subspace elimination 清理 VFM cross-image similarity map，偏下游但对特征匹配有启发
Human-like Object Grouping in Self-supervised Vision Transformers
高相关；详见方法、贡献和实验边界。
方法：DINO/self-supervised ViT 的 object-centric patch similarity 能预测人类 object grouping 行为，是今天最贴近通用视觉 SSL 表征机制的复核项
Dive Into the Implicit Biases of Low-rank Vision-language Alignment
中高相关；详见方法、贡献和实验边界。
方法：低秩 alignment 被用于解释视觉 token 线性可分性如何在 VLM 对齐中保真
VocaDet: Sample-Driven Open-Vocabulary Object Detection and Segmentation via Visual Tokenization and Vector Database Retrieval
中相关；详见方法、贡献和实验边界。
方法：用 DINOv3 特征聚类成 visual vocabulary，适合作为“冻结表征 + 可扩展记忆”的工程参考
Deep Sprite-based Image Models: An Analysis
中相关；详见方法、贡献和实验边界。
方法：分析 sprite-based decomposition 并提出可扩展 object-centric 无监督分解，和通用视觉表征可解释性相关
ZipDepth: Bringing Lightweight Zero-Shot Monocular Depth Anywhere, on Any Device
中相关；详见方法、贡献和实验边界。
方法：不是 SSL 主方法，但把大 VFM depth 能力蒸馏到 6.1M 参数模型，适合关注表征压缩与迁移的人扫读
XOV-Action: Towards Generalizable Open-Vocabulary Action Recognition
中低相关；详见方法、贡献和实验边界。
方法：旧文状态更新为 TPAMI，关注图文基础模型迁移到跨域视频动作识别的人可扫
A Theory of Contrastive Learning with Natural Images
高相关；详见方法、贡献和实验边界。
方法：从自然图像平稳统计和 augmentation 出发解析 contrastive optimum，是今天最基础的视觉 SSL 理论文
Gen4U: Unifying Video Generation and Understanding via Diffusion
高相关；详见方法、贡献和实验边界。
方法：系统探测视频 diffusion 中间层，并证明单次前向可作为跨任务视频 encoder
Converge to Surprise: Evolutionary Self-supervised Image Clustering
高相关；详见方法、贡献和实验边界。
方法：用 surprise score + evolution strategy 替代常规 per-step SSL loss，直接瞄准无类别数先验的图像聚类
Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence
中高相关；详见方法、贡献和实验边界。
方法：虽然面向 embodied intelligence，但训练的是开源 MoE 视频基础模型，数据和架构对通用视频预训练有参考价值
Attention-Guided Cross-Temporal Clustering for Self-Supervised Video Object Segmentation
中高相关；详见方法、贡献和实验边界。
方法：用 attention-guided token selection 与 cross-temporal clustering 学 part-aware video representations
Sparse Attention for Dense Open-Vocabulary Prediction in CLIP
中高相关；详见方法、贡献和实验边界。
方法：训练后替换 CLIP final attention 为 sparse entmax，直接改善 dense open-vocabulary prediction 的空间证据
LoCA: Spatially-Aware Low-Rank Convolutional Adaptation of Vision Foundation Models
中高相关；详见方法、贡献和实验边界。
方法：关注 VFM adaptation 时如何保留预训练空间先验，对 frozen/self-supervised backbone 下游使用很实用
Dive Into the Implicit Biases of Low-rank Vision-language Alignment
中高相关；详见方法、贡献和实验边界。
方法：说明低秩 alignment 能保留视觉 token 线性可分性，适合理解 VLM 对视觉表征的破坏/保真
When Structured Sparse Autoencoders Learn Consistent Concepts Across Modalities
中相关；详见方法、贡献和实验边界。
方法：用结构稀疏约束让 SAE 在视觉-语言模态间学更一致的概念，偏诊断但表征相关
Texture Representations in Deep Vision Models
中相关；详见方法、贡献和实验边界。
方法：比较 CNN、ViT 和人类纹理表征，对“通用视觉表征到底捕获什么”有解释价值
BUS: Brain-Inspired Unsupervised Self-Reflection for Advanced Multimodal Reasoning
中相关；详见方法、贡献和实验边界。
方法：通过无标签 backward prediction 增强 VLM reasoning，属于视觉-语言自监督式训练信号
Wat3R: Underwater 3D Geometry Learning without Annotations
中相关；详见方法、贡献和实验边界。
方法：任务垂直但方法是无标注视频 + teacher-student + cross-view consistency，可迁移到 3D geometry SSL
GaussFusion: Towards Multimodal 3D Gaussian Pretraining
高相关；详见方法、贡献和实验边界。
方法：把 masked Gaussian modeling 与图文语义对齐合并，是今天最直接的通用 3D/视觉表征预训练论文
Breaking Spurious Correlations via Generative Randomization and Cross-Variant Self-Supervised Learning
高相关；详见方法、贡献和实验边界。
方法：把生成式 counterfactual 当作正样本构造，直接训练背景不变的 object-centric 表征
Vision as Unified Multimodal Generation
中高相关；详见方法、贡献和实验边界。
方法：把多种视觉任务统一成文本/图像生成接口，展示通用 VFM 可以不靠专用 head 覆盖 dense 与 symbolic tasks
From RGB Generation to Dense Field Readout: Pixel-Space Dense Prediction with Text-to-Image Models
中高相关；详见方法、贡献和实验边界。
方法：直接讨论如何从文本到图像生成预训练中读出 dense fields，关系到生成式 VFM 的空间表征可用性
SAMPLe: SAM-based Optimizer for Prompt Learning in VLMs
中高相关；详见方法、贡献和实验边界。
方法：不是 SSL 目标，但直接影响 CLIP/VLM prompt tuning 的泛化，且 comments 标注 ECCV 主会
Analysis-by-Proxy: Localization Signals in VLMs Operating as Condition Encoders
中高相关；详见方法、贡献和实验边界。
方法：诊断 VLM 作为 condition encoder 时空间信号是否真正被读出，有助于理解视觉表征在生成编辑管线中的丢失
ELSA3D: Elastic Semantic Anchoring for Unified 3D Understanding and Generation
中高相关；详见方法、贡献和实验边界。
方法：通过 scale-aware 3D tokenizer 和 anchor tokens 组织文本-3D 对齐，适合作为 3D VFM/VLM 接口参考
MoWorld: A Flash World Model
中相关；详见方法、贡献和实验边界。
方法：强调 world model 的数据引擎、cross-frame pretraining 和 distillation，方法可迁移但应用偏生成/交互
Segmentation before Answering: Pixel Grounding for MLLM Visual Reasoning
中相关；详见方法、贡献和实验边界。
方法：把 MLLM 的 zoom-in 单位从 box 换成 mask，并讨论 segmentation patches 与 visual tokens 的对齐
Generalized Synthetic Image Detection with Enhanced RGB-Noise Representation Learning
中相关；详见方法、贡献和实验边界。
方法：任务是生成图像取证，但 RGB-Noise 双分支和 hard-sample contrastive 对鲁棒表征有参考价值
What Images Cannot Say: Language-Guided Olfactory Representation Learning
中低相关；详见方法、贡献和实验边界。
方法：ECCV 状态明确，但核心是气味/电子鼻跨模态学习，和通用视觉自监督只弱相关
Vision Pretraining for Dense Spatial Perception
高相关；详见方法、贡献和实验边界。
方法：直接提出面向 dense geometry 的自监督预训练目标，弥补语义 VFM 对边界/形状结构不敏感的问题
SiamJEPA: On the Role of Siamese Student Encoders in JEPA
高相关；详见方法、贡献和实验边界。
方法：研究 Siamese student encoder 对 JEPA 的正则化和早期学习收益，是今天最直接的 JEPA 目标改造论文
VLRC: Vision-Language Reprojection Consistency as a scalable signal for better feed-forward 3D pretraining
高相关；详见方法、贡献和实验边界。
方法：用 frozen vision-language representations 作为多视角一致性信号，为无 3D 标注的 feed-forward 3D 预训练提供可扩展监督
Text as Partial Constraint: Core-Residual Alignment for Robust Vision-Language Learning
高相关；详见方法、贡献和实验边界。
方法：把 caption 视为不完备约束，显式分离 consensus semantic core 和 unsaid residual，改进 CLIP 式对齐鲁棒性
TORINO: Token Reduction via Interpretable Concept Overlap in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：用 sparse autoencoder concept overlap 做可解释 token pruning/merging，关注减少 token 同时保留语义证据
RADIO1D: Elastic Representations for Condensed Vision Modeling
中高相关；详见方法、贡献和实验边界。
方法：挑战固定 2D patch feature 假设，用多教师蒸馏和 autoencoder 生成可变长度 1D 视觉表示
Pathways of Visual Information Flow in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：通过 causal patching 区分 direct visual pathway 与 text-mediated pathway，有助于判断 VLM 是否真正读出视觉 token
SeeMe: Mitigating Hallucinations in Large Vision-Language Models through Effective Visual Token Engineering
中高相关；详见方法、贡献和实验边界。
方法：把 hallucination 根源部分定位到 irrelevant/noisy visual tokens，并提出无需训练的三阶段 token 重构
Does It Fail to See or Fail to Know? Attributing Errors in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：用 pre-generation visual-token/hidden-state signals 区分视觉识别失败和知识检索失败，适合做 VLM 诊断工具
PixCon: Clean-Positive Contrastive Learning for Foundation-Model Semi-Supervised Segmentation
中相关；详见方法、贡献和实验边界。
方法：不是预训练论文，但给出 DINOv2 teacher 下 clean-positive pixel contrast 的低成本表征塑形方案
TrustCLIP: Learning Private Visual Features via Adversarial Reconstruction
中相关；详见方法、贡献和实验边界。
方法：从生成式反演攻击角度约束 CLIP/视觉特征，提醒通用表征要同时考虑可用性和隐私泄漏
Geometric Reciprocity: Unlocking Self-Supervision for Stereoscopic Video Generation
中相关；详见方法、贡献和实验边界。
方法：任务是 monocular-to-stereo generation，但 cycle/geometric reciprocity 可作为视频几何自监督信号参考
Is the Geometry Doing the Work? An Operating-Point Audit of Hierarchy in Hyperbolic Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：审计 MERU/HyCoCLIP/PHyCLIP 是否真正使用 hyperbolic geometry，适合作为层级 V-L 表征评估反例
Understanding Geometric Representations in Self-Supervised Vision Transformers via Subspace Intervention
高相关；详见方法、贡献和实验边界。
方法：用子空间干预解释 DINOv2、MAE 等 SSL ViT 如何编码 dense geometry，直接服务 backbone/decoder 设计
Understanding the Robustness of Distributed Self-Supervised Learning Frameworks Against Non-IID Data
高相关；详见方法、贡献和实验边界。
方法：理论上比较 MIM 与 contrastive learning 在非 IID 分布式自监督中的稳健性，并提出 MAR loss
Towards Robustness against Typographic Attack with Training-free Concept Localization
中高相关；详见方法、贡献和实验边界。
方法：定位 CLIP/LVLM 视觉编码器被图中文字劫持的注意力/电路机制，对通用视觉-语言表征可靠性重要
Combating Textual Noise and Redundancy: Entropy-Aware Dense Visual Token Pruning
中高相关；详见方法、贡献和实验边界。
方法：把 VLM token pruning 从 top-k 选择改为抗文本噪声的结构化压缩，关注细粒度视觉证据保留
LASER: A Corrective Lens for LVLMs via Visual Attention Preservation and Sink Suppression
中高相关；详见方法、贡献和实验边界。
方法：处理长推理中视觉注意力衰减和 visual sink token，适合作为 LVLM 表征保真诊断材料
DRDN: Decoupled Representation Dynamic Network for From-Scratch ViT Class-Incremental Learning
中相关；详见方法、贡献和实验边界。
方法：虽然是 class-incremental learning，但持续 MIM 保护任务无关视觉结构的设计可迁移
Representation Distribution Matching for One-Step Visual Generation
中相关；详见方法、贡献和实验边界。
方法：用多编码器特征分布约束 one-step generator，反映 frozen visual representations 如何作为生成训练信号
Visually Grounded Self-Reflection for Vision-Language Models via Reinforcement Learning
中相关；详见方法、贡献和实验边界。
方法：强调 self-reflection 必须回看视觉证据，适合作为 VLM 视觉 grounding 训练信号参考
Efficient PEFT Methods with Adaptive Checkpointing for Vision Models and VLMs on Resource Constrained Consumer-GPUs
中相关；详见方法、贡献和实验边界。
方法：不是预训练方法，但给出 DINOv2/OpenCLIP/小型 VLM 在低显存 fine-tuning 下的部署对比
PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation
中相关；详见方法、贡献和实验边界。
方法：不是 SSL 训练，但直接使用 DINOv3 image tokens 作为几何扩散条件，能观察 DINO 表征的 dense transfer
Domain Generalization via Text-Anchored Information Bottleneck
中相关；详见方法、贡献和实验边界。
方法：用语言 embedding 作为信息瓶颈抑制环境伪相关，和视觉-语言表征的 domain invariance 相关
Selective Test-Time Debiasing for CLIP via Reward Gating
中相关；详见方法、贡献和实验边界。
方法：虽然目标是公平性，但核心机制是在不损坏通用 cross-modal alignment 的前提下选择性调节 CLIP/VLM 输出
LongVQUBench: Benchmarking Long-Term Video Quality Understanding of Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：不训练 backbone，但提供长视频质量理解、时间聚合和细粒度视觉证据归因的诊断集
RetailSMV: Exocentric vs. Egocentric Adaptation of Foundation Video World Models in Retail
中相关；详见方法、贡献和实验边界。
方法：零售场景偏垂直，但比较 ego/exo 视角对 Cosmos3-Nano 视频 world model 适配的贡献，值得借鉴数据视角
OnPoint: Offline-to-Online Multi-Level Distillation for Point-Supervised Online Temporal Action Localization
中低相关；详见方法、贡献和实验边界。
方法：是弱监督视频 TAL，不是通用 SSL；但 offline teacher 到 online student 的多层蒸馏结构可作为视频表征压缩参考
Valdi: Value Diffusion World Models
中低相关；详见方法、贡献和实验边界。
方法：偏 RL/CarRacing，但 latent diffusion dynamics + MPC 的低延迟 trade-off 对视频 world-model 表征路线有背景价值
LeVLJEPA: End-to-End Vision-Language Pretraining Without Negatives
高相关；详见方法、贡献和实验边界。
方法：把 JEPA 式非对比学习直接推到端到端图文预训练，目标是更好的 dense visual tokens
MEPA: Multi-Scale Representation Alignment for Visual Autoregressive Modeling with Mixture of Experts
高相关；详见方法、贡献和实验边界。
方法：针对 visual autoregressive 模型的多尺度表征冲突，用自监督特征对齐和 MoE 路由修补早期语义
Information-Regularized Attention for Visual-Centric Reasoning
高相关；详见方法、贡献和实验边界。
方法：把 VLM hallucination/grounding 失败追到视觉信息注入失控，并给出 attention-level 表征正则
SpiralFovea: Input-Adaptive Foveated Tokenization as a Third Lever of Resource-Adaptive Inference
高相关；详见方法、贡献和实验边界。
方法：把“输入 token 怎么切”提升为资源自适应第三杠杆，尤其指出 self-supervised foundation backbones 最受益
Cross4D-JEPA: Dense Cross-modal Correspondence Distillation for 4D Point Cloud Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：虽然是 4D point cloud，但核心是把 DINOv2/V-JEPA dense patch semantics 蒸馏到动态几何编码器
MoVA: Learning Asymmetric Dual Projections for Modular Long Video-Text Alignment
中高相关；详见方法、贡献和实验边界。
方法：从 CLIP 式视频文本对比预训练的 entanglement 入手，处理长视频和长 caption 的局部相关性
HyFL-CLIP: Hyperbolic Fine-Tuning of CLIP for Robust Long-Context Understanding
中高相关；详见方法、贡献和实验边界。
方法：用 hyperbolic geometry 处理 CLIP 长文本上下文和层级语义，对图文表征鲁棒性有直接参考
Identifying Latent Concepts and Structures for Generalized Category Discovery
中高相关；详见方法、贡献和实验边界。
方法：把 open-world category discovery 的瓶颈定位为高秩、纠缠的 patch-token 表征，并显式构造 compositional primitive field
Active Spatial Guidance: Eliminating Injected Positional Mechanisms in Vision Transformers
中高相关；详见方法、贡献和实验边界。
方法：讨论 ViT 是否必须注入 positional mechanism，直接关系到自监督 backbone 的空间归纳偏置
Rosetta: Composable Native Multimodal Pretraining
中高相关；详见方法、贡献和实验边界。
方法：聚焦新模态接入时的 representation overwriting，适合放进 multimodal foundation model 训练路线
Mirror-Fusion Attention for Reflection-Aware Self-Supervised Representation Learning
中相关；详见方法、贡献和实验边界。
方法：用 mirror-paired views 和 token-level mirror fusion 修补过强 flip invariance，方法可迁移但数据有明显垂直属性
From Pixels to Temporal Correlations: Learning Informative Representations for Reinforcement Learning Pre-training
中相关；详见方法、贡献和实验边界。
方法：从 action-free internet videos 学表示，虽然落点是 RL，但核心是视频自监督如何避免只保留静态像素
Condensing Large-Scale Datasets Directly with Minimal Information Loss
中相关；详见方法、贡献和实验边界。
方法：不是 SSL 方法本身，但直接服务大规模视觉预训练/下游训练的数据效率和合成数据保真
Learning to Compose: Revisiting Proxy Task Design for Zero-Shot Composed Image Retrieval
中相关；详见方法、贡献和实验边界。
方法：偏检索任务，但 proxy-task 设计能参考到图文表征组合能力
Steal the Patch Size: Adversarially Manipulate Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：安全论文，但黑盒恢复 VLM patch size / preprocessing 的 side channel 很能说明 tokenizer 接口的可见性
ExPLoRe: Expert Patch-Level Loss Routing for Multi-Objective Masked Image Modeling
高相关；详见方法、贡献和实验边界。
方法：把 token distillation、CLS alignment、pixel reconstruction 变成按 patch 自适应路由的 MIM 训练信号
Delta-JEPA: Learning Action-Sensitive World Models via Latent Difference Decoding
高相关；详见方法、贡献和实验边界。
方法：针对 JEPA 式 world model 的 action-insensitive collapse，直接在 latent displacement 上加动作监督
CLIMB: Centroid-Based Hierarchical Memory for Online Continual Self-Supervised Learning
高相关；详见方法、贡献和实验边界。
方法：在线 continual self-supervised learning 直接服务无标签图像流中的表征保持与漂移控制
GEAR: Guided End-to-End AutoRegression for Image Synthesis
高相关；详见方法、贡献和实验边界。
方法：把 VQ tokenizer 与 AR generator 端到端联合训练，并用 representation alignment 让生成器反向塑造视觉 token
AdaJEPA: An Adaptive Latent World Model
中高相关；详见方法、贡献和实验边界。
方法：AdaJEPA 用闭环自监督 transition 做 test-time adaptation，补上 frozen latent world model 的分布偏移问题
MemLearner: Learning to Query Context memory for Video World Models
中高相关；详见方法、贡献和实验边界。
方法：视频 world model 的长期一致性不只靠更长 context，MemLearner 学习如何查询 context memory
Mitigating Positional Leakage in 3D Masked Autoencoders for Robust Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：3D MAE 的 positional leakage 诊断对所有 masked reconstruction 类 SSL 都有警示价值
AVTok: 1D Unified Tokenization for Holistic Audio-Video Generation
中高相关；详见方法、贡献和实验边界。
方法：AVTok 把 audio/video 编到统一 1D latent codebook，和视觉 token 化、多模态预训练接口高度相关
MS-Resampler: Multi-Scope Visual Resampling for Efficient Multimodal LLMs
中高相关；详见方法、贡献和实验边界。
方法：MS-Resampler 直接处理 dense visual features 到短 visual token sequence 的信息保留问题
Visual Semantic Entropy: Do Vision Language Models Recognize Visual Ambiguity?
中高相关；详见方法、贡献和实验边界。
方法：用只扰动图像、不扰动文本的 Visual Semantic Entropy 测 VLM 是否识别视觉歧义
Decodable Is Not Grounded: A Vision-Ablation Arbiter for VLM Spatial Reasoning
中高相关；详见方法、贡献和实验边界。
方法：它用 blank-image arbiter 反驳“probe 能线性读出就代表视觉 grounded”的常见误判
ERA: Entropy-Guided Visual Token Pruning with Rectified Attention for Efficient MLLMs
中相关；详见方法、贡献和实验边界。
方法：ERA 讨论 aggressive visual token pruning 后的 attention logit collapse，和高效 MLLM 视觉证据保留相关
Unsupervised Data-Efficient Cross-Modal Retrieval with Global-Neighborhood Alignment Hashing
中相关；详见方法、贡献和实验边界。
方法：少量 image-text pair 下，把 VLM 连续 latent 结构转成二值 Hamming 空间，适合看数据效率与跨模态对齐
Cross-Space Distillation: Teaching One-Step Students with Modern Diffusion Teachers
中相关；详见方法、贡献和实验边界。
方法：Cross-Space Distillation 解决 teacher/student latent space 不同的问题，可借鉴到异构视觉基础模型蒸馏
REDI: Corpus Aware Patch Ranking for DINOv3 Token Reduction
中相关；详见方法、贡献和实验边界。
方法：REDI 用 corpus-aware visual vocabulary + attention 给 DINOv3 patch ranking，适合扫 token ranking 机制
Large Language Model Teaches Visual Students: Cross-Modality Transfer of Fine-Grained Conceptual Knowledge
高相关；详见方法、贡献和实验边界。
方法：用语言-only LLM 产生细粒度概念监督来蒸馏 vision-only student，直接对应视觉表征蒸馏与弱多模态监督
ReWorld: Learning Better Representations for World Action Models
高相关；详见方法、贡献和实验边界。
方法：ReWorld 直接优化 world action model 的中间表征，和视频预训练、JEPA/world-model 线高度相关
Parallel Rollout Approximation for Pixel-Space Autoregressive Image Generation
高相关；详见方法、贡献和实验边界。
方法：PRA 不依赖离散 tokenizer，直接在 pixel-space AR 中学习中间状态，并报告 probing accuracy 提升
VLM-Aware Meta-Optic Front-End Design for Frozen Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：CODA 直接用 frozen CLIP 目标优化光学前端，并迁移到 SigLIP/DINOv2，说明视觉基础模型目标可反向塑造输入成像
CascadeOcc: Rethinking 3D Occupancy World Models with Cascaded VQ Representations
中高相关；详见方法、贡献和实验边界。
方法：CascadeOcc 用 cascaded VQ 表示建模 3D occupancy world dynamics，适合跟踪离散视觉 token/world representation
PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception
中高相关；详见方法、贡献和实验边界。
方法：PerceptionRubrics 把 VLM 视觉感知评测拆成原子 rubrics，可用于判断视觉表征是否真正保留细节
Vision-Default, Prior-Override: Causal Mechanisms of Perception-Knowledge Conflict in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：论文定位 VLM 中视觉证据与世界知识冲突的因果注意力头，有助于理解视觉 grounding 是否被语言先验覆盖
DMV-Bench: Diagnosing Long-Horizon Multimodal Agents' Visual Memory with Incidental Cue Injection
中高相关；详见方法、贡献和实验边界。
方法：DMV-Bench 把长期记忆信号限制在像素 cue 中，可测试模型是否真的保留视觉表征而非文本泄漏
Reflect-R1: Evidence-Driven Reflection for Self-Correction in Long Video Understanding
中高相关；详见方法、贡献和实验边界。
方法：Reflect-R1 通过检索客观视觉证据做自校正，和视频 VLM 的 grounding/post-training 相关
A Unified Framework for Vision Transformers Equivariant to Discrete Subgroups of $\mathrm{O}(2)$
中相关；详见方法、贡献和实验边界。
方法：给 ViT 加 O(2) 离散子群等变性，在数据稀缺视觉表征学习中可能减少对数据增强的依赖
Beyond MoCap: Scaling Motion Tokenizers with Synthetic Human Motion for Generative Modeling
中相关；详见方法、贡献和实验边界。
方法：Motion tokenizer 与合成运动扩展 codebook 的想法，可迁移到视频 tokenization/动作表征
SIFT: Self-Imagination Fine-Tuning for Physically Plausible Motion in Video Diffusion Models
中相关；详见方法、贡献和实验边界。
方法：SIFT 让视频 diffusion 从自身生成样本中学习物理运动，属于自生成数据驱动的 video model 后训练
Qwen-Image-2.0-RL Technical Report
中相关；详见方法、贡献和实验边界。
方法：Qwen-Image-2.0-RL 是视觉生成 post-training 技术报告，包含 VLM reward 与 on-policy distillation，可扫其视觉奖励信号设计
ScaLe-INR: Scale and Learn Implicit Neural Representations
中相关；详见方法、贡献和实验边界。
方法：ScaLe-INR 关注连续信号表示的频谱分解，对图像/3D INR 表征有方法参考，但不是 SSL 主线
ViQ: Text-Aligned Visual Quantized Representations at Any Resolution
高相关；详见方法、贡献和实验边界。
方法：任意分辨率视觉输入被压成 text-aligned discrete representation，直接影响统一多模态模型的视觉 token 接口
ReasonCLIP-58M: Visually Grounded Commonsense Reasoning Supervision for CLIP
高相关；详见方法、贡献和实验边界。
方法：在 CLIP-style encoder 上加入视觉可验证 reasoning supervision，同时保持 descriptive alignment
Neural Voxel Dynamics: Learning Implicit 3D Physics via Volumetric Feature Advection
高相关；详见方法、贡献和实验边界。
方法：用 V-JEPA semantic features 构建 3D latent dynamics，是视频 SSL 与 world model 的强交叉
Paying More Attention to Visual Tokens in Self-Evolving Large Multimodal Models
高相关；详见方法、贡献和实验边界。
方法：指出 self-consistency 自训练会走语言捷径，提出显式压住视觉 token attention 的奖励
Ask, Solve, Generate: Self-Evolving Unified Multimodal Understanding and Generation via Self-Consistency Rewards
高相关；详见方法、贡献和实验边界。
方法：用未标注图像让统一 LMM 自己提问、回答和生成图像，接近无人工标注的 VLM 自监督训练
See & Sniff: Learning Visuo-Olfactory Representations
中高相关；详见方法、贡献和实验边界。
方法：dense local alignment + masked visual modeling 的跨模态自监督框架可迁移
A Generalization Theory for JEPA-Based World Models
中高相关；详见方法、贡献和实验边界。
方法：给 JEPA 目标作 conditional spectral graph learning 解释，帮助理解 JEPA dynamics 泛化
TOPS: First-Principles Visual Token Pruning via Constructing Token Optimal Preservation Sets for Efficient MLLM Inference
中高相关；详见方法、贡献和实验边界。
方法：从信息论重写视觉 token 保留目标，适合关注 VLM 视觉 token 预算
Bridging Vision and Language Concepts through Optimal Transport Semantic Flow
中高相关；详见方法、贡献和实验边界。
方法：把概念对齐从全局 cosine 改成 OT semantic flow，更适合分析细粒度视觉语义几何
ProtoKV: Streaming Video Understanding under Delayed Query with Summary-State Memory
中高相关；详见方法、贡献和实验边界。
方法：用 prototype bank 维护长视频语义-空间记忆，对视频 token 压缩和长期表征有参考价值
Staying VIGILant: Mitigating Visual Laziness via Counterfactual Visual Alignment in MLLMs
中高相关；详见方法、贡献和实验边界。
方法：把 MLLM hallucination 归因到 visual laziness，并用反事实视觉对齐纠正语言捷径
Safe Autoregressive Image Generation with Iterative Self-Improving Codebooks
中相关；详见方法、贡献和实验边界。
方法：主要是安全生成，但自改进 codebook 直接操作离散视觉 token 表征
Beyond the Hard Budget: Sparsity Regularizers for More Interpretable Top-k Sparse Autoencoders
中相关；详见方法、贡献和实验边界。
方法：目标是解释 vision foundation model activations，适合作为 VFM 表征诊断工具背景
MJEPA: A Simple and Scalable Joint-Embedding Predictive Architecture for Audio-Visual Learning
高相关；详见方法、贡献和实验边界。
方法：把 JEPA 从单模态推进到共享音视频 encoder，直接服务大规模视频自监督表征
Semantic Allocation in Ordered Bottlenecks: Predictive Residual Inference for Visual Representation Learning
高相关；详见方法、贡献和实验边界。
方法：用 residual predictors 让 token budget 从粗到细承载信息，可直接启发可压缩视觉表征
V-Zero: Answer-Label-Free On-Policy Distillation with Contrastive Evidence Gating for Fine-Grained Visual Reasoning
高相关；详见方法、贡献和实验边界。
方法：把 on-policy distillation 和负视觉视图 gating 结合，减少对答案标注的依赖
TACO: Towards Task-Consistent Open-Vocabulary Adaptation in Video Recognition
高相关；详见方法、贡献和实验边界。
方法：关注 CLIP 视频适配时表征几何偏移，OpenReview 旧状态为 ICLR 2026 withdrawn
Steering Vision-Language Models with Joint Sparse Autoencoders
中高相关；详见方法、贡献和实验边界。
方法：把 SAE 做成显式跨模态对齐的 steerable features，适合诊断视觉语言表征
MIMFlow: Integrating Masked Image Modeling with Normalizing Flows for End-to-End Image Generation
中高相关；详见方法、贡献和实验边界。
方法：把 MIM latent semantics 接入 normalizing flows，线性 probe 与生成指标都有报告
Structuring Sparsity: Block-Sparse Featurizers Capture Visual Concept Manifolds
中高相关；详见方法、贡献和实验边界。
方法：从单方向概念转向低维概念流形，并在 DINOv3/扩散模型里做可解释控制
Dual Distribution Estimation for Zero-shot Noisy Test-Time Adaptation with VLMs
中高相关；详见方法、贡献和实验边界。
方法：用正/负分布建模提升 zero-shot noisy TTA，强调视觉语言特征空间的鲁棒校准
Brevity is the Soul of Inference Efficiency: Inducing Concision in VLMs via Data Curation
中相关；详见方法、贡献和实验边界。
方法：把 VLM 输出长度和正确率一起纳入预训练数据策展，提示数据质量会改变推理成本
Causal-rCM: A Unified Teacher-Forcing and Self-Forcing Open Recipe for Autoregressive Diffusion Distillation in Streaming Video Generation and Interactive World Models
中相关；详见方法、贡献和实验边界。
方法：不是 SSL 表征论文，但 teacher/self-forcing 的视频蒸馏 recipe 对视频基础模型有参考价值
ROAD-VLA: Robust Online Adaptation via Self-Distillation for Vision-Language-Action Models
中相关；详见方法、贡献和实验边界。
方法：偏机器人 VLA，但 advantage-guided action-space self-distillation 可作为多模态策略适配参考
Wan-Streamer v0.1: End-to-end Real-time Interactive Foundation Models
中相关；详见方法、贡献和实验边界。
方法：全双工音视频文本流式基础模型，离 SSL 较远，但对视频/多模态 token 调度有背景价值
P-JEPA: Procedural Video Representation Learning via Joint Embedding Predictive Architecture
高相关；详见方法、贡献和实验边界。
方法：把 JEPA 式预测目标改造成长时程 procedural video 表征学习，是今天最贴近通用视频 SSL 的主线
Radial Basis Function Networks as Projection Heads in Self-Supervised Learning
高相关；详见方法、贡献和实验边界。
方法：直接改 SimCLR/BYOL/MoCo/SwAV/SimSiam 的 projection head，并用 RBF 参数估计表征质量
MultiMem: Measuring and Mitigating Memorization in Multi-Modal Contrastive Learning
高相关；详见方法、贡献和实验边界。
方法：给跨模态对比学习定义 memorization 度量，指出文本语义错配是主要记忆化来源
Rethinking Object-Centric Representations for Video Dynamics Modeling
高相关；详见方法、贡献和实验边界。
方法：解释 slot temporal consistency 为什么会锁背景，并用 appearance/pose 解耦修复视频对象表征
Data Selection Through Iterative Self-Filtering for Vision-Language Settings
高相关；详见方法、贡献和实验边界。
方法：让 CLIP 在训练过程中自举选择 clean + diverse 数据，是视觉语言预训练数据闭环的实用方向
Extraction and Analysis of Multimodal Concepts in Vision Language Models through Sparse Autoencoders
中高相关；详见方法、贡献和实验边界。
方法：把 SAE 从文本或纯视觉概念扩展到 multimodal concepts，有助于理解 VLM 表征结构
LEViL: Label-Efficient Video Learning via Zero-Shot Distillation over VLM-Generated Pseudo-Label Spaces
中高相关；详见方法、贡献和实验边界。
方法：用 VLM 生成语义 pseudo-label space 训练视频 encoder，是低标注视频预训练的可迁移思路
SPAR: Semantic-Pixel Self-Alignment and Adaptive Routing for Unified Multimodal Models
中高相关；详见方法、贡献和实验边界。
方法：试图把语义理解特征和像素重建特征放到统一 tokenizer/路由框架，和 RAE/VAE-for-DiT 线索相关
Structural Assessment for Understanding and Guiding Dataset Distillation in Discrete Token Space
中高相关；详见方法、贡献和实验边界。
方法：用离散视觉 tokenizer 分析蒸馏数据的 compositional structure，可作为表征/数据质量诊断工具
Lightweight 3D Feature Pretraining by Bayesian Inversion of 2D Foundation Models
中相关；详见方法、贡献和实验边界。
方法：把 2D foundation embeddings 反演成 3D semantic latent，方法对 self-supervised embeddings 兼容
Structured Hyperedge Adaptation for Parameter-Efficient Fine-Tuning of Vision Transformers
中相关；详见方法、贡献和实验边界。
方法：不是自监督训练目标，但关注 ViT token 关系和高效适配，对 VFM 下游迁移有参考价值
T-VSS: Test-Time Visual Subspace Steering for Adversarial Robustness of Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：直接在视觉 feature space 做 test-time correction，提醒 VLM 鲁棒性不应只调 prompt
Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification
中相关；详见方法、贡献和实验边界。
方法：TreeOfLife/BioCLIP 应用较垂直，但 level-restricted contrastive comparison 是处理 false negatives 的可迁移想法
3D-DLP: Self-Supervised 3D Object-Centric Scene Representation Learning
高相关；详见方法、贡献和实验边界。
方法：仍是上一批最贴近通用视觉 SSL 的对象中心 3D 表征论文，值得先精读
Language-Instructed Vision Embeddings for Controllable and Generalizable Perception
高相关；详见方法、贡献和实验边界。
方法：把语言从 decoder 消费信号变成视觉 encoder 控制信号，是静态 VFM 之外的 adaptive representation 路线
LEAP: Layer-skipping Efficiency via Adaptive Progression for Vision Transformer Distillation
高相关；详见方法、贡献和实验边界。
方法：用教师中间层组织课程学习，缓解小 ViT 直接模仿 DINOv2/VFM 高层特征的容量落差
Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models
高相关；详见方法、贡献和实验边界。
方法：提醒视觉 SSM/Mamba 压缩不能只看 token 重要性，还必须保持二维空间拓扑
UNIEGO: Proxies as Mediators for Unified Egocentric Video Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：用 proxy 层调和 ego/exo、多模态和多个 foundation teacher，是视频 SSL 蒸馏的实用路线
3D-DLP: Self-Supervised 3D Object-Centric Scene Representation Learning
高相关；详见方法、贡献和实验边界。
方法：仍是上一批最贴近通用视觉 SSL 的对象中心 3D 表征论文，值得先精读
Language-Instructed Vision Embeddings for Controllable and Generalizable Perception
高相关；详见方法、贡献和实验边界。
方法：把语言从 decoder 消费信号变成视觉 encoder 控制信号，是静态 VFM 之外的 adaptive representation 路线
LEAP: Layer-skipping Efficiency via Adaptive Progression for Vision Transformer Distillation
高相关；详见方法、贡献和实验边界。
方法：用教师中间层组织课程学习，缓解小 ViT 直接模仿 DINOv2/VFM 高层特征的容量落差
Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models
高相关；详见方法、贡献和实验边界。
方法：提醒视觉 SSM/Mamba 压缩不能只看 token 重要性，还必须保持二维空间拓扑
UNIEGO: Proxies as Mediators for Unified Egocentric Video Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：用 proxy 层调和 ego/exo、多模态和多个 foundation teacher，是视频 SSL 蒸馏的实用路线
3D-DLP: Self-Supervised 3D Object-Centric Scene Representation Learning
高相关；详见方法、贡献和实验边界。
方法：无新增日的第一精读：用自监督重建学习 3D latent particles，最贴近通用视觉自监督表征
Language-Instructed Vision Embeddings for Controllable and Generalizable Perception
高相关；详见方法、贡献和实验边界。
方法：把语言从 decoder 消费信号变成视觉 encoder 控制信号，是静态 VFM 之外的 adaptive representation 路线
LEAP: Layer-skipping Efficiency via Adaptive Progression for Vision Transformer Distillation
高相关；详见方法、贡献和实验边界。
方法：用教师中间层组织课程学习，缓解小 ViT 直接模仿 DINOv2/VFM 高层特征的容量落差
Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models
高相关；详见方法、贡献和实验边界。
方法：提醒视觉 SSM/Mamba 压缩不能只看 token 重要性，还必须保持二维空间拓扑
UNIEGO: Proxies as Mediators for Unified Egocentric Video Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：用 proxy 层调和 ego/exo、多模态和多个 foundation teacher，是视频 SSL 蒸馏的实用路线
3D-DLP: Self-Supervised 3D Object-Centric Scene Representation Learning
高相关；详见方法、贡献和实验边界。
方法：用自监督重建把 RGB-D/voxel 场景分解成 3D latent particles，是今天最直接的通用视觉表征学习论文
Language-Instructed Vision Embeddings for Controllable and Generalizable Perception
高相关；详见方法、贡献和实验边界。
方法：让语言在推理时动态指导视觉 encoder 生成任务中心 embedding，直接挑战静态视觉特征范式
LEAP: Layer-skipping Efficiency via Adaptive Progression for Vision Transformer Distillation
高相关；详见方法、贡献和实验边界。
方法：把教师 ViT 的中间层当成自适应课程，缓解小模型直接模仿高层 DINOv2/VFM 特征的容量落差
Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models
高相关；详见方法、贡献和实验边界。
方法：说明视觉 Mamba/State Space 的 token reduction 必须保持二维网格拓扑，否则会严重损伤表征
UNIEGO: Proxies as Mediators for Unified Egocentric Video Representation Learning
中高相关；详见方法、贡献和实验边界。
方法：用 proxy 中介层融合 ego/exo、RGB/depth/skeleton 与多个 foundation teacher，适合作为视频 SSL 蒸馏读物
The Hidden Evolution of Disguised Visual Context inside the VLM
中高相关；详见方法、贡献和实验边界。
方法：比较视觉 token 作为上下文输入或层内注入时在 LLM 内部如何变成语言可用表征
SPOT-E: Test-Time Entropy Shaping with Visual Spotlights for Frozen VLMs
中高相关；详见方法、贡献和实验边界。
方法：用问题条件 spotlight 和 entropy shaping 让冻结 VLM 读到小而关键的视觉证据
SpatialSV: Internalizing Interpretable 3D Spatial Awareness in MLLMs via Task-Oriented Visual Supervision
中高相关；详见方法、贡献和实验边界。
方法：把 MLLM 的 2D visual features 主动 lift 到深度、位姿、点云等显式 3D 表示
NEST: Narrative Event Structures in Time for Long Video Understanding
中高相关；详见方法、贡献和实验边界。
方法：以电影级长视频事件结构测试模型是否理解跨时间叙事，而不只是 needle retrieval
Multimodal Concept Bottleneck Models
中高相关；详见方法、贡献和实验边界。
方法：把图像和文本 embedding 映射到可解释概念瓶颈，适合评估 CLIP/VLM 表征是否可解释
Timage: A Generative Text-in-Image Paradigm for Fine-Tuning Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：把 query 渲染进图像作为显式空间锚点，提醒 VLM 对齐可以发生在输入重构层
ELVA: Exploring Ranking-Driven Universal Multimodal Retrieval
中相关；详见方法、贡献和实验边界。
方法：用 ranking-driven RLVR 缓解复杂检索 query 的 grain blindness，和视觉-语言对比学习负样本设计有关
Current World Models Lack a Persistent State Core
中相关；详见方法、贡献和实验边界。
方法：WRBench 追问世界模型是否在目标离开视野后继续推进状态，是视频基础模型的重要诊断
Through the PRISM: Preference Representation in Intermediate States of Video Diffusion Models
中相关；详见方法、贡献和实验边界。
方法：从冻结视频扩散模型的 noisy latents 中读出偏好信号，偏生成但涉及 latent representation 可判别性
Variable-Length Tokenization via Learnable Global Merging for Diffusion Transformers
中相关；详见方法、贡献和实验边界。
方法：用 learnable global merging 做可变长视觉 tokenization，和视觉 latent 压缩/对齐有关
Seeing Before Reasoning: Decoupling Perception and Reasoning for Shortcut-Resilient Multimodal On-Policy Self-Distillation
高相关；详见方法、贡献和实验边界。
方法：把 OPSD 拆成图像感知老师和推理老师，直接约束 MLLM 先看图再推理
Visual-OPSD: Cross-Modal On-Policy Self-Distillation for Efficient Unified Multimodal Reasoning
高相关；详见方法、贡献和实验边界。
方法：把昂贵 visual thoughts 的隐式推理能力蒸馏到 text-only student，适合跟 VLM 视觉 latent reasoning 一起看
Moving Beyond Diversity: Visual Token Pruning as Subspace Reconstruction for Efficient VLMs
高相关；详见方法、贡献和实验边界。
方法：把视觉 token pruning 从多样性最大化改成子空间重建误差最小化，直接影响 VLM 视觉表征保真
Beyond the Linear Separability Ceiling: Aligning Representations in VLMs
中高相关；详见方法、贡献和实验边界。
方法：用线性可分性上界诊断 VLM 是感知失败还是推理失败，并用 contrastive objective 修正视觉 manifold
Reasoning as Intersection: Consensus-Frame Alignment for Visual Focus in Video-MLLMs
中高相关；详见方法、贡献和实验边界。
方法：用视频内生线索构造 consensus frame prior，让 Video-MLLM 学会把推理奖励绑定到证据帧
Improving Visual Token Reduction via Rectifying Distortions for Efficient Multimodal LLM Inference
中高相关；详见方法、贡献和实验边界。
方法：校准视觉 token reduction 后的位置/注意力扭曲，是 SPARE 的强相关对照更新项
MUFASA: A Multi-Layer Framework for Slot Attention
中高相关；详见方法、贡献和实验边界。
方法：把 unsupervised object-centric slot attention 从单层 ViT feature 扩展到多层语义融合
DREAM: Extending Vision-Language Models with Dual-Objective Encoding for Cross-Modal Retrieval
中高相关；详见方法、贡献和实验边界。
方法：双路径 representation enhancement/alignment 做视频检索，方法上涉及视觉-语言表征预训练
Benchmarking Large Vision-Language Models on Fine-Grained Image Tasks: From Evaluation to Diagnosis
中高相关；详见方法、贡献和实验边界。
方法：用 feature-level visual discriminability 诊断 LVLM 细粒度图像失败，适合做表征评测读物
Semantic Robustness Certification for Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：把 VLM 鲁棒性认证从像素/几何扰动推进到语义扰动，和开放词表视觉表征边界有关
LARE: Low-Attention Region Encoding for Text-Image Retrieval
中相关；详见方法、贡献和实验边界。
方法：低注意力区域编码提醒视觉 encoder 的 salience bias 会损害细粒度检索
APT: Atomic Physical Transitions for Causal Video-Language Understanding
中相关；详见方法、贡献和实验边界。
方法：把视频事件拆成可见线索与物理机制绑定的 atomic transitions，适合扫读视频表征
UniTemp: Unlocking Video Generation in Any Temporal Order via Bidirectional Distillation
中相关；详见方法、贡献和实验边界。
方法：任意时间顺序视频生成和 bidirectional distillation 对视频 latent 建模有间接参考
Data-Forcing Distillation: Restoring Diversity and Fidelity in Few-Step Video Generation
中相关；详见方法、贡献和实验边界。
方法：用 teacher score discrepancy 修复 few-step video distillation 的 mode collapse，偏生成但和蒸馏稳定性相关
Expanding SPHERE-JEPA: A Family of Statistical Regularizers for the Hypersphere
高相关；详见方法、贡献和实验边界。
方法：把 SPHERE/LeJEPA 的随机 sliced uniformity 正则改成确定性 hypersphere divergence，是今天最贴近通用 SSL 训练目标的条目
Unified Multimodal Autoregressive Modeling with Shared Context-Visual Tokenizer is Key to Unification
高相关；详见方法、贡献和实验边界。
方法：用共享离散视觉 tokenizer 同时服务理解和生成，直接触及视觉表征空间是否能统一的问题
See First, Answer Later: Visual Evidence Pre-Alignment via Sufficiency-Driven RL
高相关；详见方法、贡献和实验边界。
方法：在预训练和后训练之间加入视觉证据充分性目标，目标是让多模态模型先绑定证据再回答
TivTok: Broadcasting Time-Invariant Tokens for Scalable Video Tokenization
中高相关；详见方法、贡献和实验边界。
方法：把长视频 token 分成跨帧可复用的 time-invariant tokens 和帧特异 residual tokens，适合跟视频预训练效率问题一起读
ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model
中高相关；详见方法、贡献和实验边界。
方法：把 V-JEPA2 式 dense latent prediction 和 VLM 长程语义推理结合，是昨天 TDV/MoFore 后续最自然的更新项
Visuals Lie, Consistency Speaks: Disentangling Spatial Attention from Reliability in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：把 VLM 的视觉 attention 紧凑性和答案可靠性拆开诊断，提醒表征可解释性不能只看显著图
Future Dynamic 3D Reconstruction: A 3D World Model with Disentangled Ego-Motion
中高相关；详见方法、贡献和实验边界。
方法：把未来视频预测提升到 persistent 3D latent reconstruction，并显式解耦 ego-motion 和 scene dynamics
Rethinking Cross-Layer Information Routing in Diffusion Transformers
中高相关；详见方法、贡献和实验边界。
方法：系统诊断 DiT residual stream 的层间信息膨胀、梯度衰减和冗余，对 RAE/DiT 表征空间优化有参考价值
Reinforcing Dual-Path Reasoning in Spatial Vision Language Models
中高相关；详见方法、贡献和实验边界。
方法：把语言推理路径和 detect-then-reason 3D grounding 路径分开训练，适合扫 VLM 视觉证据后训练
LiveStarPro: Proactive Streaming Video Understanding with Hierarchical Memory for Long-Horizon Streams
中高相关；详见方法、贡献和实验边界。
方法：聚焦连续视频流中何时响应、如何保留层级记忆，可作为长视频表征/记忆预算的应用侧读物
RAIGen: Rare Attribute Identification in Text-to-Image Generative Models
中高相关；详见方法、贡献和实验边界。
方法：用 Matryoshka Sparse Autoencoders 做 label-free rare-attribute discovery，和扩散模型内部视觉概念分析有关
Pulling The REINS: Training-Free Safety Alignment of Video Diffusion Models via Representation Steering
中相关；详见方法、贡献和实验边界。
方法：不是 SSL 训练法，但说明安全相关结构可在线性表示方向中分离，适合作为生成模型 hidden representation 读物
Last But Not Least: Boundary Attention CalibratiON for Multimodal KV Cache Compression
中相关；详见方法、贡献和实验边界。
方法：关注 aggressive KV cache 压缩下答案关键视觉 token 的保留问题，和视觉 token selection/long context 直接相关
Beyond Native Success: Auditing Deployment-Interface Exposure of CLIP Backdoors
中相关；详见方法、贡献和实验边界。
方法：从 feature extraction、retrieval、reranking 等部署接口审计 CLIP 后门暴露，安全方向但对复用视觉表征有警示
You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences
高相关；详见方法、贡献和实验边界。
方法：几乎正面挑战 augmentation/masking/cropping 假设，用视频 temporal difference 学视觉表征
Momentum-Guided Semantic Forecasting (MoFore) for Self-Supervised Video Representation Learning
高相关；详见方法、贡献和实验边界。
方法：用 long-range latent forecasting 结合 contrastive regularization 学视频语义表征，是干净的视频 SSL 条目
Distilling Drifting Transformers with Representation Autoencoders
高相关；详见方法、贡献和实验边界。
方法：接续 RAE/DiT 热点，讨论 DINO-rich latent 的曲率/各向异性如何影响 flow/distillation
Selective Synergistic Learning for Video Object-Centric Learning
高相关；详见方法、贡献和实验边界。
方法：对 slot-based video object-centric learning 的 dense alignment 代价与错误传播做了针对性改造
Task-Instructed Causal Routing of Vision Foundation Models for Multi-Task Learning
中高相关；详见方法、贡献和实验边界。
方法：把多个 frozen VFMs 当专家，用任务指令和 counterfactual loss 做 token-level 路由
Beyond Scalar Distances: Semantic Attribute Gradients from Frozen MLLMs for Visual Embeddings
中高相关；详见方法、贡献和实验边界。
方法：用冻结 MLLM 的属性级判断来训练视觉 encoder，比传统 scalar metric loss 更细
Cascaded Sparse Autoencoders Learn Multi-Level Visual Concepts in Multimodal LLMs
中高相关；详见方法、贡献和实验边界。
方法：用 cascaded sparse autoencoders 在 MLLM 内部学习分层视觉概念，直连自监督表征可解释性
MVEB: Massive Video Embedding Benchmark
中高相关；详见方法、贡献和实验边界。
方法：23-task video embedding benchmark，给视频表征模型提供统一评测面
What Should a Streaming Video Model Remember?
中高相关；详见方法、贡献和实验边界。
方法：讨论流式视频模型到底该保留哪些 latent evidence，贴近长视频表征和 token/memory 压缩
Thinking with Visual Grounding
中高相关；详见方法、贡献和实验边界。
方法：把 VLM reasoning traces 绑定到点/框视觉证据，属于可扩展视觉 grounding 监督
DifFRACT: Diffusion Feature Reconstruction and Attribution for Circuit Tracing
中高相关；详见方法、贡献和实验边界。
方法：把 transcoder circuit tracing 扩展到 FLUX 类 MM-DiT，解释 denoising 过程中的语义传播
LOCUS: Local Visual Cue Search for Enhancing Fine-Grained Perception in Multimodal Large Language Models
中相关；详见方法、贡献和实验边界。
方法：训练时用局部 crop cue 教 MLLM 找回 full image 支持区域，改善细粒度证据选择
Position: The Systemic Lack of Agency in Visual Reasoning
中相关；详见方法、贡献和实验边界。
方法：ICML 2026 接收的视觉推理 position paper，强调 VLM 缺少主动视觉探索能力
RepFusion: Leveraging Multimodal Priors for Denoising in Representation Space
高相关；详见方法、贡献和实验边界。
方法：把 RAE 视觉表征空间里的 denoising 交给 MLLM 先验，是“语义 latent + 生成预训练”的强信号
TSA: Temporal Slot Activation for Persistent Object-Centric Video Representation
高相关；详见方法、贡献和实验边界。
方法：无监督视频 object-centric 表征，直接处理遮挡/缺席时 slot 漂移和错误重建耦合
S$^2$COPE: Self-Supervised Concept Discovery via Preference Learning
高相关；详见方法、贡献和实验边界。
方法：用 VLLM 主动假设/验证/强化视觉属性，尝试让可解释概念从自监督偏好循环中出现
RATS! Patches Talk Through Registers: Emergent Parts in Register Attention Transformers
高相关；详见方法、贡献和实验边界。
方法：让自监督视觉模型通过 register bottleneck 自发形成 proto-semantic parts，兼顾结构和解释性
Learning What to Predict: Downstream-Guided Task Design for Continued Pretraining
高相关；详见方法、贡献和实验边界。
方法：V-pretraining 用少量下游反馈设计无标签 batch 的 targets/views/masks，直接影响自监督预训练目标选择
ViT-Up: Faithful Feature Upsampling for Vision Transformers
中高相关；详见方法、贡献和实验边界。
方法：不训练新 backbone，而是让低分辨率 ViT/DINO 特征在连续坐标上忠实上采样，服务 dense transfer
Temporal Straightening for Latent Planning
中高相关；详见方法、贡献和实验边界。
方法：ICML 2026 camera-ready；把 JEPA latent trajectory 的曲率正则化与可规划视觉表征联系起来
Self-Evolving Visual Questioner
中高相关；详见方法、贡献和实验边界。
方法：VLM 自己生成并过滤更难、更视觉中心的问题，再同时训练 questioner/answerer，属于视觉-语言自监督后训练
Mirage Probes: How Vision Models Fake Visual Understanding
中高相关；详见方法、贡献和实验边界。
方法：用 contrastive probes 区分语言先验回答和 latent spurious-image mirage，对视觉 grounding 诊断有价值
Gaze Heads: How VLMs Look at What They Describe
中高相关；详见方法、贡献和实验边界。
方法：识别 VLM 语言 backbone 中追踪当前描述图像区域的 gaze heads，并可用 attention-mask 干预转移描述区域
What Drives Test-Time Adaptation for CLIP? A Controlled Empirical Study from an Update Perspective
中相关；详见方法、贡献和实验边界。
方法：系统拆解 TTA4CLIP 的更新范式，帮助判断 CLIP/VLM 表征在分布偏移下到底靠什么适应
CausalMotion: Structured Physical Reasoning as Keyframe and Trajectory Guidance for Training-Free Video Generation
中相关；详见方法、贡献和实验边界。
方法：用 VLM 生成 causally consistent keyframes 和 object-centric trajectories 约束视频扩散，偏生成但有结构表征信号
V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning
高相关；详见方法、贡献和实验边界。
方法：V-JEPA 系列更新到 dense image/video features，把 masked predictive loss、深层自监督和图像/视频 tokenizer 统一到同一表征路线
Dual-State Slot Attention: Decoupling Appearance and Identity for Video Object-Centric Learning
高相关；详见方法、贡献和实验边界。
方法：纯粹面向无监督视频 object-centric 表征，把 appearance 和 identity 拆成双状态 slot，直接命中视频自监督表示
Cross-Modal Masked Compositional Concept Modeling for Enhancing Visio-Linguistic Compositionality
高相关；详见方法、贡献和实验边界。
方法：用跨模态 masked concept reconstruction 改造 CLIP/VLM compositionality，是视觉-语言自监督/弱监督表征的可迁移目标
HYDRA-X: Native Unified Multimodal Models with Holistic Visual Tokenizers
高相关；详见方法、贡献和实验边界。
方法：把图像和视频 tokenization 放进同一个 ViT tokenizer，并用教师监督塑形 compact latent，是统一视觉 token 表征路线
RepWAM: World Action Modeling with Representation Visual-Action Tokenizers
中高相关；详见方法、贡献和实验边界。
方法：把 WAM 从重建型视频 tokenizer 转到 representation-centric visual-action tokenizer，虽偏具身，但方法可迁移到视频 world model 表征
Modality Forcing for Scalable Spatial Generation
中高相关；详见方法、贡献和实验边界。
方法：把 T2I 预训练的空间先验转成 image-depth 联合生成/估计，支持“生成式预训练可扩展到空间感知”的判断
MaskWAM: Unifying Mask Prompting and Prediction for World-Action Models
中高相关；详见方法、贡献和实验边界。
方法：把 mask 同时作为 WAM 输入提示和预测目标，给 world-action model 加 object-centric semantic supervision
GeoWorld-VLM: Geometry from World Models for Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：用冻结 camera-conditioned video world model 作为几何 teacher 来蒸馏 VLM 视觉通路，是 world-model-as-teacher 的典型案例
EPM-JEPA: Operator-Side Experience Modulation in JEPA-Family World Models
中相关；详见方法、贡献和实验边界。
方法：单独讨论 JEPA predictor 如何在测试分布偏移时吸收经验，结论偏机制分析但主题很对
ECA: Efficient Continual Alignment for Open-Ended Image-to-Text Generation
中相关；详见方法、贡献和实验边界。
方法：ICML 2026 接收；关注预训练 VLM alignment module 的持续适应，和长期维护图文表征相关
Latent Spatial Memory for Video World Models
高相关；详见方法、贡献和实验边界。
方法：把视频 world model 的跨帧记忆从 RGB/点云搬到 diffusion latent，直接触及可复用视觉 latent 与长期一致性
MaskAlign: Token-Subset Representation Alignment for Efficient Diffusion Training
高相关；详见方法、贡献和实验边界。
方法：明确使用自监督视觉 encoder 的 clean-image representation 监督 diffusion features，并讨论 token-level 对齐偏差
SMI: Efficient Self-Supervised Learning via Mutual-Information-Inspired Dependency Optimization
高相关；详见方法、贡献和实验边界。
方法：少数直接面向图像 SSL objective 的新作，目标是降低大 batch、memory bank、momentum encoder 等训练复杂度
FF-JEPA: Long-Horizon Planning in World Models with Latent Planners
中高相关；详见方法、贡献和实验边界。
方法：把 JEPA latent dynamics 用到更长程规划，并引入 action-free latent planner 作为子目标预测器
MilliVid: Hierarchical Latents for Long-Range Consistency in Video Generation
中高相关；详见方法、贡献和实验边界。
方法：用层级 frame tokens 处理视频长程一致性，和视觉 tokenizer/RAE/world model 的 latent 设计高度相关
ATM: Action-Consistency Transfer Matrix for Diagnosing and Improving Latent World Models
中高相关；详见方法、贡献和实验边界。
方法：不是新 SSL 训练法，但给 latent world model 的表征/转移质量提供快速诊断
Echo-Memory: A Controlled Study of Memory in Action World Models
中高相关；详见方法、贡献和实验边界。
方法：系统隔离视频 action-world-model 的记忆机制，对长期视觉一致性评估有参考价值
Prisma-World: Camera-Controllable Multi-Agent Video World Model
中相关；详见方法、贡献和实验边界。
方法：多 agent 共享场景的一致性问题与多视角视觉 latent/几何对齐相关，但更偏可控生成系统
Securing Self-supervised Data Curation for Foundation Models Robustness
中相关；详见方法、贡献和实验边界。
方法：关注 SSL-curated foundation-model 数据的投毒检测，方法不一定新，但问题对大规模自监督预训练重要
Thinking Without Images: Internalizing Visual Manipulation with On-Policy Self-Distillation
中相关；详见方法、贡献和实验边界。
方法：通过 on-policy self-distillation 内化局部视觉证据查看过程，和 VLM 视觉推理/自蒸馏有关
Test-Time Scaling in Multimodal Foundation Models: A Comprehensive Survey of Generation and Reasoning
中相关；详见方法、贡献和实验边界。
方法：会议状态明确，但它是 survey；适合用来快速定位多模态推理/生成 inference-time scaling，而非精读 SSL 方法
Next Forcing: Causal World Modeling with Multi-Chunk Prediction
高相关；详见方法、贡献和实验边界。
方法：用多未来 chunk 预测给 causal video world model 更密集的时间监督，和视频自监督/latent prediction 主线高度相关
IDEAL: In-DEpth ALignment Makes A Discrete Representation AutoEncoder
高相关；详见方法、贡献和实验边界。
方法：直接面向 VFM-based RAE 的离散 latent：同时对齐浅层细节与深层语义，适合优先精读
ARM: An AutoRegressive Large Multimodal Model with Unified Discrete Representations
高相关；详见方法、贡献和实验边界。
方法：训练离散语义视觉 tokenizer，并把图像理解、生成、编辑统一到 next-token prediction
Can Image Models Imagine Time? ImageTime
高相关；详见方法、贡献和实验边界。
方法：用四关键帧时序一致性 probe 静态图像生成模型的 visual world modeling 能力
BiWM: Advancing Open-Source Interactive Video World Models with Bidirectional Autoregression
高相关；详见方法、贡献和实验边界。
方法：从预训练视频 backbone 出发做双向自回归交互 world model，补充 Next Forcing 的 causal 路线
Let ViT Speak: Generative Language-Image Pre-training
高相关；详见方法、贡献和实验边界。
方法：GenLIP 用语言建模目标预训练 ViT，不走对比 batch 或额外 text decoder，是视觉语言预训练目标的重要更新
When to Align, When to Predict: A Phase Diagram for Multimodal Learning
中高相关；详见方法、贡献和实验边界。
方法：给 cross-modal alignment vs prediction 一个相图，用于判断图文/多模态自监督目标何时该对齐、何时该预测
Cross-Modal Knowledge Distillation without Paired Data
中高相关；详见方法、贡献和实验边界。
方法：无配对跨模态蒸馏，把 teacher/student 差异拆成 feature alignment 和 label alignment
SARA: Semantically Adaptive Relational Alignment for Video Diffusion Models
中高相关；详见方法、贡献和实验边界。
方法：用冻结 VFM 的 token-relation distillation 和文本条件 saliency 改善视频扩散的语义对齐
Beyond Model Size: Probing the Gaps in Visual in-Context Learning by Training a Tiny Model
中高相关；详见方法、贡献和实验边界。
方法：用 1M 参数 tiny VICL 模型反证“大模型规模=视觉 in-context 能力”的评估假设
Quo Vadis, Visual In-Context Learning? A Unified Benchmark Across Domains and Tasks
中高相关；详见方法、贡献和实验边界。
方法：VIBE 覆盖 14 数据集、12 任务，系统测试视觉 in-context model 是否真的能跨任务/域适应
One Token per Multimodal Evidence: Latent Memory for Resource-Constrained QA
中相关；详见方法、贡献和实验边界。
方法：把图文 evidence 压成单个 latent token，用重建、对比和蒸馏训练，偏 VLM memory 但对视觉 latent 接口有参考
Mitigating Manifold Departure: Uncertainty-Aware Subspace Rectification for Trustworthy MLLM Decoding
中相关；详见方法、贡献和实验边界。
方法：ICML regular；从 hidden-state 子空间角度减少 VLM 语言先验幻觉，适合作为视觉证据读出诊断扫读
What Makes Video World Model Latents Action-Relevant: Prediction over Reconstruction
高相关；详见方法、贡献和实验边界。
方法：直接比较 image-only SSL、VideoMAE/V-JEPA、autoencoder、diffusion 等预训练信号，回答哪些 latent 真正携带 action-relevant 视频结构
Do Video Foundation Models Understand Intuitive Physics? A Layerwise Probing Analysis
高相关；详见方法、贡献和实验边界。
方法：冻结 V-JEPA、VideoMAE、video diffusion 等模型逐层 probing 物理常识，适合判断视频 SSL 表征是否学到动态规律
Evaluating the Representation Space of Diffusion Models via Self-Supervised Principles
高相关；详见方法、贡献和实验边界。
方法：用 SSL 的 invariant/residual 分解来评估 diffusion feature，是连接生成模型与视觉自监督表示几何的高价值诊断
A Mixed Diet Makes DINO An Omnivorous Vision Encoder
高相关；详见方法、贡献和实验边界。
方法：用 DINOv2 teacher distillation 与跨 RGB/depth/segmentation 对齐，把单一视觉 encoder 推向 modality-agnostic feature space
Self-Supervised Learning with a Multi-Task Latent Space Objective
高相关；详见方法、贡献和实验边界。
方法：直接针对 BYOL/SimSiam/MoCo v3 的 multi-crop instability，把不同空间变换视为不同 latent alignment task
Neural Field Tokenizations with Hierarchy and Spatial Locality Priors
中高相关；详见方法、贡献和实验边界。
方法：把连续信号 neural fields 变成层次化 token 表征，对图像、视频、3D/implicit representation 的统一 tokenization 有启发
Vision-Language Asymmetry in Bistable Image Captioning
中高相关；详见方法、贡献和实验边界。
方法：在 LLaVA 消费的 CLIP 层训练 TopK SAE，分析 ambiguous image captioning 中 vision tower 与 language head 的不对称
Late-Layer Fusion is Enough: Dual-Path Vision Token Routing for Multimodal Large Language Models under Visual Saturation
中高相关；详见方法、贡献和实验边界。
方法：指出 vision tokens 在 MLLM 中层后趋于饱和，提供视觉 token 深层路由/迟融合的表征接口诊断
The Cross-Architecture Substrate: A Domain-Transcendent, Calibration-Surviving Geometric Invariant of Modern Vision Encoders
中相关；详见方法、贡献和实验边界。
方法：声称不同训练范式的 vision encoders 收敛到共享低维几何子空间，若成立，对表征相似性和迁移评估很有参考
Look Less, Reason More: Block-wise Attention Skipping for Efficient Multimodal LLMs
中相关；详见方法、贡献和实验边界。
方法：同样围绕 visual attention saturation，但更偏 training-free inference efficiency；适合和 DPVR-LF 对照扫读
AdaTok: Self-Budgeting Image Tokenization with Quality-Preserving Dynamic Tokens
高相关；详见方法、贡献和实验边界。
方法：把离散 1D image tokenizer 的 token budget 学成内容条件输出，连接 visual tokenization、latent compression 和 AR image generation
TEVI: Text-Conditioned Editing of Visual Representations via Sparse Autoencoders for Improved Vision-Language Alignment
高相关；详见方法、贡献和实验边界。
方法：用 caption-conditioned sparse autoencoder editing 精简 CLIP image embedding，直接服务图文表征对齐
Inside the Visual Mind: Neuroscience-Motivated Concept Circuits for Interpreting and Steering Vision Transformers
高相关；详见方法、贡献和实验边界。
方法：ViSAE 把 SAE 概念分解、自动解释和 causal circuit tracing 接到 ViT，是理解/steering 视觉表征的高价值工具
Lighting-Aware Representation Learning under Controllable Lighting Variation
高相关；详见方法、贡献和实验边界。
方法：把光照变化从“要被增强抹掉的 nuisance”改成显式训练信号，扩展 contrastive visual representation learning
MotionEnhancer: Leveraging Video Diffusion for Motion-Enhanced Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：从 video diffusion model 蒸馏 motion attention prior 给 video VLM，适合跟踪视频表征和生成模型监督的交叉
Diagnosing Visual Ignorance in Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：用层替换、MLP probing 和视觉衰减指标诊断 VLM 如何丢失视觉证据，是 V-L 自监督评估的强信号
Generalization of Diffusion Models Arises with a Balanced Representation Space
中高相关；详见方法、贡献和实验边界。
方法：从 representation geometry 解释 diffusion memorization/generalization，对 latent diffusion 与 RAE 线索有理论参考
Breaking the Lock-in: Diversifying Text-to-Image Generation via Representation Modulation
中相关；详见方法、贡献和实验边界。
方法：在 diffusion transformer 中对早期 DC feature 做 training-free modulation，说明生成多样性也可从表征频率成分入手
The Dual Mechanisms of Spatial Variable Binding in Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：指出 VLM spatial binding 的主信号来自 vision encoder 的全局 token 表征，适合作为 VLM 表征诊断读物
Implicit Data Synthesis for Contrastive Unsupervised Data Augmentation
中相关；详见方法、贡献和实验边界。
方法：用网络权重扰动替代数据扰动生成 contrastive samples，实验偏雷达科学数据，但思想可迁移
From Static to Dynamic: Exploring Self-supervised Image-to-Video Representation Transfer Learning
高相关；详见方法、贡献和实验边界。
方法：冻结 image-pretrained encoder，只学轻量投影并同时优化时序一致性与跨视频语义分离，直接切中视频表征迁移
PyraTok: Language-Aligned Pyramidal Tokenizer for Video Understanding and Generation
高相关；详见方法、贡献和实验边界。
方法：多尺度语言对齐 video tokenizer 同时提升重建、生成和 zero-shot 视频理解，是今天最值得跟的 tokenization 工作
MacTok: Robust Continuous Tokenization for Image Generation
高相关；详见方法、贡献和实验边界。
方法：用 masking 与 DINO-guided semantic masking 防止连续 tokenizer posterior collapse，对紧凑图像 latent 表征很关键
Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective
高相关；详见方法、贡献和实验边界。
方法：从频率角度解释高维 autoencoder latent 的生成困难，并提出不改 autoencoder 的 FreqWarm 训练策略
3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds
高相关；详见方法、贡献和实验边界。
方法：用普通视频生成点云再做 3D SSL，给“视频作为 3D 表征预训练数据源”提供强证据
E-RayZer: Self-supervised 3D Reconstruction as Spatial Visual Pre-training
高相关；详见方法、贡献和实验边界。
方法：把 self-supervised 3D reconstruction 显式作为 spatial visual pre-training，补齐 2D/video SSL 到 3D-aware 表征的桥
VideoSSR: Video Self-Supervised Reinforcement Learning
中高相关；详见方法、贡献和实验边界。
方法：用视频内生 pretext tasks 构造 RLVR 训练数据，对 video MLLM 的自监督后训练有直接参考
Progressive Mask Distillation for Self-supervised Video Representation
中高相关；详见方法、贡献和实验边界。
方法：动态 mask ratio + progressive distillation，是今天最标准的 masked video SSL 论文，但暂未定位到 arXiv ID
CORE: Compact Object-centric REpresentations as a New Paradigm for Token Merging in LVLMs
中高相关；详见方法、贡献和实验边界。
方法：用 object masks 引导 LVLM token merging，说明高层 object-centric 表征比纯几何压缩更稳
SynCLIP: Synonym-Coherent Language-Image Pretraining for Robust Open-Vocabulary Dense Perception
中相关；详见方法、贡献和实验边界。
方法：属于 CLIP dense perception 对齐增强；对通用 V-L 表征有参考，但更偏 OVDP 下游鲁棒性
Scaling Dense Event-Stream Pretraining from Visual Foundation Models
中相关；详见方法、贡献和实验边界。
方法：event camera 模态较专，但 VFM 蒸馏到异构视觉流的结构对齐思路可迁移
Learning Geometric Representations from Videos for Spatial Intelligent Multimodal Large Language Models
高相关；详见方法、贡献和实验边界。
方法：GeoVR 用纯 2D video 与 3D foundation teacher 重塑 MLLM 几何表征，是今天最强的视频/空间表征候选
Balancing Image Compression and Generation with Bootstrapped Tokenization
高相关；详见方法、贡献和实验边界。
方法：SelfBootTok 把视觉 token 分成 global/local 组，并用 self-bootstrapping 让 tokenizer 承担局部细节学习
Imagine Before You Predict: Interleaved Latent Visual Reasoning for Video Event Prediction
高相关；详见方法、贡献和实验边界。
方法：Future-L1 让视频 MLLM 在生成中交替使用语言 token 与连续视觉 latent span，针对视觉语义被文本化损失的问题
The Invisible Hand of Physics: When Video Diffusion Models Know More Than They Show
高相关；详见方法、贡献和实验边界。
方法：通过反演视频扩散轨迹发现物理可行性可从 DiT 状态线性解码，提示生成式预训练隐含视觉物理表征
ActiveMimic: Egocentric Video Pretraining with Active Perception
中高相关；详见方法、贡献和实验边界。
方法：从人类第一视角视频恢复相机/手腕轨迹，把主动感知当作预训练信号；虽偏机器人，但对视频 SSL 有迁移价值
Learning Visual Spatial Planning from Symbolic State via Modality-Gap-Aware Self-Distillation
中高相关；详见方法、贡献和实验边界。
方法：MGSD 用符号状态 teacher 做训练期特权监督，改善纯视觉推理中的 state recovery 与多步规划
ViCuR: Visual Cues as Recoverable Privilege for Multimodal On-Policy Distillation
中高相关；详见方法、贡献和实验边界。
方法：用视觉 cues 而不是答案侧 rationale 做 privileged teacher，避免多模态蒸馏学习不可恢复捷径
Cosine Misleads: Auxiliary Losses Reshape Vision Language Models, Not Their Latents
中高相关；详见方法、贡献和实验边界。
方法：诊断 latent visual reasoning 中 cosine/MSE 对齐指标可能反向误导，提醒看 load-bearing latent 而非表面相似度
HyperVis: Continuous Latent Visual Relational Graphs on the Lorentz Hyperboloid for Compositional Reasoning
中高相关；详见方法、贡献和实验边界。
方法：用连续视觉关系张量与双曲几何替代离散 scene graph 文本瓶颈，直接塑形 VLM 关系表征
Mechanistic Insights into Functional Sparsity in Multimodal LLMs via CoRe Heads
中高相关；详见方法、贡献和实验边界。
方法：从 attention head 层面定位 MLLM 的 query-relevant visual feature retrieval 机制，可诊断视觉表征如何被读取
Knowledge Distillation for Visual Autoregressive Models
中相关；详见方法、贡献和实验边界。
方法：VarKD 是视觉 AR 模型 distillation 系统研究，更多服务生成模型压缩，但涉及 visual token ambiguity
BRepCLIP: Contrastive Multimodal Pretraining on BRep Primitives for CAD Understanding
中相关；详见方法、贡献和实验边界。
方法：CAD 垂直领域，但“结构 token + CLIP 对齐”的 contrastive multimodal pretraining 对 3D/结构视觉表征有迁移启发
VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding
中相关；详见方法、贡献和实验边界。
方法：ICML Spotlight 的视频推理数据与评测工作；不是 SSL 目标，但对视频 foundation model 评估有参考
Geometry-Preserving Unsupervised Alignment for Heterogeneous Foundation Models
高相关；详见方法、贡献和实验边界。
方法：用无监督正交映射连接 VFM 几何空间与 VLM 语义空间，是今天最直接服务通用视觉表征融合的论文
KODA: Contrastive Representation Comparison and Alignment for Vision-Language Foundation Models
高相关；详见方法、贡献和实验边界。
方法：给 CLIP/SigLIP 等 VLM 表征提供可解释的差异发现和对齐工具，适合作为 foundation feature 诊断方法
Continual Visual and Verbal Learning Through a Child's Egocentric Input
高相关；详见方法、贡献和实验边界。
方法：BabyCL 用单遍时间流、视觉表征学习和图文对比损失模拟真实连续经验，比离线 shuffle 训练更接近通用学习设定
The Loss Is Not Enough: Sampling Conditions and Inductive Bias in Contrastive Representation Learning
高相关；详见方法、贡献和实验边界。
方法：从正样本采样 support 条件解释 contrastive SSL 何时能恢复 latent geometry，补足经验方法的理论边界
RePercENT: Scaling Disentangled Representation Learning Beyond Two Modalities
高相关；详见方法、贡献和实验边界。
方法：面向多于两种模态的自监督解耦表示，直接处理共享因子与模态特异因子的可扩展分解
ChannelTok: Efficient Flexible-Length Vision Tokenization
高相关；详见方法、贡献和实验边界。
方法：把 latent channel 当视觉 token，训练时随机丢尾通道形成按语义重要性排序的可变长视觉 tokenizer
Stateful Visual Encoders for Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：让视觉编码器在多图/多轮中带状态，解决变化信息在进入 LLM 前被独立编码抹平的问题
Scene-Centric Unsupervised Video Panoptic Segmentation
中高相关；详见方法、贡献和实验边界。
方法：VideoCUPS 用无监督深度、运动和视觉 cues 生成时序一致伪标签，是视频无监督场景理解的重要扩展
Who Needs Labels? Adapting Vision Foundation Models With the Metadata You Already Have
中高相关；详见方法、贡献和实验边界。
方法：FINO 用元数据指导自监督适配 VFM，虽然实验偏科学域，但“无标签元数据适配”方法可迁移
Intra-Modal Neighbors Never Lie: Rectifying Inter-Modal Noisy Correspondence via Graph-Based Intra-Modal Reasoning
中高相关；详见方法、贡献和实验边界。
方法：面向网页图文噪声配对，用同模态邻域生成软监督目标，对大规模 image-text 预训练很实用
Video2LoRA: Parametric Video Internalization for Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：把视频编码为 LoRA 参数，让 VLM 查询时不再携带视觉 token，适合关注长视频 token 压缩的人扫读
Hyper-ICL: Attention Calibration with Hyperbolic Anchor Distillation for Multimodal In-Context Learning
中相关；详见方法、贡献和实验边界。
方法：用 logit/attention 校准和 hyperbolic anchor distillation 复现多模态 demonstrations 的效果，偏 MLLM 推理效率
M$^3$Eval: Multi-Modal Memory Evaluation through Cognitively-Grounded Video Tasks
中相关；详见方法、贡献和实验边界。
方法：长视频多模态记忆 benchmark，揭示模型难以保持并行视频流的解耦记忆和时间来源归因
$A^2$: Smaller Self-Supervised ViTs Localize Better than Larger Ones
高相关；详见方法、贡献和实验边界。
方法：直接分析自监督 ViT 注意力定位的逆 scaling 现象，并用小模型定位 + 大模型嵌入做无训练增强
IdEst: Assessing Self-Supervised Learning Representations via Intrinsic Dimension
高相关；详见方法、贡献和实验边界。
方法：用 MST intrinsic dimension 作为 SSL 表征质量代理，目标是减少 linear probe 成本和超参敏感性
PRISM: Synergizing Vision Foundation Models via Self-organized Expert Specialization
高相关；详见方法、贡献和实验边界。
方法：面向多个 VFM 的模块化 MoE 蒸馏/融合，处理 monolithic distillation 的负迁移
Beyond Compression: Quantifying Spectral Accessibility in Vision Representations
高相关；详见方法、贡献和实验边界。
方法：用频域 recoverability 诊断 CLIP/DINOv2 表征在投影、池化和层深中的信息损失
Formalizing the Binding Problem
中高相关；详见方法、贡献和实验边界。
方法：用信息论 probing 测量 ViT 表征是否知道“哪些属性属于同一对象”，补充全局几何指标
Visual Instruction Tuning Aligns Modalities through Abstraction
中高相关；详见方法、贡献和实验边界。
方法：说明视觉 instruction tuning 主要把视觉特征接入 LLM 中间语义层，对多模态表征对齐有诊断价值
Cosmos 3: Omnimodal World Models for Physical AI
中高相关；详见方法、贡献和实验边界。
方法：大规模 omnimodal world model 同时处理语言、图像、视频、音频和 action，是通用视频/世界模型预训练的重要系统信号
Where Do We (Not) Need Temporal Context in Low-Resource Video Task Adaptation?
中相关；详见方法、贡献和实验边界。
方法：系统比较 image-pretrained 与 video representation 的 PEFT/probing，回答低资源视频适配中 temporal context 放在哪里
Attend to Anything: Foundation Model for Unified Human Attention Modeling
中相关；详见方法、贡献和实验边界。
方法：统一图像、视频、音视频注意力/显著性建模，虽偏任务模型，但可作为视觉 attention 表征基准
Benchmarking Visual State Tracking in Multimodal Video Understanding
中相关；详见方法、贡献和实验边界。
方法：VSTAT 评测长视频状态追踪，揭示 MLLM 文字推理正确但视觉事件感知不足的问题
VISReg: Variance-Invariance-Sketching Regularization for JEPA training
高相关；详见方法、贡献和实验边界。
方法：直接改进 JEPA/SSL 防 collapse 正则化，并报告 ImageNet-22K 下接近 DINOv2 OOD 表现
UR-JEPA: Uniform Rectifiability as a Regularizer for Joint-Embedding Predictive Architectures
高相关；详见方法、贡献和实验边界。
方法：同样针对 JEPA collapse，但从低维流形/rectifiability 角度替代 isotropic Gaussian 先验
Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders
高相关；详见方法、贡献和实验边界。
方法：面向视觉基础模型的近线性 2D spatial propagation encoder，目标是降低大分辨率预训练成本
Decomposed On-Policy Distillation for Vision-Language Reasoning: Steering Gradients for Visual Grounding
高相关；详见方法、贡献和实验边界。
方法：把 VLM 蒸馏梯度拆成 language prior 与 visual grounding，直接处理视觉证据被语言先验淹没的问题
V-LynX: Token Interface Alignment for Video+X LLMs
高相关；详见方法、贡献和实验边界。
方法：提出 Video LLM 内部存在可复用 token interface，用未配对单模态数据对齐新模态到视频 token 流形
AdaCodec: A Predictive Visual Code for Video MLLMs
中高相关；详见方法、贡献和实验边界。
方法：把视频冗余建模为 reference frame + predictive P-token，直接减少重复视觉 token
EvoCut: Multi-Layer Evolution-Aware Visual Token Compression for Efficient Large Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：从 vision encoder 多层 token 演化方向估计重要性，比单层 attention/相似度压缩更贴近表征形成过程
From Extrinsic to Intrinsic: Geodesic-Guided Representation Learning for 3D Geometric Data
中高相关；详见方法、贡献和实验边界。
方法：用内在 geodesic metric 预训练 3D 表征，强调拓扑/流形结构而非外在坐标或语义标签
SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation
中相关；详见方法、贡献和实验边界。
方法：单帧 RGB-D 下用自监督分解 canonical geometry、part segmentation 与 articulation，方法信号可迁移到对象结构学习
InfoMerge: Information-aware Token Compression for Efficient Video Large Language Models
中相关；详见方法、贡献和实验边界。
方法：训练免费的视频 token compression，用 segment-level temporal fingerprint 估计冗余和内容预算
T-CLIP: Enabling Thermal Perception for Contrastive Language-Image Pretraining
中低相关；详见方法、贡献和实验边界。
方法：热成像是垂直模态，但 dual-LoRA 拆分全局场景与对象热签名的 CLIP adaptation 有方法借鉴价值
Internalizing Temporal Consistency in Video Object-Centric Learning without Explicit Regularization
高相关；详见方法、贡献和实验边界。
方法：把跨帧一致性从显式 slot 对比损失改成模型结构和重建目标，最接近视频自监督表征
SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models
高相关；详见方法、贡献和实验边界。
方法：用细粒度语义 correspondence 直接评估 DINO/CLIP/SAM 类视觉基础模型是否学到可迁移对象结构
Learning from Fine-Grained Visual Discrepancies: Mitigating Multimodal Hallucinations via In-Context Visual Contrastive Optimization
中高相关；详见方法、贡献和实验边界。
方法：把视觉负样本做成同上下文对比训练，关注 VLM 是否真的利用细粒度视觉证据
Diversity Matters: Revisiting Test-Time Compute in Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：分析 VLM 推理时 compute 为什么常失效，结论指向视觉-语言表征/输出多样性不足
Toward Identifiable Sparse Autoencoders
中相关；详见方法、贡献和实验边界。
方法：不是视觉专属，但 sparse autoencoder 稳定性直接影响 DINO/CLIP 等表征解释
ReGuLaR: Relation-Grounded Latent Reasoning for Large Vision-Language Models
中相关；详见方法、贡献和实验边界。
方法：把连续 latent reasoning 绑定到对象和关系证据，对视觉 token/中间表征设计有启发
YARD: Y-Architecture Register Decoding for Efficient Hallucination Mitigation in Large Vision-Language Models
中低相关；详见方法、贡献和实验边界。
方法：训练免费推理方法，但 register token 替代局部视觉 token 的设计可帮助理解视觉证据粒度
RayDer: Scalable Self-Supervised Novel View Synthesis from Real-World Video
高相关；详见方法、贡献和实验边界。
方法：把真实视频动态因素当成可吸收扰动，用单一 transformer 扩展自监督 NVS，并报告清晰 scaling 行为
How can embedding models bind concepts?
高相关；详见方法、贡献和实验边界。
方法：解释 CLIP 类图文 embedding 为什么像 bag-of-concepts，以及组合泛化需要怎样的低复杂度 binding
Representation Forcing for Bottleneck-Free Unified Multimodal Models
高相关；详见方法、贡献和实验边界。
方法：把视觉表示从感知输出变成生成前的中间 token，让统一多模态模型少依赖外部 VAE latent
VisionPulse: Dynamic Visual Sparsity for Efficient Multimodal Reasoning
中高相关；详见方法、贡献和实验边界。
方法：关注 LMM 推理期间视觉 token 的动态有效性，和高分辨率/长上下文视觉表征压缩直接相关
Fixed-Point Masked Generative Modeling
中高相关；详见方法、贡献和实验边界。
方法：把 masked generative modeling 的跨步隐藏状态一致性和自适应深度结合，含 ImageNette 图像实验
Variational Adapter for Cross-modal Similarity Representation
中高相关；详见方法、贡献和实验边界。
方法：把图文相似度从二元匹配边界改成变分潜空间，缓解 false negatives 和跨域泛化问题
MergeTok: Unified Continuous and Discrete Visual Tokenization via Token Merging
中高相关；详见方法、贡献和实验边界。
方法：统一连续 VAE 与离散 VQ 视觉 tokenizer，用 token merging 做语义桥
Beyond Classification: Dynamic Adapter Routing for Continual Multimodal Retrieval
中相关；详见方法、贡献和实验边界。
方法：把 continual learning 从分类改到图文检索，并提出 adapter routing
PEEK: Picking Essential frames via Efficient Knowledge distillation
中相关；详见方法、贡献和实验边界。
方法：用 teacher 视觉-语言模型蒸馏帧重要性，让轻量视觉模型在低帧预算下选关键帧
Interpretability Without Tradeoffs: Disentangling Polysemanticity At Equal Predictive Performance
中相关；详见方法、贡献和实验边界。
方法：无需训练地重组 pretrained DINOv2/ViT 表征来分解 polysemanticity
SLAD : Shared LoRA Adapters for Task Specific Distillation
中高相关；详见方法、贡献和实验边界。
方法：共享 LoRA adapter 减轻 teacher/student 特征错位，适合关注蒸馏式视觉表征压缩
UniNote: A Unified Embedding Model for Multimodal Representation and Ranking
中高相关；详见方法、贡献和实验边界。
方法：contrastive SFT + RL ranking + MRL 的多模态 embedding 方案，工业场景强但表征训练信号可迁移
Geometry-Guided Modeling of Foundation Features Enables Generalizable Object Shape Deformation Learning
中相关；详见方法、贡献和实验边界。
方法：把 foundation features 与模板拓扑、视角聚合结合，关注视觉基础特征如何承载几何泛化
minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models
中相关；详见方法、贡献和实验边界。
方法：把视频 foundation model 改造成可交互 world model 的完整训练链，含 AR 训练和 few-step distillation
VideoMLA: Low-Rank Latent KV Cache for Minute-Scale Autoregressive Video Diffusion
中相关；详见方法、贡献和实验边界。
方法：研究视频基础模型长时序 attention/KV 压缩，对视频预训练效率有间接价值
YoCausal: How Far is Video Generation from World Model? A Causality Perspective
中相关；详见方法、贡献和实验边界。
方法：用真实视频反转构造 causal counterfactual benchmark，适合评估视频 world model 是否学到动态因果
A Geometric View of SRC: Learning Representations for Stable Residual Inference
中低相关；详见方法、贡献和实验边界。
方法：从 residual margin 与 span geometry 讨论表征稳定性，含 masked within-class self-expressiveness 目标
How Much Is a Dataset Worth? Scaling Laws, the Vendi Score, and Matrix Spectral Functions
中低相关；详见方法、贡献和实验边界。
方法：用 ImageNet-scale 子集验证数据多样性/谱函数价值，作为视觉预训练数据筛选背景扫读
Cycle Consistency in Video Object-Centric Learning
高相关；详见方法、贡献和实验边界。
方法：自监督视频 object-centric learning，提出隐式 cycle consistency 避免 slot collapse，直接命中通用视频表征
LoMo: Local Modality Substitution for Deeper Vision-Language Fusion
高相关；详见方法、贡献和实验边界。
方法：用局部模态替换暴露 VLM 对文本/图像载体的表征不等价，适合指导视觉-语言自监督数据与目标设计
Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning
高相关；详见方法、贡献和实验边界。
方法：GASP 用 contrastive correspondence 与 depth consistency 学几何先验，比单纯 3D VQA 微调更接近空间表征预训练
GPIC: A Giant Permissive Image Corpus for Visual Generation
高相关；详见方法、贡献和实验边界。
方法：1 亿训练图像、VLM caption、许可友好与去重安全过滤，适合作为视觉生成/基础模型预训练数据源观察
TRACER: Persistent Regularization for Robust Multimodal Finetuning
中高相关；详见方法、贡献和实验边界。
方法：从多模态 contrastive finetuning 理论解释 self-distillation，并提出 WMA teacher 防止 EMA collapse
PARCEL: Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding
中高相关；详见方法、贡献和实验边界。
方法：把低频 layout anchor 与 elastic query 分工，关注 visual-token representation 在不同预算下如何保持空间与细节
Geometry Matters: 3D Foundation Priors for Learning Semantic Correspondence
中高相关；详见方法、贡献和实验边界。
方法：用 3D foundation priors 补 DINO/Stable Diffusion 2D 特征的几何盲点，适合关注 foundation feature 后训练
Improving CLIP Adaptation by Breaking Tail Alignment for Source-Free Cross-Domain Few-Shot Learning
中高相关；详见方法、贡献和实验边界。
方法：重新解释 CLIP patch-token 对齐：低语义 tail tokens 不应强行贴近文本，提示对比表征微调要更细粒度
EarlyTom: Early Token Compression Completes Fast Video Understanding
中相关；详见方法、贡献和实验边界。
方法：训练-free 地在视觉编码器内部早期压缩 video tokens，补足只在 LLM 前压缩的效率盲点
Deep Psychovisual Image Representations
中相关；详见方法、贡献和实验边界。
方法：学习频域 psychovisual-style abstraction，提供可解释中间图像表征路线，和常规 CNN/ViT 堆叠形成互补
Learning Representations from 3D Gaussian Splats
中相关；详见方法、贡献和实验边界。
方法：系统比较 3DGS 场景表示上的 latent representation、linear probing 与 clustering，连接 3D 表征与视图合成资产
Veda: Scalable Video Diffusion via Distilled Sparse Attention
中相关；详见方法、贡献和实验边界。
方法：把 full attention 蒸馏成 tile-wise sparse attention，主要服务视频生成扩展，但可借鉴到视频预训练计算结构
Grounded 3D-Aware Spatial Vision-Language Modeling
中相关；详见方法、贡献和实验边界。
方法：GR3D 将显式/隐式 2D grounding 与 monocular 3D grounding 统一，偏 VLM 空间推理但对 grounding 表征有参考
OccamToken: Efficient VLM Inference with Training-Free and Budget-Adaptive Token Pruning
中低相关；详见方法、贡献和实验边界。
方法：用 register-anchored relative evidence testing 做训练-free token pruning，适合和 PARCEL/EarlyTom 对照扫读
Why Far Looks Up: Probing Spatial Representation in Vision-Language Models
中低相关；详见方法、贡献和实验边界。
方法：用最小 contrastive pairs 诊断 VLM embedding 的垂直-距离纠缠，是空间表征偏置分析
From Pixels to Words -- Towards Native One-Vision Models at Scale
高相关；详见方法、贡献和实验边界。
方法：原生 pixels-to-words one-vision 模型，直接挑战“预训练视觉 encoder + LLM adapter”的主流 VLM 拼接范式
Which Pretraining Paradigm Better Serves Spatial Intelligence? An Empirical Comparison of Vision-Language and Video Generation Models
高相关；详见方法、贡献和实验边界。
方法：用 frozen-feature probing 比较 VLM 与 VGM 表征，直接回答语义与几何信息分别从哪类预训练来
Representation-Conditioned Diffusion Models for Guided Training Data Generation
高相关；详见方法、贡献和实验边界。
方法：用 DINOv2/DINOv3/CLIP 表征条件化扩散模型合成训练数据，把通用视觉表征变成数据生成控制变量
Beyond Surrogate Gradients: Fully Differentiable Token Pruning for Vision-Language Models
中高相关；详见方法、贡献和实验边界。
方法：DiffPrune 直接在 visual token representation 上学习可微信息节流，服务 VLM 计算预算
AdaMerge: Salience-Aware Adaptive Token Merging for Training-Free Acceleration of Vision Transformers
中高相关；详见方法、贡献和实验边界。
方法：训练-free ViT token merging，把 token 重要性和层级冗余纳入合并决策
SIGMA: Bridging Structural and Distributional Gaps for Vision Foundation Model Adaptation
中高相关；详见方法、贡献和实验边界。
方法：面向 dense prediction 的 VFM 参数高效适配，关注结构尺度差异和分布对齐
Pix2Key: Controllable Open-Vocabulary Retrieval with Semantic Decomposition and Self-Supervised Visual Dictionary Learning
中高相关；详见方法、贡献和实验边界。
方法：ICML 2026 官方索引确认；自监督视觉 dictionary 用于细粒度 composed image retrieval
ROVER: Routing Object-Centric Visual Evidence for Grounded Multi-Image Reasoning
中相关；详见方法、贡献和实验边界。
方法：object-centric evidence routing，把局部 grounding 证据压入可复用 visual working space
Self-Prophetic Decoding to Unlock Visual Search in LVLMs
中相关；详见方法、贡献和实验边界。
方法：训练-free visual search decoding，用预训练 LVLM 单步能力修复后训练后的多步干扰
Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning
中相关；详见方法、贡献和实验边界。
方法：让语言模型决定何时调用视觉感知模块，适合观察“视觉证据何时进入推理链”
Beyond Interpretability: When, Why, and How Sparse Autoencoders Enable Label-Free Visual Steering
中相关；详见方法、贡献和实验边界。
方法：在 CLIP image encoder 激活上训练 SAE 并做 label-free steering，连接可解释性与可操作视觉表征
Understanding Self-Supervised Learning via Latent Distribution Matching
中相关；详见方法、贡献和实验边界。
方法：将 SSL 统一为 alignment + latent entropy 的分布匹配视角，理论价值高但视觉实验需看正文
Proprio: Latent Self-Scoring and Inference-Time Refinement for Physically Plausible Video Generation
中相关；详见方法、贡献和实验边界。
方法：冻结视频生成模型用 latent perturbation residual 自评分，体现生成模型内部表征的物理一致性信号
RE-TRIANGLE: Does TRIANGLE Enable Multimodal Alignment Beyond Cosine Similarity in Retrieval?
中相关；详见方法、贡献和实验边界。
方法：复现实验检查 hypersphere triplet area 几何对齐是否稳健，适合和 VLM embedding 几何一起扫
OmniVerifier-M1: Multimodal Meta-Verifier with Explicit Structured Recalibration
中相关；详见方法、贡献和实验边界。
方法：visual verifier 用结构化 meta-verification 和解耦 RL，偏验证器但影响 VLM 训练反馈
A self-supervised learning approach to deep filter banks for texture recognition
中低相关；详见方法、贡献和实验边界。
方法：轻量卷积 autoencoder + Fisher pooling 的纹理 SSL，任务偏窄但可作为低算力 SSL 参考
SPHERE-JEPA: Spherical Prediction with Homogeneous Embeddings
高相关；详见方法、贡献和实验边界。
方法：从表示几何解释 JEPA/SSL，直接讨论 hyperspherical uniformity 与 ImageNet linear probe
Gemini Embedding 2: A Native Multimodal Embedding Model from Gemini
高相关；详见方法、贡献和实验边界。
方法：原生视频/音频/图像/文本统一 embedding，代表大模型路线里的多模态表征基座
DV-SFT: Direct Vision Supervision for Fine-Grained Visual Understanding
高相关；详见方法、贡献和实验边界。
方法：把监督直接打到 visual tokens 上，解决 MLLM 中视觉 token 只被文本 loss 间接优化的问题
FoundObj: Self-supervised Foundation Models as Rewards for Label-free 3D Object Segmentation
高相关；详见方法、贡献和实验边界。
方法：用自监督 2D/3D foundation models 作为 reward，做无场景标注 3D object discovery
OmniRetriever: Any-to-Any Audio-Video-Text Retrieval via Fusion-as-Teacher Distillation
中高相关；详见方法、贡献和实验边界。
方法：teacher-fusion distillation 学任意 audio/video/text 检索 embedding，与 Gemini Embedding 2 形成对照
JLT: Clean-Latent Prediction in Latent Diffusion Transformers
中高相关；详见方法、贡献和实验边界。
方法：说明 latent diffusion 的预测目标是表示几何选择，不只是 x/epsilon/v 的代数互换
JetViT: Efficient High-Resolution Vision Transformer with Post-Training Attention Search
中高相关；详见方法、贡献和实验边界。
方法：不重训地把 DINOv3/DepthAnythingV2 这类高分辨率 VFM 加速，影响通用视觉基础模型部署
FAST-GOAL: Fast and Efficient Global-local Object Alignment Learning
中高相关；详见方法、贡献和实验边界。
方法：面向 CLIP 长文本/局部区域不足，做 global-local 图文对齐微调
Q-GeoMem: Question-Guided Geometric Memory for Video Spatial Reasoning
中相关；详见方法、贡献和实验边界。
方法：把问题相关性和相机几何写入视频 memory，对 Video-LLM temporal grounding 有参考价值
How and What to Imagine? Visual Thinking in Unified Multimodal Models for Cross-View Spatial Reasoning
中相关；详见方法、贡献和实验边界。
方法：研究统一多模态模型是否真正使用生成的中间视觉思考图
The Rescue Effect: Spatio-Semantic Early Exit Bypasses Quantization Collapse in CLIP
中相关；详见方法、贡献和实验边界。
方法：揭示 INT8 CLIP 的 joint embedding 方向会在深层量化噪声中坍塌
Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction
中相关；详见方法、贡献和实验边界。
方法：在 3D reconstruction 模型特征空间做 diffusion denoising，体现“修特征而非修像素”的路线
MRT: Masked Region Transformer for Layered Image Generation and Editing at Scale
中相关；详见方法、贡献和实验边界。
方法：20B masked region diffusion，把选择性 token masking 用在多层透明图像生成/编辑
O-MARC: Omni Memory-Augmented Compression Distillation for Efficient Video Understanding
中相关；详见方法、贡献和实验边界。
方法：对长 audio-video token 序列做 memory compression 和 distillation
SIMPC: Learning Self-Induced Mirror-Point Consistency for Unsupervised Point Cloud Denoising
中相关；详见方法、贡献和实验边界。
方法：无监督 3D 点云去噪中的 mirror-point consistency，几何 SSL 信号明确但任务较专
Pop-Up Distractions Reveal Bag-of-Events Behavior in Video Large Language Models
中相关；详见方法、贡献和实验边界。
方法：VideoLLM temporal grounding 诊断：模型可能把视频当事件袋而非时序结构
LEASE: Learning from Semantic Dictionaries
高相关；详见方法、贡献和实验边界。
方法：自监督 codebook + masked reconstruction + contrastive alignment，直接服务统一视觉表示与生成
Unified 3D Scene Understanding Through Physical World Modeling
高相关；详见方法、贡献和实验边界。
方法：用同一物理世界模型统一深度、NVS、对象操控等 3D 视觉任务
Channel-wise Vector Quantization
中高相关；详见方法、贡献和实验边界。
方法：把图像 tokenization 从 patch token 改成 channel token，影响统一生成/表示建模
Residual Connections Harm Generative Representation Learning
高相关；详见方法、贡献和实验边界。
方法：MAE/diffusion 表示学习里 residual shortcut 对语义抽象的影响，状态更新
Vision Transformers Need Better Token Interaction
中高相关；详见方法、贡献和实验边界。
方法：分析 DINO ViT 的 dense degradation，并用选择性 token mixing 提升密集预测
Good Token Hunting
中高相关；详见方法、贡献和实验边界。
方法：视觉几何 Transformer 的 token 选择策略，对多视图/3D foundation model 效率有参考
Transcoders Trace Visual Grounding
中高相关；详见方法、贡献和实验边界。
方法：用 transcoder 追踪 VLM 中从图像 patch 到文本 token 的计算通路
TextTeacher: What Can Language Teach About Images?
今天最值得先读：它不是完整 CLIP 式预训练，而是把语言语义变成低成本的视觉表征塑形目标。
方法：frozen text encoder semantic anchors for image representation training
Multimodal Distribution Matching for Vision-Language Dataset Distillation
适合关注多模态预训练数据效率的人精读：它把合成图文对放进分布匹配和对齐保持问题里。
方法：geometric multimodal distribution matching for image-text dataset distillation
EvoVid: Temporal-Centric Self-Evolution for Video Large Language Models
它把视频自监督和 Video-LLM 后训练接起来，值得和 V-JEPA、视频掩码建模放在一起看。
方法：temporal-aware questioner reward and temporal-grounded solver reward
Ablate-to-Validate: Are Vision-Language Models Really Using Continuous Thought Tokens?
这是一个诊断工具型论文：以后看 latent visual token 方法时，应该要求内容替换消融。
方法：token replacement test for continuous and discrete visual thought tokens
Neural Collapse by Design: Learning Class Prototypes on the Hypersphere
偏理论和监督表征，但对理解 linear probe、原型、均匀性和表征几何有参考价值。
方法：prototype contrast with NTCE / NONL objectives on the hypersphere
Exploring Deep Learning for Event-Based Saliency Prediction with a Transformer-Based Model
模态较专，适合作为自监督 backbone 迁移到异构视觉模态的扫读案例。
方法：self-supervised event-based Swin Transformer plus lightweight saliency decoder
Text-Conditional JEPA for Learning Semantically Rich Visual Representations
视觉自监督和视觉语言预训练之间的边界被进一步打薄：它仍然预测 feature，不直接重建像素，也不完全依赖对比学习。
方法：caption-conditioned masked feature prediction with sparse cross-attention text conditioner
Self-supervised Hierarchical Visual Reasoning with World Model
它把视频 SSL 的目标从重建下一帧推向重建“低层没有解释完的部分”。
方法：hierarchical residual world model for self-supervised visual foresight
Cambrian-P: Pose-Grounded Video Understanding
用伪位姿把跨帧 token 固定到共享空间，是视频 VFM/MLLM 很值得跟的结构化监督。
方法：learnable camera tokens + pose regression head for frame-level grounding
Self-Supervised Weight Templates for Scalable Vision Model Initialization
高相关；详见方法、贡献和实验边界。
方法：把自监督目标从激活表征扩展到可缩放视觉模型初始化权重模板
Which Way Did It Move? Directional Motion Blindness in Video-LLMs
这类诊断比单纯刷视频 QA 更有价值，因为它定位了视觉表征到语言读出的断点。
方法：feature-delta motion vector objective at projector level
GeoWeaver: Grounding Visual Tokens with Geometric Evidence before Scene Reasoning
这篇不是 JEPA，而是 VLM 视觉 token grounding：冻结几何编码器的证据被分配给多层视觉 token。
方法：multi-level geometry bank + residual grounding before LLM reasoning
The Matching Principle
中相关；详见方法、贡献和实验边界。
方法：从几何/协方差角度统一 nuisance-robust representation learning 的损失设计
Multimodal LLMs under Pairwise Modalities
它把多模态表征学习的问题改写成模态图连通性问题，重点不在堆更多模态，而在证明 pairwise supervision 也能学习共享/私有 latent 结构。
方法：self-modal reconstruction + pairwise contrastive latent alignment
Weighted Reverse Convolution for Feature Upsampling
高相关；详见方法、贡献和实验边界。
方法：VFM dense feature 自监督密化，适合接在 DINO/CLIP/SigLIP 视觉表征后
AIR: Self-supervised Feed-forward Reconstruction of Complex Images
中高相关；详见方法、贡献和实验边界。
方法：重建式自监督和 2DGS 表示结合，可作为图像重建预训练线索
SGA: Spatial Gram Alignment for 2D Gaussian Splatting
中相关；详见方法、贡献和实验边界。
方法：用 SAM/DINO 先验蒸馏到生成模型，偏生成但有 VFM 表征迁移价值
Why Latent Actions Fail, and How to Prevent It
中相关；详见方法、贡献和实验边界。
方法：无标注视频 latent action 表征的理论分析，偏世界模型/视频自监督
Towards Data-Efficient Video Pre-training with Frozen Image Foundation Models
高相关；详见方法、贡献和实验边界。
方法：探索用冻结图像 VFM 低成本获得视频时序能力
Targeted Downstream-Agnostic Attack
中高相关；详见方法、贡献和实验边界。
方法：检验 SSL/pretrained encoder 的跨下游 feature-level 脆弱性