Meta推出SAM 3D模型，能够从2D图像直接生成3D模型，支持物体和人体重建，并克服遮挡问题。通过可提示概念分割，SAM 3提升了语义理解能力，显著提高了准确率，推动了3D建模技术的发展。

TrackVLA是一种集成目标识别与轨迹规划的视觉-语言-动作模型，旨在解决具身视觉跟踪任务。通过联合训练，该模型在动态环境中展现出优越的识别与规划能力，提升了智能体在复杂场景中的跟踪效果。

本研究针对自行车在道路安全中的遮挡识别问题，提出了一种新分类基准，利用计算机视觉技术量化可见性和遮挡等级，以提高无人驾驶车辆对骑行者的检测能力。

本研究提出了DeClotH框架，解决了3D穿衣人类重建中服装与人体的区分问题，有效缓解了因遮挡导致的几何和纹理推断错误，实验结果表明其在3D重建方面表现优异。

本研究将生成对抗网络（GANs）与主动外观模型（AAM）结合，解决了计算机视觉中非线性参数优化的难题，显著提升了拟合的准确性和效率，尤其在高变异性和遮挡情况下表现优异。

微软确认正在修复Windows 11资源管理器中图标重叠和菜单超出屏幕的问题，影响23H2和24H2版本，修复程序正在测试中，预计将推送更新。

本研究提出了一种新的生成框架GenHMR，旨在解决单目图像中的人类网格恢复问题，克服了传统方法在深度模糊和遮挡方面的局限性。实验结果表明，该方法在多个基准数据集上优于现有技术。

本研究提出了一种高保真的点云补全方法，解决了因遮挡导致的不完整性问题。通过挖掘上下文信息、混合采样和相似性建模，显著提升了补全质量和细节保真度。实验结果验证了该方法的优越性。

该研究提出了SEMPose网络，旨在解决多对象场景中RGB图像的六自由度姿势估计问题，尤其是物体大小变化和遮挡带来的挑战。实验结果表明，SEMPose能够在高帧率下实时且准确地估计多个物体的姿势，优于现有方法。

本研究针对自主驾驶中的遮挡与感知范围问题，构建了WHALES数据集，并提出了合作感知方法，实验结果表明该方法能提升感知效果，促进自主驾驶技术的发展。

本研究解决了视频动作检测中的遮挡问题，填补了现有模型在遮挡条件下表现不足的空白。通过引入五个新的基准数据集，揭示了在不同遮挡情况下深度学习模型的表现差异，并提出了一种有效的训练方案，使得模型在遮挡情况下的性能显著提升，尤其在准确性上提高了32.3%至32.7%。

本研究针对自监督立体匹配中的遮挡问题，发现现有方法效果不佳。研究者提出伪立体输入策略，解耦输入与反馈图像，缓解遮挡信息缺失，显著提升性能，推动领域进展。

本文介绍了一种基于运动的多目标跟踪方法，通过引入适应性的运动预测器AM-SORT，解决了在涉及非线性运动和遮挡情景时估计未来物体位置的限制。实验证明该方法在预测遮挡下的非线性运动方面有效。

本研究提出了修补遮挡策略（IBO），通过修补组织病理图像中的遮挡区域，减少了分布外伪影并保持数据完整性。结果显示，IBO显著提高了感知保真度，并将XAI性能预测准确率从42%提升至71%。

最近对密集光流的研究取得显著进展，通过合成数据生成方法实现了真实感，利用遮挡掩模在监督学习中取得了良好结果。

本研究针对因 COVID-19 大流行所引发的面部识别系统在使用口罩时面临的新挑战，探讨了面部反欺诈算法在合成遮挡下的表现。研究发现，遮挡会显著降低这些算法的性能，揭示了后疫情时代其在生物识别认证中应用的脆弱性。

该文章介绍了一种名为Worldsheet的方法，使用单一的RGB图像进行新视角综合。该方法利用可学习的中间深度将平面网格板缩包到输入图像上，并生成逼真的未见视角。通过堆叠多层Worldsheets，可以更好地处理遮挡。该方法在几个数据集上超越了先前的最先进方法，并在高分辨率的现场照片上捕捉到了新视角。