而2025年ICCV大会共收到了11239份有效投稿，为汗青最多，这些投稿经过评审后接受2698篇论文，接受率为24%，由此能够看出梦想汽车这次多篇论文中稿ICCV的含金量。 梦想汽车CEO李想也在社交媒体上发文暗示：“若是各人对ICCV论文含金量不太理解，能够类比医学界的《柳叶刀》论文，每一篇都能代表世界级的‘学术金牌’。” 此表，李想还提到，除梦想汽车自动驾驶团队中稿的5篇论文表，梦想汽车基座模型团队还有3篇论文中稿，一共8篇论文被ICCV 2025录用。 目前，梦想汽车自动驾驶团队中稿的5篇论文中，名为《Hierarchy UGP》的论文已经公开，这篇论文的是梦想汽车与浙江大学合作在世界模型方面的进展。 在署名作者中能够看到，梦想汽车智能驾驶高级算法专家詹锟、梦想汽车高级算法工程师王一达的名字出现了论文署名中。 论文中暗示，近年来可微渲染技术的进取显著提升了动态街景沉建的成效。然而，大规模场景和动态元素（如车辆和行人）的复杂性仍是沉大挑战，现有步骤通常难以扩大到大型场景或正确建模肆意动态。 为解决这些限度，钻研者提出Hierarchy UGP，其构建了由根层级、子场景层级和基元层级组成的档次结构，并使用在四维空间中界说的统一高斯基元（UGP）作为暗示，实现动态静态长达1km的沉建能力。 根层级作为档次结构的入口点。在子场景层级，场景在空间上被划分为多个子场景，并提取各类元素。在基元层级，每个元素通过UGP建模，其全局位姿由与功夫有关的活动先验节造。 子场景并行优化选取“块级对象训练战术”，预防跨子场景动态对象的滋扰，通过“功夫尺度初始化”提升大幅活动区域的拟合精度。 与Waymo和PandaSet等公开数据集相比，Dynamic City数据集蕴含更宽泛的街景，钻研者将该数据集作为开源资源颁布，以推动大规模动态街景沉建的钻研。 为证明算法的有效性并确保平正比力，钻研者进行了两个尝试：一个使用大规模动态场景，另一个使用从大规模场景中提取的子场景。 此表，了局批注Hierarchy UGP和OmniRe在测试帧上的视觉质量降落更为显著。这种降落产生是由于在这些帧中，行人活动齐全未知，UGP 和 SMPL 都无法齐全捉拿行人的活动，导致机能显著降落。只管如此，Hierarchy UGP依然与最先进的步骤拥有竞争力。 在端到端规划模型方面，梦想汽车与中国科学院合作的《World4Drive》论文，提出业界首个通过自监督进建实现无需感知标注的端到端规划模型。 梦想汽车与榆林大学合作的《RoboPerls》论文，利用3DGS构建面向机械人操作的可编纂视频仿真框架，可能从示范视频构建拥有照片级真实赣凝视角一致的仿真环境，支持机械人的数据合成。 梦想汽车独立实现的《HiNeus》论文，提出了一个统一3D复杂渲染框架，通过三项基础创新同时解决多视角辐射不一致性、加强低纹理表表复原并保留精密结构细节。 梦想汽车与悉尼科技大学合作的《3D RealCar》论文，提出大规模真实三维车辆数据集3D RealCar，具备海量数据、高品质、高多样性等个性，将有力推进三维车辆鉴别与沉建技术的发展。 梦想汽车与中国科学技术大学合作《DH-FaceVid-1K: A Large-Scale High-Quality Dataset for Face Video Generation》，提出大规模高质量人脸视频数据集DH-FaceVid-1K，具备多种族、高质量、大容量等个性，可用于训练多模态数字人脸视频天生基座大模型。 梦想汽车与哈尔滨工业大学合作的《QR-LoRA: Efficient and Disentangled Fine-tuning via QR Decomposition for Customized Generation》论文，提出一种全新的图像定造化微调范式，可适配现有各类天生模型，训练参数为通常LoRA的一半，微调速度更快，并能用于多属性组合天生等定造化场景。 梦想汽车颁发的《Twig：Growing a Twig to Accelerate Large Vision-Language Models》论文，提出一种自适应VLM Token压缩&推理加快步骤，通过度支疏导的Token剪枝战术&自投契解码战术，自适应地删除VLM模型LLM推理阶段中和Query无关的Token，全方位提升prefill & decode阶段的模型推算效能，在长问答Task上可实现1.5倍的提速。 梦想汽车此前已在人为智能领域的顶级学术会议和期刊上崭露头角。近3年，梦想汽车萦绕端到端、世界模型、VLA和基座模型等主题技术，在AAAI、CVPR、ICRA等顶级学术平台颁发了近50篇论文。 在基础理论钻研过程中，梦想汽车在独立钻研之表，还积极与高校发展合作，可能充分利用高校的科研资源和人才优势，加快技术钻研过程。