Deep Photometric Survey of IC2391
专题命中 视觉推理 ：VLM(abstract)
Comments 4 pages. Contribution to the "Very Low Mass Stars and Brown Dwarfs in Stellar Clusters and Associations, La Palma, Spain, 198
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. 视觉推理 4524 篇
2. 视觉定位与Grounding 7473 篇
IAG: Input-aware Backdoor Attack on VLM-based Visual Grounding
IAG: 基于输入感知的后门攻击针对VLM视觉定位
机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Columbia University（哥伦比亚大学） ； Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(title,abstract)；LLaVA(abstract,abstract_cn)；InternVL(abstract,abstract_cn)
AI总结 提出IAG方法，通过文本条件UNet动态生成输入感知的触发器，实现首个多目标后门攻击VLM视觉定位，在多个模型和基准上达到最佳攻击成功率且不影响正常性能。
Comments Accepted by CVPR 2026; Code is at https://github.com/lijunxian111/IAG
Journal ref https://openaccess.thecvf.com/content/CVPR2026/papers/Li_IAG_Input-aware_Backdoor_Attack_on_VLM-based_Visual_Grounding_CVPR_2026_paper.pdf
STAR-VLM: Spatiotemporal Grounding Vision-Language Models for Motion and Velocity Estimation via Automotive Radar Supervision
STAR-VLM：基于汽车雷达监督的时空视觉语言模型，用于运动与速度估计
机构 * University of Michigan（密歇根大学）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision-language model(title,abstract)；grounding(title)；分类 cs.CV
AI总结 该研究提出STAR-VLM框架，利用汽车雷达监督提升时空视觉语言模型的运动推理与度量速度估计能力，在驾驶场景相关任务上实现了优于特定任务方法的最先进性能。
AffordAny: Open-World 3D Affordance Grounding from Monocular RGB Images via Vision-Language-Guided Geometric Reasoning
AffordAny：基于单目RGB图像的开放世界3D affordance grounding，通过视觉-语言引导的几何推理实现
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 AffordAny是端到端框架，通过单目RGB图像结合VLM引导解码器与伪标签自训练，实现开放世界3D affordance grounding，在未见对象、类别等评估中表现出有效性与鲁棒性。
Comments The code and dataset are publicly available. Code: https://github.com/lzlfwow/AffordAny. Dataset: https://modelscope.cn/datasets/lzlfwow/AffordAny
FZ-VLM: A Two Stage Florence-Zephyr Vision Language Model Framework for Pulmonary Nodule Characterization and Clinical Decision Making
FZ-VLM：用于肺结节特征表征与临床决策的两阶段Florence-Zephyr视觉语言模型框架
机构 * College of Engineering, University of Guelph（圭尔夫大学工程学院） ； Holland Bloorview Kids Rehabilitation Hospital（霍兰德布鲁尔维尤儿童康复医院） ； Guelph General Hospital（圭尔夫综合医院） ； Ontario Veterinary College, University of Guelph（圭尔夫大学安大略兽医学院）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision language model(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出首个两阶段视觉语言模型框架FZ-VLM，通过微调Florence-2与Zephyr-7B模型，实现肺CT中肺结节的结构化特征表征与临床决策，性能优于GPT-4基线及人类基线。
LG-GER: Language-Guided Group Emotion Recognition via Multimodal Evidence Distillation
LG-GER：基于多模态证据蒸馏的语言引导群体情绪识别
机构 * University of South Carolina（南卡罗来纳大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；MLLM(summary_cn,abstract)；vision-language model(abstract,abstract_cn)；multimodal large language model(abstract,abstract_cn)
AI总结 该研究提出LG-GER框架，通过MLLM生成结构化证据并蒸馏至VLM骨干，无需检测器等即可实现高效群体情绪识别，在GroupEmoW和GAF 3.0数据集上取得了有竞争力或更优的结果。
GuideGround: VLM-guided Semantic Understanding and Viewpoint-aware Reasoning for 3D Visual Grounding
GuideGround：用于3D视觉定位的VLM引导语义理解与视点感知推理
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 GuideGround是一种VLM引导的3D视觉定位框架，用VLM生成的语义描述替代闭集分类、逐视图保留假设并经VLM验证，在ReferIt3D基准上性能优于现有SOTA。
Comments 18 pages, 5 figures
GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models
GAP-MLLM：几何对齐预训练以激活多模态大语言模型中的3D空间感知
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； Huawei（华为）
专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；multimodal large language model(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出GAP-MLLM，通过几何对齐预训练激活多模态大语言模型中的3D空间感知，改进了传统方法在3D空间感知上的不足。
Comments Accepted by ECCV 2026. Project page: https://gapmllm.github.io/
PanoGrounder: Bridging 2D and 3D with Panoramic Scene Representations for VLM-based 3D Visual Grounding
PanoGrounder: 利用全景场景表示桥接2D和3D，实现基于VLM的3D视觉定位
机构 * Seoul National University（首尔大学） ； Robotics Lab, Hyundai Motor Company（现代汽车公司机器人实验室） ； Pohang University of Science and Technology (POSTECH)（浦项科技大学）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 提出PanoGrounder框架，通过多模态全景表示与预训练2D VLM结合，实现强泛化能力的3D视觉定位，在ScanRefer和Nr3D上取得最优结果。
Comments ECCV 2026
TAVR-VLM: Risk-Conditioned Causal Grounding for Hallucination-Resistant Report Generation
TAVR-VLM：面向抗幻觉报告生成的风险条件因果基础
机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Liverpool（利物浦大学） ； Kunming University of Science and Technology（昆明理工大学）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出TAVR-VLM框架，通过风险条件因果注意力（R-CGA）建立“风险→区域→词”的结构化基础路径，在TAVR规划中减少诊断幻觉，实现新最优性能。
CaVe-VLM-CoT: An Interpretable Vision-Language Model Framework
CaVe-VLM-CoT：一种可解释的视觉-语言模型框架
机构 * Vector Institute（向量研究所）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision-language model(title,abstract)；grounding(abstract)；分类 cs.AI
AI总结 提出CaVe-VLM-CoT框架，通过五阶段闭环流水线（提取器、检索器、求解器、引用注入器、验证器）实现证据推理，并引入CaVeScore复合指标评估检索质量、引用忠实度和跨模态基础，在ScienceQA和MMMU上取得性能提升。
MoDA: Modulation Adapter for Fine-Grained Visual Grounding in Instructional MLLMs
MoDA: 面向指令型多模态大语言模型的细粒度视觉定位的调制适配器
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；grounding(title,abstract)；LLaVA(abstract,abstract_cn)；visual question answering(abstract)
AI总结 提出MoDA调制适配器，通过指令引导的通道级乘法调制增强细粒度视觉定位，在12个基准上对三种MLLM架构取得一致提升，计算开销极小。
Comments Accepted at ICML 2026. Code is available at https://github.com/waybarrios/MoDA
VLM-GLoc: Vision-Language Model Enhanced Monte Carlo Localization for Robust Semantic Global Localization in Cluttered Quasi-Static Environments
VLM-GLoc：视觉语言模型增强的蒙特卡洛定位，用于杂乱准静态环境中的鲁棒语义全局定位
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision-language model(title,abstract)；分类 cs.CV
AI总结 提出VLM-GLoc方法，利用开放词汇视觉语言模型作为统一语义观测前端，通过逆语义提议机制和文本到地图检索，在几何模糊和语义歧义的准静态环境中实现鲁棒全局定位。
EVIDENT: Routing MLLM Adaptation through Entity-Grounded Visual Evidence for Cross-Domain Video Temporal Grounding
EVIDENT: 通过实体锚定的视觉证据路由MLLM适配用于跨域视频时间定位
机构 * Kyung Hee University（庆尚大学） ； University of Southern California（南加州大学） ； Seoul National University（首尔国立大学）
专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；grounding(title,abstract)；分类 cs.CV
AI总结 针对视频时间定位中域迁移导致性能下降的问题，提出EVIDENT框架，通过实体瓶颈适配器、实体绑定蒸馏损失和实体到证据门控机制，利用预训练MLLM的实体注意力实现参数高效的跨域鲁棒时间定位。
Eyes on VLM: Benchmarking Gaze Following and Social Gaze Prediction in Vision Language Models
Eyes on VLM: 视觉语言模型中注视跟随与社会性注视预测的基准测试
机构 * Idiap Research Institute（Idiap研究机构）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision language model(title)；vision-language model(abstract)；grounding(abstract)
AI总结 提出EyeVLM评估框架，通过零样本和微调方式测试视觉语言模型在注视跟随（几何视觉处理）和社会性注视预测（社交推理）两个核心任务上的能力，发现当前VLM缺乏精确的注视理解能力。
Comments Under review
EPIC-Bench: A Perception-Centric Benchmark for Fine-Grained Embodied Visual Grounding in Vision-Language Models
EPIC-Bench: 一种以感知为中心的细粒度具身视觉 grounding 的基准
机构 * X-Humanoid ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Manchester（曼彻斯特大学） ； Monash University（墨尔本大学） ； Celonis AI ； University of New South Wales（新南威尔士大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出 EPIC-Bench，一种以感知为中心的细粒度具身视觉 grounding 基准，旨在系统评估 VLMs 在现实世界具身环境中的视觉感知能力。该基准包含 6.6k 个精心标注的元组（图像，文本，掩码），涵盖 23 个细粒度任务，涉及具身交互管道的三个核心阶段：目标定位、导航和操作。评估结果显示，尽管先进推理模型表现出潜力，但当前 VLMs 在复杂视觉-文本对齐方面普遍存在困难，特别是在多目标计数、部分-整体关系理解和 affordance 区域检测方面存在瓶颈。
Towards Unified Surgical Scene Understanding:Bridging Reasoning and Grounding via MLLMs
迈向统一的手术场景理解：通过多模态大语言模型弥合推理与 grounding
机构 * Southern University of Science and Technology（南方科技大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Northwestern University（西北大学） ； University of Alberta（阿尔伯塔大学） ； Yale University（耶鲁大学） ； Nanfang Hospital（南华医院） ； Shenzhen University of Advanced Technology（深圳大学先进技术研究院）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SurgMLLM框架，通过统一推理与视觉 grounding 实现手术场景理解，提升三元组识别和分割精度，实验表明其在三元组识别指标AP_IVT上提升显著。
Global Context or Local Detail? Adaptive Visual Grounding for Hallucination Mitigation
全局上下文还是局部细节？面向幻觉缓解的自适应视觉 grounding
机构 * School of Astronautics, Beihang University（北航航天学院） ； Longcat Interaction Team, Meituan（美团Longcat交互团队） ； Tianmushan Laboratory, Beihang University（北航天门山实验室）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；VLM(abstract,abstract_cn)；LLaVA(abstract,abstract_cn)；InternVL(abstract,abstract_cn)
AI总结 本文提出PND框架，通过双路径对比在解码过程中增强视觉真实性，减少幻觉并提升描述细节，无需模型微调。
Comments 9 pages, 8 figures, Findings of ACL 2025
Simulating Validity: Modal Decoupling in MLLM Generated Feedback on Science Drawings
模拟有效性：在MLLM生成的科学图表反馈中的模态解耦
机构 * University of Georgia, AI4STEM Education Center（佐治亚大学AI4STEM教育中心） ； Gazi University, Department of Mathematics and Science Education（加齐大学数学与科学教育系）
专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；grounding(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 研究探讨了多模态大语言模型生成的科学图表反馈中模态解耦问题，发现反馈常存在 grounding 失败，表明需超越常规提示策略的 grounding 机制。
Comments Accepted as AIED Short Paper 2026, Seoul, South Korea. Submission #1147. This is the long paper version
WildRoadBench: A Wild Aerial Road-Damage Grounding Benchmark for Vision-Language Models and Autonomous Agents
WildRoadBench: 面向视觉语言模型与自主智能体的野外航拍道路损伤定位基准
机构 * University of Electronic Science and Technology of China（电子科技大学） ； National University of Singapore（新加坡国立大学） ； De Artificial Intelligence Lab（德人工智能实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(title,abstract)；分类 cs.CV、cs.LG
AI总结 提出WildRoadBench基准，通过VLM直接定位和LLM驱动智能体自主研究两种协议，评估模型在航拍道路损伤定位上的性能，发现现有方法在野外场景下仍不可靠。
Comments Preprint. Under review. 4 figures, 6 tables
Vision Language Models Cannot Plan, but Can They Formalize?
视觉语言模型（VLMs）无法规划，但它们能进行形式化吗？
机构 * Drexel University（德雷塞尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；grounding(summary_cn,abstract)；vision language model(title,abstract)
AI总结 本研究提出5种VLM作为形式化器的流水线，评估后发现其表现优于端到端规划生成，较弱VLMs的瓶颈为物体关系视觉grounding，较强模型已克服该限制。
Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No
你的视觉语言模型（VLM）已经知道时间：通过提问“是/否”实现无需训练的时间定位
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(title,abstract)；分类 cs.CV
AI总结 针对VLM时间定位任务的自信错误问题，提出无需训练的FV-Action方法，通过从粗到细的二元问题扫描替代时间戳回归，在多个基准数据集上大幅提升了时间定位性能。
Grounding Isn't Knowing: Do VLMs Need Object Localization for Spatial Reasoning?
grounding 不等于知晓：视觉语言模型是否需要对象定位来进行空间推理？
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；LLaVA(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究以 LLaVA-1.5 和 Qwen2.5-VL 为对象，通过多种可解释性工具揭示 VLMs 空间推理的机制，发现其空间关系预测无需精确对象定位，定位与空间推理共享早期通路但依赖部分不同通路。
Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence
协同感知-推理治理：用可验证解剖证据为医学多模态大语言模型提供基础
机构 * Huazhong University of Science and Technology（华中科技大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院新加坡全球中心） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Anhui University（安徽大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；LLaVA(abstract,abstract_cn)；InternVL(abstract,abstract_cn)；MLLM(summary_cn)
AI总结 提出一种无需训练的证据注入框架，通过ROI引导的视觉激活调制和解剖坐标语义标记，协同校准视觉感知与文本推理，动态路由任务特定干预，有效减少医学MLLM的幻觉。
Comments Accepted by MICCAI 2026 (Early Accept, Top 9%)
Geometric Coastline Localization using Vision-Language Models
基于视觉语言模型的海岸线几何定位
机构 * The University of Waikato（怀卡托大学） ； The University of Auckland（奥克兰大学）
专题命中 视觉定位与Grounding ：LLaVA(summary_cn,abstract)；vision-language model(title,abstract)；VLM(abstract,abstract_cn)；grounding(abstract)
AI总结 提出将海岸线提取视为几何边界定位任务，基于GeoChat-7B/LLaVA-1.5架构构建CoastlineVLM-7B模型，直接预测折线而非分割掩码，在几何指标上优于传统分割方法。
RECIPE: Procedural Planning via Grounding in Instructional Video
RECIPE: 通过指令视频中的 grounding 实现过程规划
机构 * Khoury College of Computer Sciences, Northeastern University, Boston（东北大学北斯托顿学院计算机科学学院） ； Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究提出RECIPE方法，通过利用指令视频中的grounding信息来改进过程规划任务，通过利用预计算的文本嵌入实现大规模视频数据的验证，从而提升规划的准确性和鲁棒性。
Grounding by Remembering: Cross-Scene and In-Scene Memory for 3D Functional Affordances
通过记忆实现 grounding：跨场景和场景内的记忆用于3D功能 affordances
机构 * TUM（慕尼黑工业大学） ； A*STAR（新加坡科技研究局）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出AFFORDMEM框架，通过跨场景和场景内的记忆实现3D功能 affordances的grounding，无需微调和标注，提升AP50性能。
R-VLM: Region-Aware Vision Language Model for Precise GUI Grounding
机构 * KAIST（韩国科学技术院） ； AWS AI Labs（亚马逊人工智能实验室）
专题命中 视觉定位与Grounding ：vision language model(title,abstract)；VLM(title,abstract)；grounding(title,abstract)；分类 cs.CV
Comments ACL 2025; 17 pages
AnyGroundBench: A Specialized-Domain Benchmark for Video Grounding in Vision-Language Models
AnyGroundBench: 视觉语言模型中视频定位的专业领域基准
机构 * Keio University（庆应大学） ； Keio AI Research Center（庆应人工智能研究中心） ； Keio University School of Medicine（庆应大学医学部） ； NVIDIA（英伟达）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；VLM(summary_cn,abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出AnyGroundBench基准，将STVG评估从零样本转向领域适应，涵盖五个专业领域，评估15个VLM的零样本和上下文学习能力，发现现有模型在专业领域表现不佳。
Beyond Pixels: Introspective and Interactive Grounding for Visualization Agents
超越像素：可视化代理的 introspective 和 interactive 地基
机构 * William & Mary（威廉玛丽学院） ； Oak Ridge National Laboratory（橡树岭国家实验室）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；VLM(summary_cn,abstract)；vision-language model(abstract,abstract_cn)
AI总结 本文提出IVG框架，结合规范引导的反思与视图引导的交互，解决VLM在可视化任务中的误读与歧义问题，通过iPlotBench验证，提升问答准确度至0.81，并展示在自主探索与实时协作中的能力。
Comments 18 pages, 8 figures
