视觉与机器人
图像生成、文生图、图像编辑、扩散模型和可控生成。
Aura：通过基于VLM的语义对齐实现一致的多主体视频生成
机构 * Tencent Hunyuan（腾讯混元）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出Aura框架用于高保真和身份一致的视频生成，引入AI导演级字幕、利用VLM提取多模态语义特征，设计对齐策略，采用多种机制减少伪影，在多主体视频生成上达先进性能。
Comments Project page: https://aura-project-page.github.io/ Code: https://github.com/Camellia997/Aura
归一化物体坐标空间中用于生成视图合成的全局姿态控制
机构 * The Chinese University of Hong Kong（香港中文大学） ； Amazon（亚马逊）
专题命中 可控生成 ：image editing(abstract)；分类 cs.CV
AI总结 针对现有生成模型在目标视图全局控制上的不足，提出在归一化物体坐标空间中精确相机控制的新方法，以单张或少量无姿态图像为输入，将视图合成视为图像编辑问题，提升了视图生成质量和保真度。
Comments Accepted to ECCV 2026. Project page https://lizb6626.github.io/GlobalNVS/
CHIMERA：适应性缓存注入与语义锚点提示的零样本图像变形方法：基于变形导向的度量
机构 * Chung-Ang University（Chung-Ang 大学） ； Princeton University（普林斯顿大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 CHIMERA通过逆向引导去噪和互补特征重用，解决传统图像变形方法中特征重用不充分和文本条件不兼容的问题，提出语义锚点提示和变形导向度量，提升变形效果的平滑性和语义一致性。
Comments ECCV 2026 (camera ready ver.). Please visit our project page at https://cmlab-korea.github.io/CHIMERA/
异构约束下无需训练的可控人体运动生成
机构 * Lancaster University（兰卡斯特大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出Motion-Inference-as-Control框架，将扩散运动生成建模为随机控制问题，统一处理连续目标型和基于准则的约束，无需约束特定训练或可微性要求。
Comments ECCV 2026
SPAR: 语义-像素自对齐与自适应路由的统一多模态模型
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Xiaohongshu Inc.（小红书公司）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出SPAR框架，通过非对称双流统一分词器协调语义感知与像素重建，利用自对齐生成范式消除外部依赖，并引入动态令牌路由实现灵活多模态交互，在统一架构中达到生成、重建与视觉理解的最优性能。
Comments ECCV2026
PASDiff: 面向真实世界低光人脸增强与恢复的物理感知语义引导
机构 * Nanjing University of Posts and Telecommunications（南京邮电大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； PCA Lab, Nanjing University of Science and Technology（南京理工大学PCA实验室） ； East China Normal University（华东师范大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出PASDiff，一种无需训练的物理感知语义扩散模型，通过逆强度加权和Retinex理论引入光度约束，并利用风格无关结构注入从现成人脸先验中提取结构，在真实低光人脸增强上实现自然光照、色彩恢复和身份一致性的优越平衡。
Comments Accepted by ECCV 2026
通过修补UV空间高斯建模的一次前馈360度可动画化头像
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Zeekr Automobile R&D Co., Ltd（Zeekr汽车研发有限公司）
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 提出一种基于UV空间高斯建模的一次前馈框架，利用预训练3D GAN的先验知识修补缺失区域，实现360度全头可动画化头像的高质量重建与实时动画。
Comments Accepted by ECCV 2026. Project page: https://shaelynz.github.io/fhavatar/
TabletopGen: 桌面场景生成与机器人操作的交互式仿真
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), Institute of Automation, Chinese Academy of Sciences（中国科学院多模态人工智能系统国家重点实验室） ； D-Robotics ； Horizon Robotics
专题命中 可控生成 ：text-to-image(abstract)；分类 cs.CV
AI总结 提出TabletopGen，一种无需训练的全自动桌面场景生成与交互仿真引擎，通过实例提取、位姿对齐和物理仿真生成可交互场景，用于机器人操作数据合成。
Comments Project page: https://d-robotics-ai-lab.github.io/TabletopGen.project/
ECoSim：面向可控交通模拟的数据高效微调
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； University of California, Berkeley（加州大学伯克利分校）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出轻量级控制适应框架，通过身份初始化的FiLM层调制中间特征，为预训练的扩散和自回归交通模型添加多模态控制（草图、潜在行为编码和文本），使用不到1%的配对数据实现强可控性。
Comments European Conference on Computer Vision (ECCV) 2026
MEPA: 基于专家混合的多尺度表示对齐用于视觉自回归建模
机构 * State Key Laboratory of Integrated Services Networks, Xidian University（西安电子科技大学综合业务网理论及关键技术国家重点实验室） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 针对视觉自回归模型在多尺度表示学习中的优化冲突和语义传播问题，提出尺度感知的专家混合架构和残差特征聚合方案，提升训练效率和生成质量。
Comments 15 pages, 4 figures, 8 tables, Accepted at ECCV 2026
Rosetta: 可组合的原生多模态预训练
机构 * HKUST（香港科技大学） ； Tencent Hunyuan（腾讯混元）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 提出Rosetta框架，通过动量锚定正交投影（MAOP）实现无损模态扩展，解决多模态预训练中的灾难性遗忘和梯度冲突问题。
ForAug: 通过受控图像组合缓解图像分类中的偏差
机构 * RPTU University Kaiserslautern-Landau（凯泽斯劳滕-兰道大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 提出ForAug方法，通过将训练图像分解为前景和背景并重新组合，显式控制物体位置、尺度和背景，打破前景-背景相关性，在ImageNet上提升最高6%准确率，并减少捷径学习行为。
Comments v2: DeiT, ablation vs simple copy-paste, v4: more augmentation pipelines, robustness benchmarks, mask quality analysis
无处可藏：基于背景控制对的视频幻觉基准测试
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Knowin AI（考恩人工智能） ； The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 可控生成 ：text-to-image(abstract)；分类 cs.CV
AI总结 提出VidPair-Halluc基准，通过背景相似但前景语义不同的视频对，精确评估大型视频模型中的视频幻觉，包含1K对抗视频对和11K时空问答对。
Comments ECCV 2026
DCGrasp: 距离感知的可控抓取生成
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出DCGrasp系统，利用距离感知抓取能量项生成高质量、物理合理的3D手-物交互，支持灵活用户控制并泛化到多样物体和手形。
重新思考黑盒设置下语义水印的伪造攻击：一种几何畸变视角
机构 * Academia Sinica（中国台湾“学术院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文从率-畸变理论出发，揭示代理模型与目标模型间的结构失配导致不可约畸变，并将其建模为潜在流形上的全局漂移和局部变形，进而提出一种方案无关的检测方法以区分伪造样本。
Comments Accepted at ICML 2026, updated
MMControl: 多模态控制用于联合音频视频生成
机构 * Zhejiang University（浙江大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出MMControl，通过双流条件注入机制实现联合音频视频生成的多模态控制，支持视觉和听觉信号的精细控制，提升跨模态对齐效果。
Comments Accepted to ECCV 2026. Project page: https://aim-uofa.github.io/MMControl/
共生MoE：解构生成与理解之间的协同效应
机构 * HKUST（香港科技大学） ； Tencent Hunyuan（腾讯混元）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出Symbiotic-MoE框架，通过模态感知专家解缠绕和渐进训练策略，解决生成与理解任务间的冲突，提升多模态协同能力，在MMLU和OCRBench上取得显著提升。
Comments Accepted to ECCV 2026
ExploreVLA: 为端到端自动驾驶的密集世界建模与探索
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出基于世界建模的统一理解与生成框架，通过密集监督和内在奖励提升自动驾驶策略探索能力，在NAVSIM和nuScenes基准上取得优异性能。
Comments Accepted to ECCV 2026. The code is available at https://zihaosheng.github.io/ExploreVLA/
UCM：基于时间感知位置编码变形的相机控制与内存统一建模
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 UCM通过时间感知位置编码变形机制实现相机控制与长期记忆的统一建模，在真实和合成基准测试中显著提升场景一致性并实现高保真视频生成的精确控制。
Comments Project Page: https://humanaigc.github.io/ucm-webpage/
SDGIC: 一种基于语义消歧的生成图像压缩方法，用于超低比特率
机构 * School of Information and Communications Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院） ； Department of Electrical and Computer Engineering, Faculty of Applied Science, The University of British Columbia（不列颠哥伦比亚大学应用科学学院电气与计算机工程系）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出SDGIC框架，通过三种互补的指导流约束扩散重建，提升超低比特率下的语义一致性与感知质量，减少23.4%的AFINE。
绝对尺度下的场景生成：利用文本的语义和几何引导实现精确且可解释的3D室内场景生成
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出GuidedSceneGen框架，通过文本预测全局3D布局并利用全景扩散模型和视频扩散模型生成绝对尺度的室内场景，实现高一致性、可导航的3D重建。
通过高级模态条件与交互驯服文本到发声视频生成
机构 * Renmin University of China（中国人民大学） ； Apple（苹果公司）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出分层视觉基础字幕框架（HVGC）生成解耦的视频和音频字幕，并基于此引入双塔扩散变换器BridgeDiT，通过双交叉注意力机制实现对称双向信息交互，在三个基准数据集上达到最先进结果。
Comments The 19th European Conference on Computer Vision -- ECCV 2026
RoPEMover: 通过位置嵌入实现深度感知的物体重定位
机构 * Bilkent University（比尔肯大学） ； Brown University（布朗大学） ； Adobe Research（Adobe研究院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出一种基于扩散Transformer位置表示（RoPE）的几何感知物体运动方法，通过深度感知的2D RoPE扩展实现3D空间位移，在合成数据与少量真实图像训练下，实现物体身份保持、遮挡区域生成及阴影光照一致更新。
LISA: 似然分数对齐用于视觉条件可控生成
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Huawei Research（华为研究院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出LISA方法，通过将侧网络中间特征与近似似然分数对齐，加速训练收敛并提升生成质量，且不增加推理成本。
扩展空间中针对人脸交换的可迁移攻击
机构 * IEEE（电气电子工程师学会） ； IEEE International Conference on Multimedia and Expo (ICME)（IEEE国际多媒体与展览会议）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出基于重光照函数的加性身份攻击（AIR），通过联合重光照和加性扰动扩展攻击空间，生成强且视觉自然的对抗样本，无需代理模型即可高效迁移攻击多种主体无关的人脸交换模型。
UniTranslator：一种用于端到端图像内机器翻译的统一多模态框架
机构 * MiLM Plus, Xiaomi Inc（小米公司MiLM Plus） ； Binghamton University（宾汉姆顿大学）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 提出UniTranslator统一框架，通过理解-生成对齐模块和空间掩码解码器解决翻译理解与文本编辑的冲突及空间错位问题，在多个基准上实现最先进性能。
Comments Accepted by ECCV 2026
IMAGIN-4D：图像引导的可控交互生成
机构 * Meta, Zurich（Meta 苏黎世）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出IMAGIN-4D，一种基于扩散模型的人-物交互生成方法，通过时空分解的图像条件控制交互细节，提升细粒度交互控制能力。
Comments 15 pages, 8 figures. Project page: https://imagin4d.github.io
BEV-Denoise：学习内在噪声以实现精确的鸟瞰图语义分割
机构 * Electronics and Telecommunications Research Institute (ETRI)（韩国电子通信研究院） ； University of Science and Technology (UST)（科学技术联合大学院大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出BEV-Denoise框架，利用UNet噪声估计模块从鸟瞰图特征中去除内在噪声，通过任务分解学习范式训练，提升多种视图变换模型的语义分割精度。
Go-with-the-Track: 基于点追踪的视频合成与运动控制
机构 * Netflix USA（Netflix美国） ； Eyeline Labs USA（Eyeline Labs美国） ； University of Oxford（牛津大学） ； Eyeline Labs Los Angeles USA（Eyeline Labs洛杉矶美国） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stony Brook University USA（石溪大学美国） ； Columbia University USA（哥伦比亚大学美国） ； Eyeline Labs United Kingdom（Eyeline Labs英国） ； Netflix Los Angeles USA（Netflix洛杉矶美国）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 提出Go-with-the-Track，通过联合条件多参考图像和参考锚定点轨迹，统一视频合成与运动控制，实现精确合成与运动控制。
Comments SIGGRAPH 2026, Project page: https://eyeline-labs.github.io/Go-with-the-Track/
FlowBender: 面向自校正条件流的反馈感知训练
机构 * Technion（以色列理工学院） ； NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 针对条件扩散/流模型常违反任务约束的问题，提出FlowBender闭环框架，将对齐误差作为输入训练网络学习校正策略，在图像翻译、复原和3D纹理贴图中同时提升保真度与合理性。
Comments Project page: https://flow-bender.github.io/
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈