AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
ZeShot-VQA：一种基于零样本学习的视觉问答框架，用于自然灾害损害评估
专题命中 视觉问答 ：visual question answering(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出基于零样本学习的ZeShot-VQA框架，用于自然灾害损害评估，无需微调即可处理新数据集并生成未见过的答案。
Comments Accepted by the 2025 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2025)
Tri-Bench：在相机倾斜和物体干扰下测试VLM在空间推理中的可靠性
机构 * Amit Bendkhale（独立研究者）
专题命中 视觉推理 ：VLM(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 Tri-Bench通过测试VLM在相机倾斜和物体干扰下的空间推理可靠性，揭示了模型在几何推理中的不足。
Comments 6 pages, 3 figures. Code and data: https://github.com/Amiton7/Tri-Bench. Accepted to the AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)
无标签，无问题：利用多模态验证器训练视觉推理器
机构 * California Institute of Technology（加州理工学院）
专题命中 视觉推理 ：VLM(abstract)；visual reasoning(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出无需标注的视觉推理训练框架，结合AI驱动的验证器提升推理与定位能力，超越现有开源和专有模型。
Comments Project webpage: https://glab-caltech.github.io/valor/
MM-CoT：一种用于探测多模态模型中视觉链式推理的基准测试
机构 * Sun Yat-sen University（中山大学） ； Alibaba Group（阿里巴巴集团） ； Snap Inc（Snap公司）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 MM-CoT是一种用于评估多模态模型视觉链式推理能力的基准测试，通过验证推理链的视觉一致性和逻辑一致性，揭示生成模型在真实推理上的不足。
无需训练的双双曲适配器用于更高效的跨模态推理
机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； Department of Electrical and Electronic Engineering, Southern University of Science and Technology（南方科技大学电子与电气工程系） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学应用数学中心）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出无需训练的双双曲适配器方法，通过双曲空间嵌入提升跨模态推理性能，实现更高效的领域泛化和少样本识别。
Comments Accepted in IEEE Transactions on Multimedia (TMM)
MELLM：一种面向微表情理解的流引导大型语言模型
机构 * University of Science and Technology of China（中国科学技术大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； Nanjing University（南京大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 MELLM通过结合光学流敏感性与LLM推理能力，首次实现对微表情的全面理解，显著提升微表情识别的准确性和泛化能力。
基于视觉基础模型和视觉语言模型的3D姿态估计视觉比较：VFM-VLM
机构 * Dept. of Electronic Engineering Yeungnam University Advanced Visual Intelligence Lab（电子工程系 韩国又南大学 高级视觉智能实验室）
专题命中 视觉定位与Grounding ：vision language model(title,abstract)；VLM(title)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文比较了基于CLIP和DINOv2的视觉模型在3D姿态估计中的性能，展示了两者在语义理解和几何精度上的互补优势，为机器人抓取应用提供了模型选择依据。
细粒度眼动视频时空定位
机构 * The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 本文提出EgoMask基准和EgoMask-Train数据集，针对眼动视频细粒度时空定位的挑战，通过微调提升模型性能。
Comments Accepted by ICCV 2025
利用物体接地提升时间敏感视频理解
机构 * Intel（英特尔公司）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.CV
AI总结 本文提出 GO-Tokenizer 以提升视频大型语言模型的时间敏感视频理解能力，通过实时编码紧凑的物体信息，提高模型性能并减少噪声影响。
Comments Accepted to WACV 2026
具身思维树：基于具身世界模型的 deliberative 操控规划
机构 * University of Chinese Academy of Sciences (UCAS)（中国科学院大学） ； Tsinghua University（清华大学） ； JD Explore Academy（京东探索学院） ； ShanghaiTech University（上海科技大学） ； Nanjing University（南京大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 EToT通过基于物理的交互数字双胞胎实现具身世界模型，结合先验分支和反思分支机制，提升机器人操控规划的物理一致性和鲁棒性。
Comments Website at https://embodied-tree-of-thoughts.github.io
AudioScene: 将对象事件音频整合到3D场景中
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出AudioScene数据集，通过整合音频事件与3D场景，探索音频条件任务，提升空间学习的准确性与多样性。
统一扩散变压器用于高质量文本感知图像恢复
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Samsung Electronics（三星电子）
专题命中 文档图表理解 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 UniT通过整合扩散变压器、视觉-语言模型和文本识别模块，实现高质量文本感知图像恢复，有效抑制文本幻觉并取得最佳性能。
MVP: 多视角预测改进 GUI 定位
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； College of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院） ； Venus Team, Ant Group（蚂蚁集团 Venus 团队）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；分类 cs.CV
AI总结 MVP 通过多视角预测方法提升 GUI 定位的稳定性与准确性，显著提高多个模型的性能指标。
See-Control: 一种多模态代理框架用于智能手机与机械臂的交互
机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； ShanghaiTech University（上海科技大学） ； Southern University of Science（南方科技大学）
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 See-Control通过直接与机械臂交互实现智能手机操作，无需ADB或系统后台访问，提供了一个平台无关的多模态代理框架。
放慢脚步，快速移动：一种通用视觉-语言导航的双系统基础模型
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract)
AI总结 DualVLN通过双系统架构，结合高层推理与低层动作执行，提升视觉-语言导航的泛化能力和动态环境适应性。
语义-度量贝叶斯风险场：从人类视频中学习机器人安全性的方法
机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院）
专题命中 幻觉与鲁棒性 ：VLM(title,abstract)；vision-language model(abstract)
AI总结 本文提出基于贝叶斯框架的语义-度量风险场，通过人类视频学习机器人安全风险模型，实现类人风险评估与规划。
OMNIGUARD：一种跨语言和模态的高效AI安全审查方法
机构 * University of Washington（华盛顿大学） ； Microsoft（微软公司）
专题命中 幻觉与鲁棒性 ：MLLM(abstract)；分类 cs.AI、cs.LG
AI总结 Omniguard提出了一种跨语言和模态的高效方法，通过构建语言或模态无关的分类器提升有害提示检测的准确率，并在多语言、图像和音频提示任务中取得显著效果。
大型语言模型在代理场景中为何失败？对各种LLM在代理模拟中成功与失败场景的定性分析
机构 * Kamiwaza AI
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI
AI总结 研究分析了LLM在代理任务中的失败原因，发现模型规模不决定鲁棒性，强调训练和设计对可靠性的重要性。
Comments 48 pages, 3 tables, 2 listings
一种面向传感器的现象学框架用于激光雷达退化仿真和SLAM鲁棒性评估
机构 * Turku Intelligent Embedded and Robotic Systems (TIERS) Lab , University of Turku（图尔库智能嵌入与机器人系统实验室，图尔库大学） ； School of Information Science and Technology, Fudan University（信息科学与技术学院，复旦大学）
专题命中 幻觉与鲁棒性 ：grounding(abstract)
AI总结 本文提出一种面向传感器的现象学框架，用于模拟激光雷达退化并评估SLAM系统的鲁棒性，通过保留点云结构并应用多种退化方法，实现可控的仿真测试。
大规模视觉-语言模型中的形状与纹理识别
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 研究发现大规模视觉-语言模型在识别抽象形状和纹理时表现不足，而人类和简单网络表现更佳。
看不见的偏见：预规范MLLM中规范差异如何导致视觉信息丢失
机构 * Peking University（北京大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Xi’an Jiaotong University（西安交通大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 VLM训练与架构 ：LLaVA(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文揭示了预规范MLLM中规范差异导致的视觉信息丢失问题，并提出通过插入层规范层来解决这一问题，提升模型整体能力。
使基于VLM微调的鲁棒少样本识别得以验证
机构 * University of Macau（澳门大学） ； Texas A&M University（德克萨斯A&M大学） ； Institute of Collaborative Innovation（协同创新研究所）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出VEST框架，通过验证启用的分阶段微调策略，解决少样本识别中验证数据不足的问题，提升模型在ID和OOD数据上的泛化能力。
Comments Project website: https://hannawang09.github.io/projects/vest/
MiniGPT-5：通过生成性vokens实现交错的视觉-语言生成
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Santa Barbara（加州大学圣芭芭拉分校）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 MiniGPT-5通过生成性vokens实现交错的视觉-语言生成，显著提升多模态生成任务的性能。
轨迹密集化与基于视角的模糊深度估计
机构 * College of Optical Science and Engineering（光学科学与工程学院） ； Zhejiang University（浙江大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出了一种基于视角模糊和密集轨迹的深度估计方法，利用视觉-语言模型和光学设计算法实现大范围深度的高精度重建。
超越真实权重：用于稳定量化 的超复数表示
机构 * Artificial Intelligence Department, RobotBulls Labs（机器人bulls实验室人工智能部门） ； Machine Intelligence Lab (MILab), North South University（北南大学机器智能实验室）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出了一种基于超复数乘法的渐进式重新参数化策略，用于压缩多模态语言模型，实现参数和计算量的显著减少，同时保持模型性能。
Comments Accepted in Winter Conference on Applications of Computer Vision (WACV) 2026
CATP：面向高效增强多模态上下文学习的上下文自适应令牌剪枝
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 CATP通过上下文自适应令牌剪枝方法，提升多模态上下文学习的效率和性能，减少冗余令牌带来的影响。
Comments 14 pages, 12 figures, 6 tables
你可能可以自由发言：通过答案提取提升多模态大语言模型的细粒度视觉识别能力
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿姆赫斯特分校） ； Brown University（布朗大学）
专题命中 其他VLM ：multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出nlg2choice方法，通过两阶段策略提升多模态大语言模型在细粒度视觉识别任务中的表现，通过开放性问题和受限解码提高检索效率。
Comments Accepted to WACV26. 12 pages, 8 tables, 5 figures
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