大家好，我叫许刚伟，导师为杨欣教授，研究方向为三维重建和世界模型。以第一作者在顶刊和顶会（CCF-A类）上发表论文7篇，分别是T-PAMI两篇、NeurIPS一篇、CVPR三篇、ICCV一篇。参与发表的CCF-A类论文共16篇，其中有两篇一作论文引用次数超350次，四篇一作论文引用次数超100次，在Github上的开源项目累计加星超3000次。已授权专利2项（我为学生第一发明人）。获得首届国家自然科学基金博士生项目资助，获华中科技大学“学术新星”称号。
过去的一年，我的科研经历有波折也有平坦。一开始并不顺利，投稿的两篇 CVPR 2025论文都被拒了。我仍然清晰地记得，大年除夕那天我还在实验室撰写 CVPR 的rebuttal，直到晚上才赶回家吃年夜饭。虽然结果令人遗憾，但我还是平静研读了最终的拒稿意见，不断修改、完善，最终成功发表在 ICCV 2025 上。
与此同时，我也开始尝试一个更有挑战性的项目。我们注意到，当前的单目深度估计基础模型（如 Depth Anything）在深度边缘处普遍存在“飞点”问题。为了解决这一问题，我希望引入生成式概率建模的思路。然而，现有的生成式方法（如 Marigold）普遍依赖 VAE 进行压缩，而我发现 VAE 本身会进一步引入飞点伪影。于是，一个自然的想法是直接在像素空间进行扩散生成，彻底去掉 VAE。
这一设想在实践中却遇到了极大的困难。像素空间的扩散模型对计算资源要求极高，幸好在杨老师的帮助下，我们解决了算力难题。但新的问题随之出现：没有 VAE 的压缩，模型训练难以收敛。这其实也在情理之中——如果像素空间扩散能轻易实现，那么 OpenAI 的 Sora 或阿里的 Wan 也不会继续使用 VAE。尽管困难重重，我并没有放弃。我广泛阅读相关论文，尝试借鉴 DeepMind 的方案，但效果并不理想。后来，我受谢赛宁等人的 REPA 方法启发，进行了多轮改进与优化，模型性能终于取得了显著提升。
这个项目前后尝试了数十种方案，跑了上百个实验，许多思路最终被否定。过程中也曾好几次想过放弃这个项目，但最终还是坚持了下来。幸运的是，这份努力得到了回报。我们将成果投稿至 NeurIPS 2025，获得了四位审稿人一致的高度评价，评审意见全部都是正面反馈，最终以高分（5,5,5,5）被录用。
转眼间，我也是博三了，进入博士倒计时。回望这段经历，无论是论文被拒还是项目受挫，似乎都不再那么令人痛苦。更多的是一种平静和坦然——继续修改，继续尝试。
