3D-DRES: Detailed 3D Referring Expression Segmentation
3D-DRES: 详细3D指称表达分割
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 3D-DRES通过引入DetailRefer数据集和DetailBase架构，提升3D视觉语言理解的细粒度分割能力。
Comments AAAI2026
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉定位与Grounding 7409 篇
Retrieval-Augmented Robots via Retrieve-Reason-Act
通过检索-推理-行动实现增强型机器人
机构 * University of California, Santa Cruz（加州大学圣克ruz分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出检索增强型机器人学（RAR）范式，通过检索-推理-行动循环，使机器人能从外部文档获取未见程序知识，提升复杂任务执行能力。
See and Remember: A Multimodal Agent for Web Traversal
见与忆：一种用于网页浏览的多模态代理
机构 * Shanghai Institute of AI for Education（上海人工智能教育研究院） ； East China Normal University（华东师范大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 V-GEMS通过视觉 grounding 和显式记忆系统实现精确稳健的网页浏览，实验显示其在导航任务中性能提升28.7%
The Power of Decaying Steps: Enhancing Attack Stability and Transferability for Sign-based Optimizers
衰减步骤的力量：提升基于符号的优化器的攻击稳定性和可迁移性
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文提出MDCS方法，通过衰减步长提升基于符号优化器的攻击稳定性和可迁移性，理论证明其收敛率最优。
Comments CVPR 2026
Training-Free Spatio-temporal Decoupled Reasoning Video Segmentation with Adaptive Object Memory
无需训练的时空解耦推理视频分割与自适应对象记忆
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出无需训练的时空解耦推理视频分割方法SDAM，通过自适应对象记忆模块和时空解耦技术实现稳定的时间传播，优于现有微调方法。
Comments Accept by AAAI2026
Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining
非马尔可夫长时间 horizon 机器人操作 via 关键帧链
机构 * Tongji University（同济大学） ； University of Technology Sydney（技术悉尼大学） ； University of Electronic Science and Technology of China（电子科学与技术大学） ； Advanced Institute of Big Data（大数据先进研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出Keyframe-Chaining VLA框架，通过提取和链接关键历史帧，解决长horizon机器人操作中的非马尔可夫依赖问题，提升任务成功率。
VII: Visual Instruction Injection for Jailbreaking Image-to-Video Generation Models
VII: 视觉指令注入用于劫持图像到视频生成模型
机构 * National Anti-Counterfeit Engineering Research Center, Huazhong University of Science and Technology（华中科技大学反伪工程研究中心） ； School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） ； Sydney AI Centre, The University of Sydney（悉尼大学AI中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 VII通过将恶意意图伪装为良性视觉指令，有效劫持图像到视频生成模型，实现高攻击成功率并降低拒绝率。
Comments Project page: https://Zbwwwwwwww.github.io/VII
SpiroLLM: Finetuning Pretrained LLMs to Understand Spirogram Time Series with Clinical Validation in COPD Reporting
SpiroLLM：通过临床验证在COPD报告中微调预训练大语言模型以理解肺功能时间序列
机构 * Guangzhou Institute of Technology, Xidian University, Xi’an, China（广州科技研究院，西安电子科技大学，中国） ； Department of Computer Science, Tianjin University of Technology, Tianjin, China（天津理工大学计算机学院，天津，中国） ； Department of Respiratory, The Second Hospital of Tianjin Medical University, China（天津医科大学第二医院呼吸科，中国） ； College of Pulmonary and Critical Care Medicine, Chinese PLA General Hospital, Beijing, China（中国人民解放军总医院呼吸与危重症医学科，北京，中国） ； HeartVoice Medical Technology, Hefei, China（合肥心声医疗技术有限公司，中国） ； School of Life Science and Technology, Xidian University, Xi’an, China（西安电子科技大学生命科学与技术学院，中国） ； National Institute of Health Data Science, Peking University, Beijing, China（北京大学国家健康数据科学研究院，北京，中国） ； Institute for Artificial Intelligence, Peking University, Beijing, China（北京大学人工智能研究院，北京，中国）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.AI
AI总结 SpiroLLM通过融合生理信号与大语言模型，实现对肺功能时间序列的解读，并在COPD诊断中展现出高准确性和稳健性。
Physically Ground Commonsense Knowledge for Articulated Object Manipulation with Analytic Concepts
为拟合物体操纵的物理常识知识而引入分析概念
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机学院） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出通过引入分析概念，将语义级常识知识接地到物理世界，以提升机器人对关节物体的通用精确操纵能力。
Towards Real Zero-Shot Camouflaged Object Segmentation without Camouflaged Annotations
面向无遮蔽标注的零样本遮蔽物分割
机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Space42
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出了一种无需遮蔽标注的零样本遮蔽物分割框架，通过结合MIM、M-LLM和MFA机制，实现高效分割与快速推理。
DAWA: Dynamic Ambiguity-Wise Adaptation for Real-Time Domain Adaptive Semantic Segmentation
DAWA: 动态模糊度适应于实时领域自适应语义分割
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Hangzhou Institute of Technology, Xidian University（西安电子科技大学杭州研究院） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Department of Electrical Engineering（电气工程系） ； the Institute of Communications Engineering, National Tsing Hua University（清华大学通信工程研究所）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 DAWA通过动态模糊度适应策略，在实时领域自适应语义分割中提升效率和效果，实现40 FPS的高速推理性能。
Comments PRCV 2025
Vision-Language Feature Alignment for Road Anomaly Segmentation
视觉-语言特征对齐用于道路异常分割
机构 * School of Computer Science, Fudan University（复旦大学计算机科学学院） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑启发智能科学与技术研究院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 VL-Anomaly通过结合视觉-语言模型的语义先验，提出了一种新的道路异常分割框架，有效提升异常检测的准确性和鲁棒性。
LOGIGEN: Logic-Driven Generation of Verifiable Agentic Tasks
LOGIGEN: 逻辑驱动的可验证代理任务生成
机构 * Baidu Inc.（百度公司） ； Tsinghua University（清华大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 LOGIGEN通过逻辑驱动和验证训练生成可验证的复杂任务，提升代理在复杂环境中的任务完成率。
Random Wins All: Rethinking Grouping Strategies for Vision Tokens
随机胜出：重新思考视觉token的分组策略
机构 * MAIS & NLPR, Institute of Automation, Chinese Academy of Sciences, Beijing, China（自动化研究所，中国科学院，北京） ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（人工智能学院，中国科学院大学，北京）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出随机分组策略，通过简单方法提升视觉token处理效率，实验显示其在多种任务中表现优异。
Comments Accepted by CVPR2026
Multi-Sourced, Multi-Agent Evidence Retrieval for Fact-Checking
多源多智能体证据检索用于事实核查
机构 * The University of Melbourne（墨尔本大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 WKGFC通过多智能体证据检索和知识图谱增强，提升事实核查的准确性和鲁棒性。
Geodesic Prototype Matching via Diffusion Maps for Interpretable Fine-Grained Recognition
通过扩散映射的测地原型匹配用于可解释的细粒度识别
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Shenzhen Research Institute of Big Data（深圳大数据研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出通过扩散映射的测地原型匹配方法，用于可解释的细粒度识别，通过内在几何结构提升原型的语义对应性。
Comments The paper has been accepted by ICASSP 2026
FiLo++: Zero-/Few-Shot Anomaly Detection by Fused Fine-Grained Descriptions and Deformable Localization
FiLo++: 通过融合细粒度描述和变形定位实现零/少样本异常检测
机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（基础模型研究中心，自动化研究所，中国科学院） ； School of Artifcial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Wuhan AI Research（武汉AI研究所） ； Peng Cheng Laboratory（鹏城实验室） ； Guangdong Provincial Key Laboratory of Intellectual Property & Big Data, Guangdong Polytechnic Normal University（广东省知识产权与大数据重点实验室，广东工业大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 FiLo++通过融合细粒度描述和变形定位技术，提升零/少样本异常检测的准确性和鲁棒性。
BiCLIP: Bidirectional and Consistent Language-Image Processing for Robust Medical Image Segmentation
BiCLIP: 用于鲁棒医学图像分割的双向和一致语言-图像处理
机构 * Department of Computer Engineering, University of Kurdistan, Iran（伊朗库尔德大学计算机工程系） ； Artificial Intelligence and Innovation Centre, University of Kurdistan, Erbil, Iraq（伊拉克埃尔比尔库尔德大学人工智能与创新中心） ； College of Information Technology, United Arab Emirates University, UAE（阿联酋大学信息科技学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 BiCLIP通过双向多模态融合和一致性目标提升医学图像分割的鲁棒性，有效应对标注稀少和临床伪影挑战。
Profiling vs. Case-specific Evidence: A Probabilistic Analysis
案件 profiling 与个案证据：一种概率分析
机构 * Arizona State University（亚利桑那州立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文通过概率分析探讨了 profiling 证据与个案证据的区别，指出 profiling 证据不能直接证明被告具体罪行，挑战了其在刑事审判中的有效性。
Comments 16 pages
Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection
在冻结的多模态大语言模型中引导和校正潜在表示流形以进行视频异常检测
专题命中 视觉定位与Grounding ：MLLM(abstract)；分类 cs.CV
AI总结 SteerVAD通过引导和校正冻结多模态大语言模型的潜在表示流形，提升视频异常检测的性能，仅需1%训练数据即达最优效果。
Comments Accepted by ICLR 2026
Open-Vocabulary Semantic Segmentation in Remote Sensing via Hierarchical Attention Masking and Model Composition
通过层次化注意力掩码和模型组合实现遥感开放词汇语义分割
机构 * Institute of Photogrammetry and GeoInformation（摄影测量与地理信息研究所）
专题命中 视觉定位与Grounding ：vision language model(abstract)；分类 cs.CV
AI总结 ReSeg-CLIP通过层次化注意力掩码和模型组合方法，实现无需训练的遥感开放词汇语义分割，取得最优性能。
Comments Published in the proceedings of the British Machine Vision Conference Workshops 2025
TRIZ-RAGNER: A Retrieval-Augmented Large Language Model for TRIZ-Aware Named Entity Recognition in Patent-Based Contradiction Mining
TRIZ-RAGNER: 一种用于基于专利矛盾挖掘的TRIZ-aware命名实体识别的检索增强型大语言模型
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 TRIZ-RAGNER通过整合TRIZ知识和检索增强技术，提升专利矛盾挖掘中命名实体识别的准确性和一致性。
VISTA: Knowledge-Driven Vessel Trajectory Imputation with Repair Provenance
VISTA: 基于知识的船舶轨迹补全与修复溯源
机构 * Department of Computer Science, Aalborg University, Denmark（计算机科学系，奥胡斯大学，丹麦） ； School of Computer Science and Engineering, Northeastern University, Shenyang, China（计算机科学与工程学院，东北大学，沈阳，中国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 VISTA通过基于知识的可解释方法实现船舶轨迹补全，生成修复溯源以提升下游决策的可信度和效率。
Comments 24 pages, 14 figures, 4 algorithms, 8 tables. Code available at https://github.com/hyLiu1994/VISTA
Integrating LLM in Agent-Based Social Simulation: Opportunities and Challenges
将大语言模型整合到基于代理的社会模拟中：机遇与挑战
机构 * UR MIAT, University of Toulouse, INRAE, Castanet-Tolosan, France（法国图卢兹大学UR MIAT，INRAE，Castanet-Tolosan分校） ； UMI 209 UMMISCO, IRD/Sorbonne University, Bondy, France（法国Bondy IRD/索邦大学UMI 209 UMMISCO） ； LMI ACROSS, Thuyloi University, Hanoi, Vietnam（越南胡志明大学LMI ACROSS） ； UMR 5505 IRIT, University of Toulouse Capitole, Toulouse, France（法国图卢兹大学Capitole UMR 5505 IRIT） ； CICT, Can Tho University, Can Tho, Vietnam（越南金瓯大学CICT）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文探讨了大语言模型在社会模拟中的应用，分析其潜力与局限，并提出混合宪法架构作为整合LLM与传统代理模型的可行方向。
Retrieve and Segment: Are a Few Examples Enough to Bridge the Supervision Gap in Open-Vocabulary Segmentation?
检索与分割：在开放词汇分割中，几个示例是否足以弥合监督差距？
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出了一种基于检索增强的测试时间适配器，通过融合文本和视觉支持特征来实现开放词汇分割，有效缩小了零样本与监督分割间的差距。
FactGuard: Agentic Video Misinformation Detection via Reinforcement Learning
FactGuard：通过强化学习进行代理视频虚假信息检测
机构 * Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； University of Science and Technology Beijing（北京科技大学） ； The University of Queensland, Brisbane, Australia（昆士兰大学）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.AI
AI总结 FactGuard通过强化学习和代理框架，提升视频虚假信息检测的鲁棒性和泛化能力。
A Mind Cannot Be Smeared Across Time
意识无法跨越时间被抹平
机构 * Michael Timothy Bennett（独立研究者）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 作者提出意识统一性需要客观同时实例化，而非时间顺序实现，指出软件意识在严格顺序子系统中无法实现，强调硬件对意识的重要性。
Comments Forthcoming in the proceedings of the AAAI 2026 Spring Symposium on Machine Consciousness: Integrating Theory, Technology, and Philosophy
Deforming Videos to Masks: Flow Matching for Referring Video Segmentation
视频变形到掩码：用于指认视频分割的流匹配
机构 * SGIT AI Lab, State Grid Corporation of China（国网信通研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； The Hong Kong University of Science and Technology（香港科技大学） ； The University of Tokyo（东京大学） ； University of Cambridge（剑桥大学） ； Zhejiang University of Technology（浙江工业大学） ； Baidu（百度）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出FlowRVS框架，将指认视频分割视为条件连续流问题，通过学习视频整体表示到目标掩码的直接语言引导变形，在多个基准上取得新突破。
Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications
电商应用场景下知识图谱检索增强生成中神经检索-排序流水线的比较分析
机构 * Abertay University（阿伯泰大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文研究电商场景下知识图谱检索增强生成中神经检索-排序流水线的设计与比较，通过实验验证了优化配置在提升检索性能上的有效性。
Comments This manuscript is under review at the Springer journal Knowledge and Information Systems
Solaris: Building a Multiplayer Video World Model in Minecraft
Solaris：在Minecraft中构建多玩家视频世界模型
机构 * New York University（纽约大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 Solaris通过多玩家数据系统和分阶段训练方法，在Minecraft中构建了能模拟多视角观测的视频世界模型，提升了多代理交互的建模能力。
Comments Project website: https://solaris-wm.github.io/
