蚂蚁灵波科技开源了LingBot-Depth模型，提升机器人和自动驾驶的三维视觉能力。该模型利用“掩码深度建模”技术，解决透明和反光物体的深度感知问题，显著提高深度图的完整性和清晰度。

本研究提出了一种名为Ross3D的重构视觉指令调优方法，旨在解决大规模三维视觉-语言数据集的缺乏问题。该方法通过三维视觉监督，提升了三维场景理解的性能，并展示了未标记三维数据的潜力。

本研究分析了扩散模型在三维视觉中的应用，解决了效率和可扩展性的问题，尤其是提升了从二次数据恢复三维场景的准确性。通过优化计算效率和大规模预训练，显著提升了三维视觉任务的表现。

JARVIS-1 是一个智能体，在 Minecraft 中完成了超过 200 个任务，长期目标完成率为 12.5%。通过多模态记忆和决策制定，提升了智能和自主性。LEO 是一种通用代理，专注于三维视觉与语言的结合，表现优异。研究还提出了结合大型语言模型与机器人感知的双层架构，显著提高了任务执行能力。

本文介绍了一种新方法A$^{2}$-MAE，通过预训练不同类型的遥感图像和地理信息，重构遮蔽补丁，从而提升多种下游任务的性能。同时，研究探讨了自监督学习在三维视觉中的应用，提出基于掩码自编码器的模型，显著提高了三维物体检测的准确性。

本文介绍了多种基于拓扑的深度学习方法，如局部拓扑模型、拓扑神经网络和持久同调技术，旨在提升图分类和节点分类的性能。这些方法通过结合拓扑信息与图神经网络，显著提高了预测能力，尤其在医学图像分类和三维视觉对象分类中表现突出。

本文研究了密集三维视觉接地技术，提出了ConcreteNet网络，通过底层注意融合和对比训练提升物体定位性能。同时构建了Mono3DRefer数据集，利用文本嵌入进行多模态学习，提出了Mono3DVG-TR网络。文章还探讨了3D密集图像描述的任务定义及未来研究方向，强调大型语言模型在三维视觉定位中的应用。