Kerui Ren

Real2Gym 提出一个 agentic Real2Sim2Real 框架，把人类与机器人演示视频重建为视觉对齐、经原生物理验证的 Blender 与 MuJoCo 交互环境，并让智能体在其中生成可执行代码、把成功与失败经验蒸馏为可复用技能，在 24 个 DROID 与 EgoDex 重建环境上以 87.5% 任务成功率、约 75% 更少策略执行 token 超过 GPT-6 Astra，并在真实 Franka 机器人上把零样本失败的窄间隙放盘任务经仿真演化后成功执行。

Real2Gym 提出一个 agentic Real2Sim2Real 框架，把人类与机器人演示视频重建为视觉对齐、经原生物理验证的 Blender 与 MuJoCo 交互环境，并让智能体在其中生成可执行代码、把成功与失败经验蒸馏为可复用技能，在 24 个 DROID 与 EgoDex 重建环境上以 87.5% 任务成功率、约 75% 更少策略执行 token 超过 GPT-6 Astra，并在真实 Franka 机器人上把零样本失败的窄间隙放盘任务经仿真演化后成功执行。

GeoVerse 在预训练 3D 基础模型（DA3）的几何潜空间内做扩散生成，用 ControlNet 式适配器把冻结的 Wan2.2 VACE 视频特征注入去噪器，并用持续更新的彩色点云空间记忆把历史内容重投影为目标对齐引导，从而在稀疏输入下合成跨视角一致的新视图；在 DL3DV、RealEstate10K、Mip-NeRF 360、ScanNetV2 四个基准上取得更优的视觉质量与几何一致性，其中 DL3DV 的 PSNR 比 GLD 高 2.23 dB、Mip-NeRF 360 的 ATE 比 GLD 低 32.4%，并通过 reflow 蒸馏把推理从 100 秒以上降到 10 秒以内。

GeoVerse 在预训练 3D 基础模型（DA3）的几何潜空间内做扩散生成，用 ControlNet 式适配器把冻结的 Wan2.2 VACE 视频特征注入去噪器，并用持续更新的彩色点云空间记忆把历史内容重投影为目标对齐引导，从而在稀疏输入下合成跨视角一致的新视图；在 DL3DV、RealEstate10K、Mip-NeRF 360、ScanNetV2 四个基准上取得更优的视觉质量与几何一致性，其中 DL3DV 的 PSNR 比 GLD 高 2.23 dB、Mip-NeRF 360 的 ATE 比 GLD 低 32.4%，并通过 reflow 蒸馏把推理从 100 秒以上降到 10 秒以内。

InfiniHand 是一个端到端流式前馈框架，直接从无标定的第一视角视频联合估计 MANO 参数、相机轨迹与手部位置，在约 5000 小时聚合第一视角数据上分两阶段训练，在 ARCTIC 上把 PA-p 相对 ViDiHand 降低 21.4%（9.82 降至 7.72 毫米），在 EgoDex 上把 W-MPJPE 相对 Dyn-HaMR 从 78.41 降至 28.77 毫米，并以 11.19 FPS 运行，吞吐超过 HaWoR 两倍以上。

InfiniHand 是一个端到端流式前馈框架，直接从无标定的第一视角视频联合估计 MANO 参数、相机轨迹与手部位置，在约 5000 小时聚合第一视角数据上分两阶段训练，在 ARCTIC 上把 PA-p 相对 ViDiHand 降低 21.4%（9.82 降至 7.72 毫米），在 EgoDex 上把 W-MPJPE 相对 Dyn-HaMR 从 78.41 降至 28.77 毫米，并以 11.19 FPS 运行，吞吐超过 HaWoR 两倍以上。