而2025年ICCV大会共收到了11239份有效投稿，为历史最多，这些投稿经过评审后接受2698篇论文，接受率为24%，由此可以看出理想汽车此次多篇论文中稿ICCV的含金量。 理想汽车CEO李想也在社交媒体上发文表示：“如果大家对ICCV论文含金量不太理解，可以类比医学界的《柳叶刀》论文，每一篇都能代表世界级的‘学术金牌’。” 此外，李想还提到，除理想汽车自动驾驶团队中稿的5篇论文外，理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，理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，这篇论文的是理想汽车与浙江大学合作在世界模型方面的进展。 在署名作者中可以看到，理想汽车智能驾驶高级算法专家詹锟、理想汽车高级算法工程师王一达的名字出现了论文署名中。 论文中表示，近年来可微渲染技术的进步显著提升了动态街景重建的效果。然而，大规模场景和动态元素（如车辆和行人）的复杂性仍是重大挑战，现有方法通常难以扩展到大型场景或准确建模任意动态。 为解决这些限制，研究者提出Hierarchy UGP，其构建了由根层级、子场景层级和基元层级组成的层次结构，并使用在四维空间中定义的统一高斯基元（UGP）作为表示，实现动态静态长达1km的重建能力。 根层级作为层次结构的入口点。在子场景层级，场景在空间上被划分为多个子场景，并提取各种元素。在基元层级，每个元素通过UGP建模，其全局位姿由与时间相关的运动先验控制。 子场景并行优化采用“块级对象训练策略”，避免跨子场景动态对象的干扰，通过“时间尺度初始化”提升大幅运动区域的拟合精度。 与Waymo和PandaSet等公开数据集相比，Dynamic City数据集包含更广泛的街景，研究者将该数据集作为开源资源发布，以推进大规模动态街景重建的研究。 为证明算法的有效性并确保公平比较，研究者进行了两个实验：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。 此外，结果表明Hierarchy UGP和OmniRe在测试帧上的视觉质量下降更为明显。这种下降发生是因为在这些帧中，行人运动完全未知，UGP 和 SMPL 都无法完全捕捉行人的运动，导致性能明显下降。尽管如此，Hierarchy UGP仍然与最先进的方法具有竞争力。 在端到端规划模型方面，理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学习实现无需感知标注的端到端规划模型。 理想汽车与中山大学合作的《RoboPerls》论文，利用3DGS构建面向机器人操作的可编辑视频仿真框架，能够从示范视频构建具有照片级真实感、视角一致的仿真环境，支持机器人的数据合成。 理想汽车独立完成的《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、增强低纹理表面恢复并保留精细结构细节。 理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、高多样性等特性，将有力促进三维车辆识别与重建技术的发展。 理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、大容量等特性，可用于训练多模态数字人脸视频生成基座大模型。 理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制化微调范式，可适配现有各种生成模型，训练参数为普通LoRA的一半，微调速度更快，并能用于多属性组合生成等定制化场景。 理想汽车发表的《Twig：Growing a Twig to Accelerate Large Vision-Language Models》论文，提出一种自适应VLM Token压缩&推理加速方法，通过分支引导的Token剪枝策略&自投机解码策略，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阶段的模型计算效率，在长问答Task上可实现1.5倍的提速。 理想汽车此前已在人工智能领域的顶级学术会议和期刊上崭露头角。近3年，理想汽车围绕端到端、世界模型、VLA和基座模型等核心技术，在AAAI、CVPR、ICRA等顶级学术平台发表了近50篇论文。 在基础理论研究过程中，理想汽车在独立研究之外，还积极与高校展开合作，能够充分利用高校的科研资源和人才优势，加速技术研究进程。