视觉大模型 / VLM

OmniFood-Bench: Evaluating VLMs for Nutrient Reasoning and Personalized Health Advice

OmniFood-Bench：评估用于营养推理和个性化健康建议的视觉语言模型

Qian Jiang, Zhecheng Shi, Jingpu Yang, Zirui Song, Miao Fang

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI

AI总结 介绍OmniFood-Bench基准评估用于营养推理和个性化健康建议的VLMs，基于MM-Food-100K数据集，评估其三种能力，实验发现模型在菜品命名与质量估计等方面存在“语义-物理差距”，为公共卫生自主智能体建立可信度标准。

VCG-Bench: Towards A Unified Visual-Centric Benchmark for Structured Generation and Editing

VCG-Bench：迈向统一的视觉导向基准，用于结构化生成与编辑

Xiaoyan Su, Peijie Dong, Zhenheng Tang, Song Tang, Yuyao Zhai, Kaitao Lin, Liang Chen, Gai Yuhang, Yuyu Luo, Qiang Wang, Xiaowen Chu

机构 * The Hong Kong University of Science and Technology (GuangZhou)（香港科学与技术大学（广州）） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； South China University of Technology（华南理工大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 本文提出VCG-Bench，一个统一的视觉导向mxGraph任务基准，通过符号逻辑和XML实现精确的图表生成与编辑，解决现有方法在结构化任务中的局限性。

Comments Accepted by ICML2026, 37 pages, 10 figures

Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding

生成模型了解空间：解锁隐式3D先验用于场景理解

Xianjin Wu, Dingkang Liang, Tianrui Feng, Kui Xia, Yumeng Zhang, Xiaofan Li, Xiao Tan, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出通过大规模视频生成模型的隐式空间先验提升场景理解，引入VEGA-3D框架，利用预训练视频扩散模型作为潜在世界模拟器，通过时空特征提取与语义融合增强大语言模型的几何信息，实验验证其在3D场景理解、空间推理和具身操控中的优越性。

Comments Accepted by ECCV 2026

HoloGeo: Mitigating Landmark Bias in Geo-localization via Evidence-Driven Reasoning

HoloGeo：通过证据驱动推理减轻地理定位中的地标偏差

Pengcheng Zhou, Xuanyu Liu, Yanchen Yin, Bobo Li, Shengqiong Wu, Mong-Li Lee, Wynne Hsu

机构 * National University of Singapore（新加坡国立大学） ； Shandong University of Science and Technology（山东科技大学） ； University of Oxford（牛津大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 研究针对视觉语言模型地理定位易受地标偏差影响的问题，提出证据驱动推理框架HoloGeo，借助高质量数据集，通过多维度奖励实现平衡关注与联合推理，经实验验证其在多个数据集上能有效减轻地标偏差，提升地理定位性能。

Beyond Single Expert: Harmonizing Diverse Visual Priors in MLLMs for Spatial Understanding

超越单一专家：在多模态大语言模型中协调多样视觉先验以实现空间理解

Xiao Lin, Xiaohu Huang, Kai Han

机构 * The University of Hong Kong（香港大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 研究旨在提升多模态大语言模型的空间理解能力，提出ViPS框架，通过高效先验代理和动态先验融合机制，整合不同模型的视觉先验，经实验验证该框架能协调多样先验，在多基准测试中取得新的最优性能。

WorkDrive: Roadwork Chain of Causation for Autonomous Driving

WorkDrive：自动驾驶的道路施工因果链

Tianyi Jiang, Wen Zhang, Sihan Yang, Ming Lu, Wentao Zhang

机构 * Peking University（北京大学） ； Xiaomi EV（小米电动汽车） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 针对自动驾驶视觉语言模型在道路施工区域的难题，提出WorkDrive框架，通过自动化多任务感知管道提取场景事实，经监督微调与强化学习，在ROADWork数据集上降低轨迹平均位移误差，实现渐进改进。

TopoAgent: A Self-Evolving Topological Agent for Multimodal Scientific Reasoning

TopoAgent：用于多模态科学推理的自进化拓扑智能体

Mingze Xu, Yinghui Li, Jiayi Kuang, Zhanhui Kang, Di Yin, Ying Shen, Xing Sun, Yuxing Han

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI

AI总结 研究针对多模态大语言模型科学推理难题，提出TopoAgent自进化拓扑框架，用图进化取代线性轨迹，通过前端分解器、DAG组织原子及自适应原子裂变实现，实验证明其显著优于线性智能体框架，为科学推理提供新范式。

SD-MAR: Multi-image Analytical Reasoning via Synthetic Data and Reinforcement Learning

SD-MAR：通过合成数据和强化学习进行多图像分析推理

Shiyu Yuan, Sourav Sanjukta Bhabesh, Zhe Wang, Dmitriy Bespalov, Wesley Rose, Huzefa Rangwala

机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； AGI Foundations for AWS（AWS的通用人工智能基金会） ； Amazon Web Services (AWS)（亚马逊网络服务公司） 纠错

专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV

AI总结 研究针对视觉语言模型在多图像分析推理任务中的局限，提出SD-MAR框架，通过合成数据和强化学习训练评估模型。该框架构建场景生成任务，采用GRPO-lite与BDA训练。实验表明能提升域内准确率，保持或提高域外泛化能力，还改进了模型逻辑连贯性和解释质量。

Beyond Chain-of-Thought: Rewrite as a Universal Interface for Generative Multimodal Embeddings

超越思维链：重写作为生成式多模态嵌入的通用接口

Peixi Wu, Ke Mei, Feipeng Ma, Bosong Chai, Zhibin Lan, Chenxi Zhao, Shannan Yan, Jie Chen, Zhangchi Hu, Yansong Peng, Bo Lin, Junjie Zhou, Dacheng Yin, Tianyi Wang, Fengyun Rao, Jing Lyu, Hebei Li, Xiaoyan Sun

机构 * WeChat Vision, Tencent Inc.（腾讯微信视觉部） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 针对思维链推理在检索中产生冗余和语义歧义的问题，提出重写驱动的多模态嵌入框架RIME，联合优化生成与嵌入，并通过跨模态对齐和精炼强化学习实现高效准确的检索。

Comments Accepted by ACMMM 2026

Adaptive Time Series Reasoning via Segment Selection

通过片段选择的自适应时间序列推理

Shvat Messica, Jiawen Zhang, Kevin Li, Theodoros Tsiligkaridis, Marinka Zitnik

机构 * harvard（哈佛大学） ； mit（麻省理工学院） ； mitll（MIT林肯实验室） ； hongkong（香港科学与技术大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG

AI总结 提出ARTIST框架，将时间序列推理建模为序列决策问题，通过控制器-推理器架构和强化学习自适应选择信息片段，提升推理准确率。

Comments ICML 2026

RePlan: Reasoning-guided Region Planning for Complex Instruction-based Image Editing

RePlan：基于推理的复杂基于指令的图像编辑区域规划

Tianyuan Qu, Lei Ke, Xiaohang Zhan, Longxiang Tang, Yuqi Liu, Bohao Peng, Bei Yu, Dong Yu, Jiaya Jia

机构 * Tencent AI Lab（腾讯人工智能实验室） ； CUHK（香港中文大学） ； HKUST（香港科技大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV

AI总结 研究针对复杂指令图像编辑中现有模型在IV-复杂性下的不足，提出RePlan框架，结合视觉语言规划器与扩散编辑器，经强化学习提升性能，还推出IV-Edit基准，该框架在相关设置中优于强大基线，提高了区域精度和整体一致性。

Comments [ECCV2026] Precise multi-region control and planning for instruction-based image editing. Our project page: https://replan-iv-edit.github.io

Concurrent Image Understanding and Generation: Self-Correcting Coupled Markov Jump Processes

并发图像理解与生成：自校正耦合马尔可夫跳跃过程

Minh-Quan Le, Armand Comas, Alexandros Lattas, Stylianos Moschoglou, Pedro Vélez, Amit Raj, Aaron Germuth, Thabo Beeler, Dimitris Samaras, Di Qiu

机构 * Stony Brook University（纽约州立大学石溪分校） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.LG

AI总结 研究针对人类认知中理解与生成的耦合循环，引入自校正耦合马尔可夫跳跃过程框架及$\texttt{CO}_\texttt{2}\texttt{Jump}$采样器，解决掩码扩散模型跨模态矛盾问题，创建多模态语料库，该方法在图像相关任务中性能优异，且性能随去噪步骤数提升。

Comments Project page: https://coupled-jump.github.io

Self in Space: Benchmarking Self-Awareness and Spatial Cognition in UAV Embodied Intelligence

自我在空间中：无人机具身智能中的自我意识与空间认知基准测试

Zhishan Zou, Guoyan Sun, Zhiwei Wei, Jiancheng Pan, Yujie Li, Mugen Peng, Wenjia Xu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Hunan Normal University（湖南师范大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 研究针对无人机具身智能中自我意识与空间认知问题，引入SIS - Bench基准，通过多维度层次评估，揭示现有模型局限，探索运动感知表征提升性能，强调自我意识重要性，提供新基准和实证依据。

Comments Website:https://choucisan.github.io/publications/self-in-space ; Code:https://github.com/IntelliSensing/Self-in-Space

EFlow: Learning Evidence Flow for Long-Video Reasoning with Adaptive Reflection

EFlow: 学习证据流用于具有自适应反思的长视频推理

Wenhao Zhang, Kuanwei Lin, Xuyi Yang, Wei Gao, Ge Li

机构 * School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV

AI总结 提出EFlow框架，通过分离时间定位与逻辑推理（CoT）及置信度感知的反思机制，解决长视频推理中早期语义假设导致的证据偏差问题，在五个基准上提升性能。

NeSy-Route: A Neuro-Symbolic Benchmark for Constrained Route Planning in Remote Sensing

NeSy-Route：一种用于遥感约束路径规划的神经符号基准

Ming Yang, Zhi Zhou, Shi-Yu Tian, Kun-Yang Yu, Lan-Zhe Guo, Yu-Feng Li

机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学） ； School of Artifical Intelligence, Nanjing University, China（人工智能学院，南京大学） ； School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI

AI总结 NeSy-Route是一个大规模神经符号基准，用于评估遥感中的约束路径规划能力，通过自动化数据生成框架和三级评估协议，全面测试多模态大语言模型的感知、推理和规划能力。

Comments Accepted by ECCV2026

Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial Memory

解析、搜索与确认：基于思维链推理和结构化空间记忆的免训练空中视觉与对话导航

Yu Qi, Hongyu Li, Shaofei Huang, Tianrui Hui, Yaxiong Wang, Lechao Cheng, Zhun Zhong, Si Liu, Meng Wang

机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院） ； Jianghuai Advance Technology Center（江淮先进技术中心） ； Anhui Provincial Key Laboratory of Humanoid Robots（安徽省人形机器人重点实验室） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； University of Macau（澳门大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV

AI总结 研究免训练环境下的空中视觉与对话导航任务，提出PSC - AVDN框架，结合解析 - 搜索 - 确认推理管道与结构化空间记忆，整合多种空间线索，在免训练设置中取得新的最优性能。

Comments 10 pages, 4 figures. Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 23859-23868

When Depth Is Better Told Than Shown: Depth-Ordinal Prompting for Vision-Language Spatial Reasoning

当深度以文字表述比图像展示更好用时：用于视觉语言空间推理的深度序数提示

Quynh Vo, Phuc Dao, Cong-Duy Nguyen, Thong Nguyen

机构 * National University of Singapore（新加坡国立大学） ； Center of AI Research, VinUniversity（文大人工智能研究中心） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 研究视觉语言模型空间推理难题，提出深度序数提示（DOP）方法，该方法无需训练，将单目深度转换为序数文本提示，在伪深度提供可靠排序时可改善空间推理，简单且针对性强，与其他无需训练的深度提示方法有竞争力。

Comments Work in progress

Beyond the Eye: Efficient Multimodal Reasoning via Self-Regulated Implicit Visual Tools

超越视觉：通过自我调节的隐式视觉工具实现高效多模态推理

Xiuwei Chen, Quanlin Chen, Wentao Hu, Zisheng Chen, Kun Xiang, Zehua Ma, Mingyang Zhang, Jianhua Han, Hanhui Li, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 研究针对多模态大语言模型推理效率问题，提出超越视觉（BEE）的隐式视觉工具范式，通过将视觉工具调用行为纳入训练目标，经两阶段训练，包括形式化思维链监督微调与自我调节奖励驱动对齐，提升了模型在细粒度视觉感知任务中的性能和推理效率。

Detecting AI-Generated Video: A Vision-Language Dual-View Survey

检测人工智能生成的视频：视觉-语言双视角综述

Dylan Xinming Hou, Juntian Zhang, Xu Gu, Yichen Wu, Nils Lukas, Gus Xia, Xiuying Chen, Yuhan Liu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学中关村人工智能学院） ； Harvard University（哈佛大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 综述人工智能生成视频检测，将任务重定义为事实保真度验证，提出视觉-语言双视角分类法，基于对221篇论文回顾，综合生成范式、审视检测方法、回顾评估指标，讨论挑战并指出未来方向。

Comments 51 pages, accepted by ACL 2026

Journal ref Association for Computational Linguistics 2026 pages 32221 to 32255

Model Guides You How to Draw: Adaptive Visual Gating for Unified Multimodal Reasoning

模型指导绘图：用于统一多模态推理的自适应视觉门控

Wenxi Gao, Guanxi Lu, Didi Zhu, Hao Mark Chen, Quan Deng, Zhican Wang, Jiankang Deng, Hongxiang Fan

机构 * Imperial College London（伦敦帝国理工学院） ； Tsinghua University（清华大学） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV

AI总结 针对统一多模态模型在视觉推理中存在的问题，提出基于生成意图和视觉保真度两个内部信号的AdaViG方法，可动态评估视觉步骤，避免误导性视觉证据进入推理过程，提升了准确率并降低计算量和延迟。

RL Forgets! Towards Continual Policy Optimization

强化学习会遗忘！迈向持续策略优化

Mao-Lin Luo, Zhe-Xu Wang, Zi-Hao Zhou, Bo Ye, Jian Zhao, Min-Ling Zhang, Tong Wei

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of Computer Network and Information Integration (Southeast University), Ministry of Education（教育部计算机网络和信息集成重点实验室（东南大学）） ； Zhongguancun Academy（中关村科学城公司） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG

AI总结 研究持续训练中强化学习易遗忘问题，引入MRCL基准测试，提出持续策略优化框架CPO，通过参数移动正则化减少遗忘，多模型规模实验验证了其有效性。

Seeing Isn't Orienting: A Cognitively Informed Hierarchical Benchmark for Object Orientation in MLLMs

看到并不等于定向：一个认知基础的基准揭示了多模态大语言模型在定向任务中的系统性失败

Nazia Tasnim, Keanu Nichols, Yuting Yan, Nicholas Ikechukwu, Elva Zou, Deepti Ghadiyaram, Bryan A. Plummer

机构 * Boston University（波士顿大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 本文提出DORI基准，揭示多模态大语言模型在定向理解上的不足，发现其在角度估计和方向跟踪方面存在系统性缺陷，对机器人控制和3D场景重建有重要启示。

Comments Paper accepted to ECCV 2026 (Main Track). Previously, this version appeared as arXiv:2603.11410 which was submitted as a new work by accident

Unlocking Multilingual Reasoning Capability of LLMs and LVLMs through Representation Engineering

通过表示工程解锁大语言模型和大视觉语言模型的多语言推理能力

Qiming Li, Xiaocheng Feng, Yixuan Ma, Zekai Ye, Ruihan Chen, Xiachong Feng, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 研究针对LLMs和LVLMs在多语言推理中英语表现优于低资源语言的问题，提出无训练的推理时方法MRRE，通过在特定层注入两个预计算向量增强多语言推理能力，实验证明该方法有效提升非英语推理及输入输出语言一致性。

Comments ACL2026 main

TIIF-Bench: How Does Your T2I Model Follow Your Instructions?

TIIF-Bench：你的文本到图像模型如何遵循指令？

Xinyu Wei, Jinrui Zhang, Zeqing Wang, Hongyang Wei, Zhen Guo, Bairui Li, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； OPPO Research Institute（OPPO研究院） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 研究旨在评估T2I模型遵循指令能力，提出TIIF-Bench基准，含多维度、多难度提示及新评估指标，利用大语言模型知识开发可重现评估器，通过对主流模型测试分析其优缺点及现有基准局限性。

Comments 35 pages, 14 figures, 9 tables

ConceptSMILE: Auditing the Trustworthiness of Concept-Based Explainable AI

ConceptSMILE：审计基于概念的可解释人工智能的可信度

Mohadeseh Mollapour, Koorosh Aslansefat, Zeinab Dehghani, Bhupesh Kumar Mishra, Tejal Shah, Zhibao Mian

机构 * University of Hull（赫尔大学） ； Newcastle University（纽卡斯尔大学） 纠错

专题命中 视觉推理 ：VLM(abstract)；分类 cs.AI

AI总结 研究基于概念的可解释人工智能中概念级输出的可信度问题，提出ConceptSMILE审计框架，通过扰动输入区域等方法评估可靠性，在视网膜眼底图像上评估发现不同概念和路径可靠性有差异，为评估此类人工智能可信度提供独立审计层。

ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning

ARCANA：用于ARC-AGI-2推理的反射式多智能体程序合成框架

Kunbo Zhang, Lei Fu, Zeyu Wang, Zijing Liu, Kejian Tong

机构 * Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Northeastern University（东北大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 ARCANA是用于ARC-AGI-2推理的多智能体框架，将任务分解为感知、假设生成等步骤，智能体通过可微黑板通信，由元控制器调度。其设计结合程序搜索与校正，提升了抽象转换任务的推理效率和解决方案质量。

Aligning Clinical Needs and AI Capabilities: A Survey on LLMs for Medical Reasoning

对齐临床需求与人工智能能力：医学推理大语言模型综述

Qi Peng, Jiatong Li, Sirui Huang, Yiyang Jiang, Kaisong Gong, Ronger Ding, Shijie Ye, Changmeng Zheng, Yi Cai, Xiaobo Yang, Jin Huang, Xiao-Yong Wei, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Hong Kong University（香港大学） ； South China University of Technology（华南理工大学） ； University of Toronto（多伦多大学） ； Peking Union Medical College Hospital（北京地坛医院） ； West China Hospital, Sichuan University（四川大学华西医院） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 综述医学大语言模型在医疗领域的进展，提出双视角方法，连接临床实践与计算方法，建立五级能力方案并关联推理模式与医学任务，引入基准数据集并报告模型结果，讨论进展与挑战及未来方向。

Comments Accepted by Machine Intelligence Research

Mathematical Reasoning in Large Language Models: Benchmarks, Architectures, Evaluation, and Open Challenges

大型语言模型中的数学推理：基准测试、架构、评估与开放挑战

Husnain Amjad, Raja Khurram Shahzad, Aamir Shahzad, Mehwish Fatima

机构 * organization= School of Electrical Engineering ； Computer Science, National University of Science ； organization= School of Computing, Data ； Mathematical Sciences, Western Sydney University, Indonesia ； organization= Department of Communication, Quality Management ； Information Systems, Mid Sweden University, Östersund Campus, Sweden 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 本文综述了大型语言模型在数学推理方面的最新进展，通过分析数据集、架构、训练策略和评估协议，探讨了数学推理的基准测试、架构设计、评估方法以及未来的研究挑战。

EgoExoMem: Cross-View Memory Reasoning over Synchronized Egocentric and Exocentric Videos

EgoExoMem: 跨视角记忆推理 over 同步的自身视角和外部视角视频

Ruiping Liu, Junwei Zheng, Yufan Chen, Di Wen, Shaofang Quan, Chengzhi Wu, Jiaming Zhang, Kailun Yang, Kunyu Peng, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Hunan University（湖南大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV

AI总结 本文提出EgoExoMem，首个跨视角记忆推理基准，通过同步自身视角和外部视角视频进行跨视角记忆推理，利用E$^2$-Select方法实现高效的帧选择，实验表明自身和外部视角提供互补的记忆线索，但现有模型在基准测试中表现有限。

Comments The source code and dataset can be found at https://github.com/RuipingL/EgoExoMem

HART: High-Resolution Annotation-Free Reasoning Technique through a Closed-loop Framework

无需标注的高分辨率大多模态模型视觉推理技术

Jiacheng Yang, Anqi Chen, Yunkai Dang, Qi Fan, Cong Wang, Wenbin Li, Feng Miao, Yang Gao

机构 * State Key Laboratory of Novel Software Technology（新型软件技术国家重点实验室） ； Institute of Brain-inspired Intelligence（脑启发式智能研究院） ； Shenzhen Research Institute of Nanjing University（南京大学深圳研究院） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV

AI总结 HART通过闭环框架和AP-GRPO方法，实现无需外部标注的高分辨率视觉推理，提升多模态模型在高分辨率任务中的性能。