视觉大模型 / VLM

DVGBench: Implicit-to-Explicit Visual Grounding Benchmark in UAV Imagery with Large Vision-Language Models

DVGBench: 面向无人机影像的隐式到显式视觉 grounding 评估基准

Yue Zhou, Jue Chen, Zilun Zhang, Penghui Huang, Ran Ding, Zhentao Zou, PengFei Gao, Yuchen Wei, Ke Li, Xue Yang, Xue Jiang, Hongxin Yang, Jonathan Li

机构 * Hinton STAI Institute（Hinton STAI研究所） ； Key Laboratory of Geographic Information Science (Ministry of Education), East China Normal University（地理信息科学重点实验室（教育部）） ； School of Geospatial Artificial Intelligence, East China Normal University（地理空间人工智能学院） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Information Engineering University（信息工程大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；分类 cs.CV

AI总结 DVGBench 是一个面向无人机影像的隐式到显式视觉 grounding 评估基准，通过设计 DroneVG-R1 模型提升 LVLM 的推理能力。

Comments 20 pages, 17 figures

BARE: Towards Bias-Aware and Reasoning-Enhanced One-Tower Visual Grounding

BARE：面向偏见意识和推理增强的单塔视觉定位

Hongbing Li, Linhui Xiao, Zihan Zhao, Qi Shen, Yixiang Huang, Bo Xiao, Zhanyu Ma

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Pengcheng Laboratory（鹏城实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV

AI总结 BARE通过引入三个新模块，提升单塔视觉定位任务中对偏见的意识和推理能力，实现更高效和准确的多模态理解。

Leveraging 2D-VLM for Label-Free 3D Segmentation in Large-Scale Outdoor Scene Understanding

利用2D-VLM实现无标注3D分割以支持大规模户外场景理解

Toshihiko Nishimura, Hirofumi Abe, Kazuhiko Murasaki, Taiga Yoshida, Ryuichi Tanida

机构 * NTT Corporation（日本电报电话公司） 纠错

专题命中 视觉定位与Grounding ：VLM(title)；分类 cs.CV

AI总结 本文提出基于2D-VLM的无标注3D分割方法，通过虚拟相机投影和自然语言提示实现大规模户外场景的语义分割，支持开放词汇识别。

Comments 19

Journal ref 19th International Conference on Machine Vision Applications (MVA2025), IEICE Transactions on Information and Systems letter

LSRE: Latent Semantic Rule Encoding for Real-Time Semantic Risk Detection in Autonomous Driving

LSRE: 隐式语义规则编码用于自动驾驶中的实时语义风险检测

Qian Cheng, Weitao Zhou, Cheng Jing, Nanshan Deng, Junze Wen, Zhaoyang Liu, Kun Jiang, Diange Yang

机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；分类 cs.AI

AI总结 LSRE通过隐式语义规则编码实现自动驾驶中的实时语义风险检测，以10 Hz速度提供高效准确的危险预判。

Affordance-Guided Coarse-to-Fine Exploration for Base Placement in Open-Vocabulary Mobile Manipulation

基于 affordance 的粗到细探索用于开放词汇移动操控中的基座放置

Tzu-Jung Lin, Jia-Fong Yeh, Hung-Ting Su, Chung-Yi Lin, Yi-Ting Chen, Winston H. Hsu

专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；分类 cs.AI

AI总结 本文提出了一种基于 affordance 的粗到细探索方法，通过结合视觉语言模型的语义理解和几何可行性，提升开放词汇移动操控中基座放置的成功率。

Comments Accepted to AAAI 2026

HyperCLOVA X 8B Omni

HyperCLOVA X 8B Omni：首个支持文本、音频和视觉的任何到任何多模态模型

NAVER Cloud HyperCLOVA X Team

机构 * NAVER Cloud HyperCLOVA X Team（NAVER云HyperCLOVA X团队） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG

AI总结 HyperCLOVA X 8B Omni是首个支持文本、音频和视觉的任何到任何多模态模型，通过统一的多模态处理实现高效且灵活的多模态交互。

Comments Technical Report

EgoReAct: Egocentric Video-Driven 3D Human Reaction Generation

EgoReAct：基于第一人称视频的3D人体反应生成

Libo Zhang, Zekun Li, Tianyu Li, Zeyu Cao, Rui Xu, Xiaoxiao Long, Wenjia Wang, Jingbo Wang, Yuan Liu, Wenping Wang, Daquan Zhou, Taku Komura, Zhiyang Dou

机构 * THU（清华大学） ； Brown（布朗大学） ； Georgia Tech（佐治亚理工学院） ； Cambridge（剑桥大学） ； HKU（香港大学） ； NJU（南京大学） ； CUHK（香港中文大学） ； HKUST（香港科技大学） ； TAMU（德克萨斯大学奥斯汀分校） ； PKU（北京大学） ； MIT（麻省理工学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI

AI总结 EgoReAct通过构建HRD数据集，首次实现从第一人称视频实时生成3D对齐的人体反应运动，提升生成的现实感和空间一致性。

Comments 12 pages, 9 figures

SLGNet: Synergizing Structural Priors and Language-Guided Modulation for Multimodal Object Detection

SLGNet: 结合结构先验与语言引导调制的多模态目标检测

Xiantai Xiang, Guangyao Zhou, Zixiao Wen, Wenshuai Li, Ben Niu, Feng Wang, Lijia Huang, Qiantong Wang, Yuhan Liu, Zongxu Pan, Yuxin Hu

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航天信息研究所） ； Key Laboratory of Target Cognition and Application Technology, Chinese Academy of Sciences（中国科学院目标认知与应用技术重点实验室） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件学院） 纠错

专题命中 视觉定位与Grounding ：VLM(abstract)；分类 cs.CV

AI总结 SLGNet通过结合结构先验与语言引导调制，在冻结的ViT基础上实现高效多模态目标检测，提升环境适应性和检测性能。

Cost-Efficient Cross-Lingual Retrieval-Augmented Generation for Low-Resource Languages: A Case Study in Bengali Agricultural Advisory

低成本的跨语言检索增强生成用于低资源语言：孟加拉语农业咨询案例研究

Md. Asif Hossain, Nabil Subhan, Mantasha Rahman Mahi, Jannatul Ferdous Nabila

机构 * Dept. of Computer Science and Engineering（计算机科学与工程系） ； East West University（东-西大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出了一种低成本的跨语言检索增强生成框架，用于孟加拉语农业咨询，通过翻译和领域关键词注入提升生成质量，实现低资源语言下的高效农业知识访问。

Comments 5 pages, 3 figures, 1 table

Theory Trace Card: Theory-Driven Socio-Cognitive Evaluation of LLMs

理论追溯卡：基于理论的社认知评估方法

Farzan Karimi-Malekabadi, Suhaib Abdurahman, Zhivar Sourati, Jackson Trager, Morteza Dehghani

机构 * University of Southern California（南加州大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出理论追溯卡（TTC）以解决LLMs社会认知评估中理论基础缺失的问题，通过明确理论依据和能力组件，提升评估的可解释性和有效性。

ElecTwit: A Framework for Studying Persuasion in Multi-Agent Social Systems

ElecTwit：多智能体社交系统中说服研究的框架

Michael Bao

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 ElecTwit通过模拟政治选举中的社交媒体互动，研究多智能体系统中说服现象的影响因素及不同模型架构对说服动态的作用。

Comments In proceedings of 2025 IEEE International Conference on Agentic AI (ICA)

Bridging Cognitive Gap: Hierarchical Description Learning for Artistic Image Aesthetics Assessment

弥合认知鸿沟：面向艺术图像美学评估的层次描述学习

Henglin Liu, Nisha Huang, Chang Liu, Jiangpeng Yan, Huijuan Huang, Jixuan Ying, Tong-Yee Lee, Pengfei Wan, Xiangyang Ji

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 本文提出RAD数据集和ArtQuant框架，通过联合描述生成和LLM解码器提升艺术图像美学评估的准确性和效率。

Comments AAAI2026,Project Page:https://github.com/Henglin-Liu/ArtQuant

Video Detective: Seek Critical Clues Recurrently to Answer Question from Long Videos

视频侦探：通过反复寻找关键线索来回答长视频中的问题

Henghui Du, Chunjie Zhang, Xi Chen, Chang Zhou, Di Hu

机构 * Gaoling School of Artificial Intelligence（北京中国人民大学人工智能学院） ； Renmin University of China（中国人民大学） ； AI Technology Center Online Video Business Unit（人工智能技术中心在线视频业务部） ； Tencent PCG（腾讯PCG） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 VideoDetective通过问题感知的记忆机制，使大语言模型能高效处理长视频问答任务，减少计算资源消耗并提升关键信息提取能力。

SJTU:Spatial judgments in multimodal models towards unified segmentation through coordinate detection

上海交通大学：通过坐标检测实现多模态模型中的空间判断以实现统一分割

Joongwon Chae, Zhenyu Wang, Peiwu Qin

专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV

AI总结 SJTU通过坐标检测实现多模态模型中的空间判断，提升图像分割的准确性和实用性。

Comments A flaw was discovered in the experimental setup. Therefore, we are retracting the paper

MedKGI: Iterative Differential Diagnosis with Medical Knowledge Graphs and Information-Guided Inquiring

MedKGI: 基于医学知识图谱和信息引导提问的迭代诊断

Qipeng Wang, Rui Sheng, Yafei Li, Huamin Qu, Yushi Sun, Min Zhu

机构 * Sichuan University（四川大学） ； HKUST（香港科技大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 MedKGI通过整合医学知识图谱和信息引导提问，提升临床诊断的准确性和效率。

Between Knowledge and Care: Evaluating Generative AI-Based IUI in Type 2 Diabetes Management Through Patient and Physician Perspectives

在知识与关怀之间：通过患者和医师视角评估生成式AI在2型糖尿病管理中的IUI

Yibo Meng, Ruiqi Chen, Bingyi Liu, Yan Guan, Xiaolan Ding

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文通过患者和医师视角评估生成式AI在2型糖尿病管理中的应用，揭示其在安全性、情境判断和责任边界方面的不足，提出需智能界面调解AI输出以支持长期护理中的信任与责任。

Comments In Submission