ICCV2025-Papers-with-Code
ICCV2025-Papers-with-Code 是一个整理和分享 ICCV 2025 会议论文及对应开源代码的项目，旨在为计算机视觉领域的研究者和开发者提供一站式资源。它收录了本届会议中被接收的 2699 篇论文，并按主题分类，方便用户快速查找相关研究和实现代码。
这个项目解决了传统论文检索与代码获取分散、难以匹配的问题，将最新的研究成果与实际代码结合，帮助用户更高效地跟进前沿技术。无论是想了解最新算法、复现论文成果，还是寻找灵感进行研究，都能在这个平台找到所需内容。
适合的研究人员和开发者可以利用这个项目快速掌握 ICCV 2025 的研究趋势，同时获取高质量的开源实现。此外，项目还涵盖了多个细分领域，如 3D 重建、多模态学习、目标检测等，具备较强的实用性和参考价值。其清晰的分类结构和技术标签也提升了使用体验，是计算机视觉领域不可多得的资源库。
使用场景
某计算机视觉研究团队正在开发一个基于3D高斯泼溅（3DGS）技术的实时场景重建系统，用于增强现实（AR）应用。他们需要快速了解ICCV 2025上最新的相关论文和开源实现，以优化现有算法并提升系统性能。
没有 ICCV2025-Papers-with-Code 时
- 需要手动搜索大量论文，难以快速筛选出与3DGS相关的高质量研究成果。
- 论文和代码分离，无法直接获取可运行的实现，导致研究效率低下。
- 缺乏对最新研究趋势的系统性整理，容易遗漏关键工作。
- 难以跟踪不同团队在3DGS领域的进展，影响技术路线选择。
使用 ICCV2025-Papers-with-Code 后
- 可以直接访问3DGS分类下的所有论文和对应代码，快速定位到最新、最相关的研究成果。
- 提供了完整的论文链接和开源项目地址，便于直接复现和测试，节省大量时间。
- 能够清晰掌握3DGS领域的发展脉络，为团队的研究方向提供明确参考。
- 通过分类标签和目录结构，轻松对比不同方法的优劣，辅助技术选型和改进方案设计。
ICCV2025-Papers-with-Code 帮助研究团队高效整合前沿成果，显著提升了技术研发效率和创新质量。
运行环境要求
- 未说明
需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+
16GB+
快速开始
ICCV 2025 论文和开源项目合集(Papers with Code)
ICCV 2025 接收率为24% = 2699 / 11239
注1：欢迎各位大佬提交issue，分享ICCV 2025论文和开源项目！
注2：关于往年CV顶会论文以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-vision
欢迎扫码加入【CVer学术交流群】，可以获取ICCV 2025等最前沿工作！这是最大的计算机视觉AI知识星球！每日更新，第一时间分享最新最前沿的计算机视觉、AIGC、扩散模型、多模态、深度学习、自动驾驶、医疗影像和遥感等方向的学习资料，快加入学起来！
【ICCV 2025 论文和开源代码目录】
- 3DGS(Gaussian Splatting)
- Agent)
- Avatars
- Backbone
- CLIP
- Mamba
- Embodied AI
- GAN
- GNN
- 多模态大语言模型(MLLM)
- 大语言模型(LLM)
- 世界模型(World Model)
- OCR
- NeRF
- DETR
- 扩散模型(Diffusion Models)
- ReID(重识别)
- 长尾分布(Long-Tail)
- Vision Transformer
- 视觉和语言(Vision-Language)
- 自监督学习(Self-supervised Learning)
- 数据增强(Data Augmentation)
- 目标检测(Object Detection)
- 异常检测(Anomaly Detection)
- 目标跟踪(Visual Tracking)
- 语义分割(Semantic Segmentation)
- 实例分割(Instance Segmentation)
- 全景分割(Panoptic Segmentation)
- 医学图像(Medical Image)
- 医学图像分割(Medical Image Segmentation)
- 视频目标分割(Video Object Segmentation)
- 视频实例分割(Video Instance Segmentation)
- 参考图像分割(Referring Image Segmentation)
- 图像抠图(Image Matting)
- 图像编辑(Image Editing)
- Low-level Vision
- 超分辨率(Super-Resolution)
- 去噪(Denoising)
- 去模糊(Deblur)
- 自动驾驶(Autonomous Driving)
- 3D点云(3D Point Cloud)
- 3D目标检测(3D Object Detection)
- 3D语义分割(3D Semantic Segmentation)
- 3D目标跟踪(3D Object Tracking)
- 3D语义场景补全(3D Semantic Scene Completion)
- 3D配准(3D Registration)
- 3D人体姿态估计(3D Human Pose Estimation)
- 3D人体Mesh估计(3D Human Mesh Estimation)
- 3D Visual Grounding(3D视觉定位)
- 医学图像(Medical Image)
- 图像生成(Image Generation)
- 视频生成(Video Generation)
- 3D生成(3D Generation)
- 视频理解(Video Understanding)
- 行为检测(Action Detection)
- 具身智能(Embodied AI)
- 文本检测(Text Detection)
- 知识蒸馏(Knowledge Distillation)
- 模型剪枝(Model Pruning)
- 图像压缩(Image Compression)
- 三维重建(3D Reconstruction)
- 深度估计(Depth Estimation)
- 轨迹预测(Trajectory Prediction)
- 车道线检测(Lane Detection)
- 图像描述(Image Captioning)
- 视觉问答(Visual Question Answering)
- 手语识别(Sign Language Recognition)
- 视频预测(Video Prediction)
- 新视点合成(Novel View Synthesis)
- Zero-Shot Learning(零样本学习)
- 立体匹配(Stereo Matching)
- 特征匹配(Feature Matching)
- 暗光图像增强(Low-light Image Enhancement)
- 场景图生成(Scene Graph Generation)
- 风格迁移(Style Transfer)
- 隐式神经表示(Implicit Neural Representations)
- 图像质量评价(Image Quality Assessment)
- 视频质量评价(Video Quality Assessment)
- 压缩感知(Compressive Sensing)
- 数据集(Datasets)
- 新任务(New Tasks)
- 其他(Others)
3DGS(Gaussian Splatting)
Agent
Avatars
Backbone
TinyViM: Frequency Decoupling for Tiny Hybrid Vision Mamba
CLIP
Mamba
TinyViM: Frequency Decoupling for Tiny Hybrid Vision Mamba
Vamba: Understanding Hour-Long Videos with Hybrid Mamba-Transformers
- 项目：https://tiger-ai-lab.github.io/Vamba/
- 论文：https://arxiv.org/abs/2503.11579
- 代码：https://github.com/TIGER-AI-Lab/Vamba
Embodied AI
GAN
OCR
NeRF
DETR
Prompt
多模态大语言模型(MLLM)
FALCON: Resolving Visual Redundancy and Fragmentation in High-resolution Multimodal Large Language Models via Visual Registers
- 论文：https://arxiv.org/abs/2501.16297
- 代码：https://github.com/JiuTian-VL/JiuTian-FALCON
- 项目：https://jiutian-vl.github.io/FALCON.github.io/
大语言模型(LLM)
World Model(世界模型)
Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning
- 项目：https://yijun-yang.github.io/MeWM/
- 论文：https://arxiv.org/abs/2506.02327
- 代码：https://github.com/scott-yjyang/MeWM
ReID(重识别)
扩散模型(Diffusion Models)
From Reusing to Forecasting: Accelerating Diffusion Models with TaylorSeers
Vision Transformer
视觉和语言(Vision-Language)
目标检测(Object Detection)
异常检测(Anomaly Detection)
目标跟踪(Object Tracking)
医学图像(Medical Image)
Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning
- 项目：https://yijun-yang.github.io/MeWM/
- 论文：https://arxiv.org/abs/2506.02327
- 代码：https://github.com/scott-yjyang/MeWM
医学图像分割(Medical Image Segmentation)
自动驾驶(Autonomous Driving)
Where, What, Why: Towards Explainable Driver Attention Prediction
- 论文：https://arxiv.org/abs/2506.23088
- 代码：https://github.com/yuchen2199/Explainable-Driver-Attention-Prediction
- 项目：https://github.com/yuchen2199/Explainable-Driver-Attention-Prediction
ROADWork Dataset: Learning to Recognize, Observe, Analyze and Drive Through Work Zones
- 论文：https://arxiv.org/abs/2406.07661
- 代码：https://github.com/anuragxel/roadwork-dataset
- 项目：https://www.cs.cmu.edu/~ILIM/roadwork_dataset/
DriveMM: All-in-One Large Multimodal Model for Autonomous Driving
- 项目：https://zhijian11.github.io/DriveMM/
- 论文：https://arxiv.org/abs/2412.07689
- 代码：https://github.com/zhijian11/DriveMM
3D点云(3D-Point-Cloud)
3D目标检测(3D Object Detection)
3D语义分割(3D Semantic Segmentation)
低级视觉
EAMamba：用于图像修复的高效全能视觉状态空间模型
超分辨率(Super-Resolution)
去噪(Denoising)
图像去噪(Image Denoising)
3D人体姿态估计(3D Human Pose Estimation)
#3D视觉定位(3D Visual Grounding)
图像生成(Image Generation)
DreamRenderer：在大规模文本到图像模型中驯服多实例属性控制
视频生成(Video Generation)
图像编辑(Image Editing)
重新思考空间与时间冗余以实现高效的图像编辑
- 项目：https://eff-edit.github.io
- 论文：https://arxiv.org/abs/2503.10270
- 代码：https://github.com/yuriYanZeXuan/EEdit
视频编辑(Video Editing)
3D生成(3D Generation)
3D重建(3D Reconstruction)
人体运动生成(Human Motion Generation)
视频理解(Video Understanding)
Vamba：利用混合Mamba-Transformer理解长达一小时的视频
- 项目：https://tiger-ai-lab.github.io/Vamba/
- 论文：https://arxiv.org/abs/2503.11579
- 代码：https://github.com/TIGER-AI-Lab/Vamba
具身智能(Embodied AI)
知识蒸馏(Knowledge Distillation)
深度估计(Depth Estimation)
立体匹配(Stereo Matching)
暗光图像增强(Low-light Image Enhancement)
图像压缩(Image Compression)](#IC)
场景图生成(Scene Graph Generation)
风格迁移(Style Transfer)
图像质量评价(Image Quality Assessment)
视频质量评价(Video Quality Assessment)
压缩感知(Compressive Sensing)
数据集(Datasets)
ROADWork数据集：学习识别、观察、分析并安全通过施工区域
- 论文：https://arxiv.org/abs/2406.07661
- 代码：https://github.com/anuragxel/roadwork-dataset
- 项目：https://www.cs.cmu.edu/~ILIM/roadwork_dataset/
其他(Others)
通过短视频进行音乐定位
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。