论文库
我读过的论文个人库。
三维感知与 BEV
BEVFormer：基于时空 Transformer 从多相机图像学习鸟瞰图表示
BEVFormer 将标定后的多相机系统转化为持续更新的 BEV query 空间，以几何感知的空间注意力和递归时序融合替代显式深度提升。
OccFormer：面向视觉三维语义占用预测的双路径 Transformer
OccFormer 将三维注意力分解为局部水平结构与池化的全局场景路径，使密集 voxel 推理更可控，并把 mask-classification decoder 适配到稀疏、类别不平衡的占用标签。
面向网联自动车的混合特征融合协同语义占用预测
CoHFF 将 camera-based 协作从目标框和 BEV 地图扩展到密集语义占用：车内融合 occupancy 与 semantic task feature，车间交换压缩正交平面特征。
Token Merging: Your ViT But Faster (ToMe)
Training-free token merging 的经典起点：它把冗余理解为信息压缩问题，而不是简单的 token 删除问题。
ALGM：面向 Plain ViT 语义分割的自适应先局部后全局 Token Merging
一篇面向 dense prediction 的 token merging 论文；核心启发是 token similarity 具有层深依赖性：浅层适合局部合并，深层才适合全局语义合并。
PiToMe：通过保持谱结构的 Token Merging 加速 Transformer
PiToMe 在相似度匹配之前加入重要性感知筛选：冗余簇可以被压缩，而孤立、独特的 token 应被保护。
ToFu：连接 Token Pruning 与 Token Merging
ToFu 认为 pruning 与 merging 适用于不同特征阶段，并提出 MLERP 缓解普通平均合并造成的 feature-norm shift。
DSM：通过延迟式空间合并实现免训练 ViT 加速
DSM 说明 merging 应等待 attention 进入 convergent 阶段，再随着表示语义化，从局部窗口逐步扩展到全局匹配。
MPM：面向高效 Vision Transformer 的互选配对合并
MPM 只在两个 token 互为最近邻时接受合并，并记录可组合 merge map，在不修改 segmentation decoder 的前提下重建密集空间特征。
Cache-Craft：面向高效检索增强生成的 Chunk Cache 管理
Cache-Craft 将 RAG prefill 视为 cache 管理问题，并根据新上下文对注意力的影响程度修复可复用 chunk state。
迈向 Streaming Attention 的紧空间复杂度界
该论文为流式近似 softmax attention 给出近乎紧的内存界，并澄清何时理论上可以使用次线性 KV-cache 表示。
FedLEASE：面向联邦微调的自适应 LoRA 专家分配与选择
FedLEASE 联合学习异质联邦环境需要多少 LoRA expert、哪些客户端共同训练它们，以及每个客户端应使用多少 expert。
不要重复造轮子，只需重排轮辐：通过 Rank-Wise Expert Assembly 实现资源高效联邦微调
SMARTFED 不再从头训练 federated LoRA，而是细粒度复用已有 LoRA 的 rank component。
Federated Sketching LoRA：面向异质协作式大模型微调的灵活框架
FSLoRA 在服务器保留高 rank 全局 adapter，同时允许每个客户端只更新与自身资源匹配的 sketched submatrix。
面向 LLM 智能体的上下文压缩：方法、失败模式与评测综述
智能体上下文压缩应被理解为可控的 Select-Compress-Store-Recover 流程，其失败可能发生在压缩前、压缩中或压缩后。
ContextBudget：面向 LLM 智能体的高效上下文分配
ContextBudget 把上下文长度视为序列资源分配决策，把 token 用在真正提高任务成功率的步骤，而不是让每一步共享固定窗口。
FederatedSkill：面向智能体技能演化的联邦学习
FederatedSkill 传输语义 skill diff 而非原始轨迹，并通过服务器端 capability memory 为每个客户端演化不同技能库。
Autogenesis：一种自演化智能体协议
Autogenesis 将 prompt、agent、tool、environment 与 memory 变成显式版本化资源，再通过可审计的 propose-verify-commit 操作管理其演化。
UniRefiner：通过对比 Register 教会预训练 ViT 自主清除无效 Token
UniRefiner 诊断预训练 ViT 中的伪视觉 token，并把学习到的 register 监督转化为冻结模型可插拔的 token 过滤器。
Depth Anything 3：从任意视图恢复视觉空间
Depth Anything 3 将多视图几何简化为单一 Transformer 与统一 depth-ray 目标，同时表示场景结构与相机运动。
VGGT：视觉几何基础 Transformer
VGGT 在一次 feed-forward 中为多图预测 camera、depth、point map 与 track，让 Transformer 本身成为几何引擎。
Cross-view Transformers：面向实时地图视角语义分割的跨视角 Transformer
CVT 学习从相机 feature map 到规范地图视角网格的直接注意力桥梁，证明有效实时 BEV 分割不一定需要显式深度。
AutoOcc：通过视觉语言引导 Gaussian Splatting 自动生成开放语义占用标注
AutoOcc 将视觉语言注意力与可微 Gaussian 重建组合为自动开放语义三维占用标注 pipeline。
COME：为占用世界模型加入场景中心预测控制
COME 将场景演化与自车视角变化解耦，并把场景中心预测作为 ControlNet guidance 注入生成式 occupancy world model。
COTR：用于视觉三维占用预测的紧凑 Occupancy Transformer
COTR 用紧凑 triplane feature 与 semantic group 替代全分辨率三维 occupancy tensor，只在最终预测时做密集解码。
GaussianOcc：基于 Gaussian Splatting 的全自监督高效三维占用估计
GaussianOcc 以预测 Gaussian 表示场景，并通过跨视图语义与深度渲染监督，仅从图像学习 occupancy。
OccRWKV：以线性复杂度重新思考高效三维语义占用预测
OccRWKV 在语义、BEV 与 point 分支中以线性 RWKV-style mixing 替代二次全局注意力，实现高效 LiDAR occupancy。
通过 Prototype-aware 视角变换使用低分辨率 Query 进行三维占用预测
该 ProtoOcc 在低分辨率三维 query 下，先把二维特征层级映射为学习 voxel prototype，从而保留精细图像结构。
QuadricFormer：以 Superquadric 表示场景的三维语义占用预测
QuadricFormer 用少量体积 superquadric 表示场景，其形状参数天然同时建模占据内部与目标几何。
语义因果感知的视觉三维占用预测（CausalOcc）
CausalOcc 通过语义因果性耦合二维 backbone、三维 lifting 与 occupancy decoder，使下游错误更新真正导致它们的特征。
SurroundOcc：面向自动驾驶的多相机三维占用预测
SurroundOcc 通过将多尺度图像特征提升到三维并渐进精炼 occupancy，建立直接的多相机密集 voxel baseline。
UniOcc：自动驾驶占用预测与未来预测统一基准
UniOcc 跨真实与仿真数据统一当前 occupancy prediction 与未来 occupancy forecasting，并提供 voxel flow 与无需 GT 的质量指标。
VGMOcc：使用视觉几何模型的稀疏 Gaussian 占用预测
VGMOcc 沿相机 ray 从 VGM surface point 向内部采样，生成体积 Gaussian occupancy，并跨帧增量融合预测。
ProtoOcc：使用双分支编码器与 Prototype Query Decoder 的准确高效三维占用预测
ProtoOcc 融合细粒度 voxel detail 与大感受野 BEV context，再由少量 scene-aware semantic prototype 解码 occupancy。
VOGS-CP：用于协同语义占用预测的纯视觉 Gaussian Splatting
VOGS-CP 传输稀疏场景 Gaussian 而非密集 voxel 或平面 BEV feature，为协同 occupancy 保留三维结构。
Video-3D LLM：学习位置感知视频表示用于三维场景理解
Video-3D LLM 将视频 patch token 与全局三维坐标对齐，使 LLM 可在度量空间中问答、区域描述与目标定位。
TopNet：面向 Octree 点云几何压缩的高效 Transformer 占用预测网络
TopNet 用 CNN-Transformer 混合网络预测 octree node occupancy，结合局部结构、自适应窗口上下文、通道门控与相邻节点先验。
关注未被关注部分：用于训练后 DiT 加速的先结构后细节 Token Merging
SDTM 发现 DiT 冗余会随去噪时间与层深变化，于是先裁剪弱结构、再合并弱细节，并自适应设置阈值。
Attention Is All You Need
Transformer 在 encoder-decoder 架构中以并行 multi-head attention、位置编码、残差路径与前馈 block 替代 recurrence。