Skip to content

2025 AI 頂會導讀：電腦視覺篇

2026年8月24日 1 分鐘
首頁 › ai
TL;DR 2025 是 CV 雙會年——CVPR 和 ICCV 同年舉辦。CVPR 投稿 13,008 創歷史新高，Best Paper VGGT 把 3D 重建從逐步最佳化拉到 feed-forward 推論；ICCV 的 Marr Prize 頒給了用文字生成可實際拼搭積木結構的 BrickGPT。3D Gaussian Splatting 全面取代 NeRF、video generation 從研究走向產品、flow model 開始取代 diffusion——CV 領域在這一年完成了多項典範轉移。
#ai-conference#cvpr#iccv#computer-vision#2025#video-generation#3d-gaussian-splatting#embodied-ai
目錄
  1. CVPR 2025
    1. Best Paper
    2. Best Student Paper
    3. Best Paper Honorable Mention
    4. Best Student Paper Honorable Mention
    5. Best Demo（並列）
    6. 高影響力非得獎論文
  2. ICCV 2025
    1. Marr Prize（Best Paper）
    2. Best Student Paper
    3. Honorable Mention
    4. 高影響力非得獎論文
  3. 2025 CV 四大趨勢
    1. 一、3D Gaussian Splatting 全面取代 NeRF
    2. 二、Video Generation 從研究走向產品
    3. 三、Flow Model 開始取代 Diffusion Model
    4. 四、Embodied AI 與 World Model 整合
  4. 跟 2024 的對比
  5. 2026 年回頭看：哪些論文影響最大
  6. 參考資料
系列: AI 頂會導讀 (24 / 25)
2025 AI 頂會導讀：自然語言處理篇 2025 AI 頂會在收什麼題目：Agent 爆發與 Reasoning 革命

🌏 English version

2025 年是電腦視覺的雙會年——CVPR（6 月，Nashville）和 ICCV（10 月，Honolulu）同時在同一年舉辦。兩場會議的投稿量都創下新高，加起來超過 24,000 篇投稿、5,500 篇接受，幾乎是五年前（2021）同期的兩倍。這一年的 CV 研究有幾個清晰的主題：3D Gaussian Splatting 全面取代 NeRF、影片生成從學術走向商業、flow model 開始挑戰 diffusion model 的主導地位、embodied AI 把視覺理解跟機器人操作越拉越近。

CVPR 2025

投稿 13,008 篇（較 2024 年的 11,532 成長 13%），接受 2,878 篇（最終到場發表 2,872 篇），接受率 22.1%——歷史最低。其中僅 3.3% 被選為 oral presentation。9,375 位與會者來自 75 個國家，118 場 workshop、25 場 tutorial、69 個 demo（較 2024 增長 33%）。

Best Paper

VGGT: Visual Geometry Grounded Transformer Jianyuan Wang, Minghao Chen, Nikita Karaev, Andrea Vedaldi, Christian Rupprecht, David Novotny（University of Oxford / Meta AI）

一個 feed-forward 神經網路，輸入 1 到數百張圖片，幾秒內同時估計相機姿態、場景深度、點對應關係等所有 3D 場景屬性。傳統 3D 重建需要多步驟 pipeline（SfM → MVS → mesh），VGGT 把整個流程壓縮成單次前向推論，速度快到可以即時使用。這篇論文代表的趨勢是 3D 視覺任務從「最佳化問題」轉向「直接推論」——跟 2021 年 NeRF 需要每個場景訓練半小時相比，是概念層級的跳躍。

Best Student Paper

Neural Inverse Rendering from Propagating Light Anagh Malik, Benjamin Attal, Andrew Xie, Matthew O'Toole, David B. Lindell（University of Toronto / Vector Institute / Carnegie Mellon University）

用 LiDAR 系統的多視角時間解析測量（time-resolved measurement）來做物理基礎的逆向渲染——不只重建幾何，還能重現光在場景中傳播的過程。這是把計算攝影（computational photography）和神經渲染結合的前沿工作。

Best Paper Honorable Mention

  • MegaSaM: Accurate, Fast and Robust Structure and Motion from Casual Dynamic Videos — Zhengqi Li, Richard Tucker 等（Google Research / UC Berkeley）。從手機隨手拍的動態影片中做 Structure from Motion，不需要靜態場景假設。
  • Navigation World Models — Amir Bar, Gaoyue Zhou, Danny Tran, Trevor Darrell, Yann LeCun（UC Berkeley / Meta AI / NYU）。讓機器人在陌生環境中預測未來視野，用 world model 做導航。
  • Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Vision-Language Models — Matt Deitke 等 48 位作者（AI2）。完全開源的視覺語言模型家族 Molmo，配合全新的 PixMo 資料集（不依賴外部 VLM 生成），在開源 VLM 中達到 SOTA。
  • 3D Student Splatting and Scooping — Jialin Zhu, Jiangbei Yue, Feixiang He, He Wang（UCL / Peking University）。

Best Student Paper Honorable Mention

Generative Multimodal Pretraining with Discrete Diffusion Timestep Tokens Kaihang Pan, Wang Lin, Zhongqi Yue 等（NTU / Zhejiang University）

Best Demo（並列）

DynaMem and Robot Utility Models — Haritheja Etukuru 等（NYU / Meta AI）。展示機器人如何用動態記憶體在真實環境中操作物件。

高影響力非得獎論文

  • DepthCrafter（Wenbo Hu 等，Tencent / HKUST）：為開放世界影片生成時間一致的長序列深度圖，不需要相機姿態或光流作為輸入。
  • Video Depth Anything（Sili Chen 等，ByteDance / HKU）：超長影片的一致深度估計，把 Depth Anything 的能力延伸到影片領域。
  • GEN3C（NVIDIA）：3D 資訊引導的世界一致影片生成，支援精確相機控制。

ICCV 2025

投稿 11,239 篇（較 ICCV 2023 的 8,088 成長 39%），接受 2,698 篇，接受率 24.0%。10 月 19-23 日在夏威夷 Honolulu 舉行。

這屆 ICCV 值得注意的一件事：延續 CVPR 2025 的做法，Program Chair 主動辨識出 25 位高度不負責任的審稿人，連帶桌面拒絕（desk rejection）了 29 篇相關投稿——其中 12 篇原本應該會被接受。這是審稿誠信政策從「事後追懲」走向「主動清除」的重要轉折。

Marr Prize（Best Paper）

BrickGPT: Generating Physically Stable and Buildable Brick Structures from Text Ava Pun, Kangle Deng, Ruixuan Liu, Deva Ramanan, Changliu Liu, Jun-Yan Zhu（Carnegie Mellon University）

第一個從文字提示生成物理上穩定、可實際拼搭的積木（LEGO）模型的方法。核心創新是推論過程中的物理感知驗證——用物理定律和組裝約束來即時修剪不可行的 token 預測。團隊釋出了 StableText2Lego 資料集（47,000+ 穩定結構、28,000+ 獨特 3D 物件），以及完整的程式碼和模型。

這篇論文有趣的地方在於它把 LLM 的 next-token prediction 跟硬物理約束結合——不是用 post-hoc 的方式篩選結果，而是在生成過程中就做物理驗證。這個「生成時驗證」的範式對所有需要滿足硬約束的生成任務都有啟發。

Best Student Paper

FlowEdit: Inversion-Free Text-Based Editing Using Pre-Trained Flow Models Vladimir Kulikov, Matan Kleiner, Inbar Huberman-Spiegelglas, Tomer Michaeli（Technion — Israel Institute of Technology）

一個不需要 inversion、不需要最佳化、模型無關的文字圖像編輯方法，基於預訓練的 flow model。這篇論文的意義超越圖像編輯本身——它代表 flow model 開始在應用層面取代 diffusion model，提供更乾淨的編輯管道。

Honorable Mention

  • Spatially-Varying Autofocus — Yingsi Qin, Aswin C. Sankaranarayanan, Matthew O'Toole（Carnegie Mellon University）。空間變化的自動對焦方法。
  • RayZer: A Self-supervised Large View Synthesis Model — Hanwen Jiang 等（UT Austin / Adobe / Cornell）。自監督的大視角合成模型，不需要 3D 標註就能從 2D 圖像學習 3D 場景表示。

高影響力非得獎論文

  • EVER (Exact Volumetric Ellipsoid Rendering)：用體積橢球體取代高斯 splatting，消除了 3DGS 的 popping artifact，在 Zip-NeRF 資料集上甚至超過 Zip-NeRF 本身。
  • SceneSplat：第一個大規模 3DGS 室內場景資料集（SceneSplat-7K，6,868 場景），解決語義推理在 3DGS 中的泛化問題。
  • GeometryCrafter（Tencent / Tsinghua）：把 DepthCrafter 的思路延伸到完整的幾何估計。
  • MINDCUBE：測試 VLM 空間心理模型的 benchmark——結果發現最先進的 VLM 在空間推理上只略優於隨機猜測。

2025 CV 四大趨勢

一、3D Gaussian Splatting 全面取代 NeRF

2021 年 NeRF 論文在 ICCV 有 25+ 篇；2023 年 3DGS 首次出現；到 2025 年，3DGS 已經是 3D 場景表示的絕對主流。Paper Digest 的 ICCV 2023 vs 2025 對比直接寫道：「3D Gaussian Splatting 在 2025 爆發性成長，這個主題在 2023 幾乎不存在。」

NeRF 並沒有完全消失，但主要退到特定場景（精確光學模擬等）。3DGS 贏在即時渲染速度和可編輯性——EVER 這類工作進一步解決了原始 3DGS 的渲染瑕疵，SceneSplat 則為大規模資料集訓練鋪路。

二、Video Generation 從研究走向產品

Sora（OpenAI）、Kling（快手）、Runway Gen-3 等商業影片生成模型在 2024-2025 年間上線，但學術界的焦點已經從「能不能生成影片」轉向更深層的問題：

  • 深度一致性：DepthCrafter、Video Depth Anything 解決長影片的深度估計一致性。
  • 3D 一致性：GEN3C 用 3D 資訊引導影片生成，確保多視角一致。
  • 4D 場景理解：把 3D 加上時間軸，FICTION（4D 未來互動預測）、Uni4D 等工作開始嘗試直接從影片理解 4D 動態場景。

三、Flow Model 開始取代 Diffusion Model

這個趨勢在 ICCV 2025 特別明顯。FlowEdit 拿下 Best Student Paper，Paper Digest 的趨勢分析直接指出「生成模型從 diffusion 轉向 flow model 是一個主要趨勢」。Flow model 學習從雜訊到資料的連續映射，相比 diffusion model 的多步去噪過程，在推論效率和可控性上有結構性優勢。

四、Embodied AI 與 World Model 整合

Navigation World Models 拿下 CVPR Best Paper Honorable Mention，DynaMem 拿下 Best Demo——機器人和視覺理解的整合在 2025 年不再只是 workshop 主題。CVPR 2025 的官方趨勢總結把「autonomous driving 從模組化轉向端到端系統和 world model」列為主要方向之一。Genesis（通用可微分物理模擬器）等工作則從另一個角度推進——讓 embodied AI 的訓練從需要真實資料轉向完全模擬。

跟 2024 的對比

維度20242025
投稿量CVPR 11,532 / ECCV 8,585CVPR 13,008 / ICCV 11,239
接受率CVPR 23.6% / ECCV 27.8%CVPR 22.1% / ICCV 24.0%
3D 表示主流3DGS 快速成長，NeRF 仍有存在感3DGS 絕對主導，NeRF 退居小眾
生成模型Diffusion model 主導Flow model 開始在多個任務上取代 diffusion
影片研究生成品質為主深度一致性、3D 一致性、4D 理解
Embodied AIWorkshop 級別居多Best Paper Honorable Mention + Best Demo
審稿誠信開始關注 AI 生成審稿主動桌面拒絕不負責任審稿人相關論文

2026 年回頭看：哪些論文影響最大

  1. VGGT — 如果 feed-forward 3D 重建的品質持續提升，它可能改變整個 3D 視覺的工作範式，讓「每場景最佳化」成為歷史。
  2. FlowEdit — 作為 flow model 在應用層面取代 diffusion 的標誌性工作，它的影響會超越圖像編輯本身。
  3. Navigation World Models — Embodied AI 社群的重要里程碑，把 world model 從概念驗證推向實際導航任務。
  4. Molmo / PixMo — 完全開源的 VLM 生態系，對學術研究者和獨立開發者的意義重大。
  5. DepthCrafter / Video Depth Anything — 影片深度估計的基礎設施級工作，下游應用（AR、影片編輯、自動駕駛）都會用到。

參考資料

相關文章

2021 AI 頂會導讀：電腦視覺篇 1 min 2023 AI 頂會導讀：電腦視覺篇 1 min 2024 AI 頂會導讀：電腦視覺篇 1 min